Developpement d'outils bioinformatiques pour l'analyse des genomes et pangenomes chez les eucaryotes

Development of bioinformatic tools to analyze eukaryotic genomes and pangenomes

• Auteur / Autrice : Laura Gonzalez garcia
• Direction : Romain Guyot, Jorge Duitama
• Type : Projet de thèse
• Discipline(s) : BIDAP-Biologie et Ecologie Evolutives
• Date : Inscription en doctorat le ; Soutenance le 27/11/2024
• Etablissement(s) : Université de Montpellier (2022-....) en cotutelle avec Université des Andes
• Ecole(s) doctorale(s) : Biodiversité, Agriculture, Alimentation, Environnement, Terre, Eau
• Partenaire(s) de recherche : Laboratoire : DIADE - Diversité, Adaptation et DEveloppement des plantes
• Jury : Président / Présidente : Anna-Sophie Fiston-lavier
• Jury : Examinateurs / Examinatrices : Romain Guyot, Jorge Duitama, Diego Riano pachon, Marie-Anne Van sluys, Kelly Garces-pernett, Liliana Lopez-kleine, Marie Mirouze
• Jury : Rapporteur / Rapporteuse : Marie-Anne Van sluys, Marie Mirouze

Mots clés

Mots clés libres

Pangenome

Bioinformatique

Genomique

Eucaryotes

Pangenome

Bioinformatics

Genomics

Eukaryotes

Résumé

Les progrès en technologies de séquençage ont permis l'assemblage de génomes de haute qualité à grande échelle, facilitant les études pangénomiques. Les pangénomes représentent l'ensemble de la diversité génétique d'une espèce et offrent des aperçus sur la diversité génomique, l'évolution et la variation fonctionnelle. Cependant, la croissance des données génomiques a créé de nouveaux défis en bioinformatique, particulièrement dans les étapes d'assemblage, d'annotation et d'analyse comparative des génomes. Cette thèse aborde trois goulots d'étranglement clés dans la reconstruction des pangénomes à travers le développement d'algorithmes et d'outils, tout en explorant leurs applications dans deux études de cas contrastées d'importance clinique et agricole en Colombie : les parasites Leishmania et les caféiers. La première partie se concentre sur le développement de logiciels pour améliorer les analyses pangénomiques. Un nouvel assembleur de génome basé sur l'algorithme de overlap layout consensus a été développé. Le logiciel résultant a démontré une vitesse et une contiguïté améliorées, lorsqu'il a été testé sur des lectures PacBio HiFi et Oxford Nanopore Technologies. Une méthode sans alignement a été implémentée pour réduire le temps de calcul dans l'annotation des éléments transposables, ce qui est important dans l'analyse des génomes répétitifs. Cette approche a réduit le temps d'annotation avec une haute précision et sensibilité. De plus, un nouvel algorithme pour l'identification des orthologues et la reconstruction des pangénomes a été créé. Il utilise des comparaisons de protéines basées sur les k-mers au lieu des alignements par paires. Cette méthode a montré une vitesse et une précision améliorées, en particulier pour les taxons apparentés, et a facilité la génération de matrices de présence/absence pour les familles de gènes et les analyses de synténie. La seconde partie applique ces outils à une étude de cas clinique et une étude de cas agronomique pertinentes en Colombie. Pour Leishmania, une base de données de variabilité génomique a été construite, incluant 65 isolats cliniques colombiens, révélant des aperçus sur la délimitation des espèces et la diversité génétique. Dix isolats ont été séquencés en utilisant le séquençage à lectures longues et assemblés à un niveau proche du chromosome. Cela a permis une analyse pangénomique basée sur les gènes qui a mis en évidence la différenciation des espèces basée sur les familles de gènes multi-copies. Dans l'étude Coffea, 98 accessions d'espèces sauvages et cultivées ont été séquencées, en utilisant également des données publiques, pour construire une base de données de variation et reconstruire la phylogénie du genre. Le séquençage à lectures longues de neuf génomes de Coffea a permis des analyses génomiques comparatives, confirmant la conservation de la synténie à travers les Rubiaceae. De plus, cette étude apporte de nouvelles perspectives sur la compréhension de la voie de biosynthèse de la caféine. Ce travail démontre le potentiel des données génomiques à grande échelle avec des approches bioinformatiques efficaces pour résoudre des questions biologiques. Les outils développés réduisent le temps de calcul et les ressources nécessaires pour les analyses pangénomiques, rendant ces études accessibles à un plus large éventail d'espèces. Les études de cas soulignent les applications de ces méthodes dans la compréhension de la diversité des pathogènes et de l'évolution des plantes. Ces applications ont des implications pour le diagnostic et la gestion des maladies, ainsi que pour les stratégies de sélection variétale. Les orientations futures comprennent la conciliation de la variation structurelle génomique avec l'annotation fonctionnelle, ainsi que sur la représentation pangénomique basée sur les graphes. Les méthodologies et les aperçus présentés ici fournissent une base pour faire progresser la recherche pangénomique à travers les systèmes cliniques et agricoles.

Recent advances in sequencing technologies have enabled the assembly of high-quality genomes at great scales, allowing pangenomic studies across species. Pangenomes represent the entire genetic diversity of a species and they offer insights into genomic diversity, evolution, and functional variation. However, the recent growth of genomic data has created new challenges in bioinformatics, particularly in the assembly, annotation, and comparative analysis of genomes. This thesis addresses three key bottlenecks in pangenome reconstruction through the development of algorithms and tools while exploring their applications in two contrasting case studies of clinical and agricultural importance in Colombia: Leishmania parasites and Coffea species. The first part of this work focuses on the development of software to improve pangenome analysis pipelines. A new genome assembler based on the overlapping layout consensus (OLC) algorithm was developed. The resulting software demonstrated improved speed and contiguity when compared to existing tools, when tested on PacBio HiFi and Oxford Nanopore Technologies reads. An alignment-free method was implemented to reduce the compute time in the annotation of transposable elements (TE), which is important in the analysis of highly repetitive genomes. This approach significantly reduced annotation time while achieving high precision and sensitivity. Furthermore, a new algorithm for the identification of orthologs and the reconstruction of pangenomes was created. This algorithm uses k-mer-based protein comparisons instead of traditional pairwise alignments. This method showed improved speed and accuracy, especially for closely related taxa, and facilitated the generation of presence/absence matrices for gene families as well as genome-wide synteny analyses. The second part of the thesis applies these tools to clinical and agronomical case studies relevant to Colombia. For Leishmania parasites, a comprehensive genomic variability database was constructed including 65 Colombian clinical isolates and publicly available data, revealing insights into species delimitation and genetic diversity. Ten isolates were sequenced using long-read sequencing and assembled to near-chromosome level. This enabled a gene-based pangenome analysis that highlighted species differentiation based on multi-copy gene families. In the Coffea study, 98 accessions of wild and cultivated species were sequenced, using also public data, to build a variation database and to reconstruct the genus phylogeny. Long-read sequencing of nine Coffea genomes and two outgroup species enabled comparative genomic analyses, confirming chromosome stability and synteny conservation across the Rubiaceae family. Furthermore, this study provides new insights into the understanding of the caffeine biosynthetic pathway. This work demonstrates the potential of analyzing large-scale genomic data with efficient bioinformatic approaches to solve biological questions. The developed tools reduce the computational time and resources required for pangenome analyses significantly, which makes such studies accessible for a broader range of species. The case studies highlight the potential applications of these methods in understanding human pathogen diversity and plant evolution. These potential applications have implications for disease diagnosis and management; and crop breeding strategies. Future directions include conciliating genomic structural variation with functional annotation, as well as, refining graph-based pangenome representation. The methodologies and insights herein presented provide a basis for advancing pangenomic research across clinical and agricultural systems.