Le Deep learning pour optimiser l'analyse bioinformatique des données de métagénomique appliquée aux virus

Deep learning to optimize bioinformatics analysis of viral metagenomic data

• Auteur / Autrice : Emma Soufir
• Direction : Ilka Engelmann, Serafìn Gutierrez
• Type : Projet de thèse
• Discipline(s) : Biologie Santé
• Date : Inscription en doctorat le 01/11/2024
• Etablissement(s) : Université de Montpellier (2022-....)
• Ecole(s) doctorale(s) : Sciences Chimiques et Biologiques pour la Santé (Montpellier ; Ecole Doctorale ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : PCCEI - Pathogenèse et contrôle des infections chroniques et émergentes

Mots clés

Mots clés libres

Bioinformatique

Deep Learning

Métagénomique

Virus

Bioinformatics

Deep Learning

Metagenomics

Virus

Résumé

La métagénomique est une méthode permettant d'identifier l'ensemble du matériel génétique dans un échantillon, avec une puissance accrue grâce aux technologies de séquençage de nouvelle génération (NGS). Cependant, cette puissance implique une complexité d'analyse, nécessitant des outils bioinformatiques spécialisés pour gérer les vastes jeux de données produits. En virologie, la métagénomique, en tant qu'approche non-ciblée, permet d'analyser l'ensemble des génomes viraux présents, qu'ils soient connus ou inconnus, ce qui représente un avantage majeur sur les méthodes précédentes. Cette ''révolution métagénomique'' continue de s'accélérer, avec des découvertes annuelles de centaines de milliers de nouvelles espèces virales, rendues possibles par des optimisations bioinformatiques, dont le Machine Learning. Le Deep Learning (DL), une version avancée du Machine Learning, a récemment montré son potentiel pour améliorer la prédiction des fonctions génétiques et des structures protéiques, mais son utilisation en métagénomique virale reste encore limitée. Ce projet de thèse vise à optimiser la recherche de virus via la métagénomique en intégrant des outils de DL dans les pipelines bioinformatiques. Les objectifs sont doubles : Optimiser la détection des virus grâce à ces outils, et appliquer ces améliorations dans trois domaines : le diagnostic en milieu hospitalier, l'étude du virome, et la surveillance environnementale des virus pathogènes. Le projet s'articule autour de deux défis majeurs : - Développement d'une méthode de clustering de séquences virales: L'identification des virus par métagénomique est compliquée par l'absence d'une séquence génomique commune à tous les virus pouvant servir de ''code-barre''. Le séquençage NGS génère des séquences appartenant à diverses sources (virus, hôtes, autres microorganismes), nécessitant une méthode pour séparer les séquences virales des autres. De plus, le séquençage n'amplifie souvent que des fragments de génomes viraux, rendant difficile l'assemblage des séquences d'un virus inconnu. L'usage du DL pour le clustering des séquences pourrait surmonter ces obstacles, bien que ces outils n'aient pas encore été testés pour la recherche de virus. - Développement d'une méthode d'identification de l'hôte des nouveaux virus: La métagénomique permettrait une surveillance holistique des virus présents dans l'environnement ou dans des échantillons biologiques (eaux usées, vecteurs d'arthropodes, etc.). Cependant, la plupart des virus détectés dans ces échantillons ne sont pas pathogènes pour l'humain, ce qui complique l'identification des nouveaux virus émergents. Les séquences virales seules ne suffisent pas à déterminer si un virus peut infecter des vertébrés. Récemment, des outils basés sur le DL ont permis d'identifier des virus infectant les humains à partir de données métagénomiques. L'objectif est d'adapter ces outils de classification pour mener une étude comparative et identifier les hôtes des nouveaux virus.

Metagenomics is a method for identifying all the genetic material in a sample, with increased power thanks to next-generation sequencing (NGS) technologies. However, this power implies complexity of analysis, requiring specialized bioinformatics tools to manage the vast datasets produced. In virology, metagenomics, as a non-targeted approach, enables the analysis of all viral genomes present, whether known or unknown, representing a major advantage over previous methods. This “metagenomic revolution” continues to accelerate, with annual discoveries of hundreds of thousands of new viral species, made possible by bioinformatics optimizations, including Machine Learning. Deep Learning (DL), an advanced version of Machine Learning, has recently demonstrated its potential for improving the prediction of genetic functions and protein structures. Still, its use in viral metagenomics remains limited. This project aims to optimize virus research via metagenomics by integrating LD tools into bioinformatics pipelines. The objectives are twofold: To optimize virus detection using these tools, and to apply these improvements in three areas: hospital diagnostics, virome studies, and environmental monitoring of pathogenic viruses. The project focuses on two major challenges: - Development of a viral sequence clustering method: Virus identification by metagenomics is complicated by the absence of a common genomic sequence for all viruses that can serve as a “barcode”. NGS sequencing generates sequences belonging to various sources (viruses, hosts, other microorganisms), requiring a method to separate viral sequences from others. In addition, sequencing often only amplifies fragments of viral genomes, making it difficult to assemble the sequences of an unknown virus. The use of DL for sequence clustering could overcome these obstacles, although these tools have not yet been tested for virus research. - Development of a method for identifying the host of new viruses: Metagenomics would enable holistic monitoring of viruses present in the environment or biological samples (wastewater, arthropod vectors, etc.). However, most of the viruses detected in these samples are not pathogenic for humans, which complicates the identification of new emerging viruses. Virus sequences alone cannot determine whether a virus can infect vertebrates. Recently, DL-based tools have enabled identification of human-infecting viruses from metagenomic data. The aim is to adapt these classification tools to conduct a comparative study and identify the hosts of new viruses.