Analyse de k-mers pour la transcriptomique du cancer à la résolution du nucléotide

The transcriptome integrates RNA variations produced by two main processes: DNA alteration (e.g., mutations, gene-fusions, etc.) and post-transcriptional modifications (e.g., alternative splicing, etc.). It is an ideal research object for genotype-phenotype association. Next-generation sequencing (NGS) techniques allow a measurement of transcriptome at single-nucleotide resolution, both rapidly and at a relatively low cost. Conventional transcriptome analyses based on gene/transcript quantification do not make use of the full precision of this NGS data. Instead, they inherit the perspective of microarray measurements that consider gene or transcript as the elementary features for statistical analysis or machine learning. In this thesis, we discuss and develop a novel perspective of transcriptome analysis based on k-mers (substrings with fixed length k, typically k = 31) signals. Rather than quantifying predefined genes/transcripts, we count short and arbitrary k-mers and use them directly as elementary features. This allows representing gene expression events at the single-nucleotide resolution, and thereby driving insights into local events occuring at sub-transcript level. Also, this approach prevents the informative signals from cancelling each other at gene/transcript quantification stage. This thesis presents different aspects of this endeavor: (i) The KaMRaT software (chapter 3), developed during the thesis, supports various methods for reducing k-mer dimensionality and improving their specificity. This includes: a ranking-selecting module by evaluating association between sample counts and conditions; an extension module merging overlapped k-mers; a filter module considering their expression level; and a masking module to extract k-mers with a given sequence list. Results show that KaMRaT is an effective and efficient software, with highly flexible and easy-to-use characteristics. (ii) A comparison between classifiers obtained using k-mer or conventional gene features (chapter 4) shows that k-mer-feature-based classifier performs as well as classical gene-feature-based one, in the prostate prognostic problem, with the former further supporting finding novel unannotated events. (iii) The analysis of the replicability of informative k-mer signals in an inter-cohort research (chapter 5) shows that k-mer signals are replicable across independent data sets, and the k-mer-based inter-cohort research allows finding stable informative signals. (iv) The Kmerator software (chapter 6) allows utilization of reference-free k-mer signals as a proxy to reference-based gene expression measures. (v) Application of the REINDEER and Kmerator software (chapter 7) allows for arbitrary sequence indexing and abundance query across RNA-seq samples.Le transcriptome intègre des variations d'ARN produites par deux processus principaux : les altérations génétiques (mutations, fusions de gènes, etc.) et les modifications post-transcriptionnelles (épissages alternatifs, etc.). C'est un objet de recherche idéal pour étudier l’association génotype-phénotype. Les techniques de next-generation sequencing (NGS, séquençage de nouvelle génération) permettent une mesure du transcriptome à la résolution du nucléotide, de manière à la fois rapide et économique. Les analyses conventionnelles du transcriptome basée sur la quantification des gènes ou des transcrits n'utilisent pas la pleine précision de ces données NGS, mais héritent d’une perspective plus ancienne issue des puces à ADN (microarrays) et qui considère le gène ou le transcrit comme la caractéristique élémentaire pour l’analyse statistique ou pour l'apprentissage automatique. Dans cette thèse, nous discutons et développons une nouvelle perspective d'analyse du transcriptome, basée sur les signaux de k-mers (sous-chaînes de caractères de longueur fixe comme k, avec typiquement k = 31). Ainsi, au lieu de quantifier des gènes ou des transcrits prédéfinis, nous comptons des k-mers courts et arbitraires, et les prenons directement comme caractéristiques élémentaires. Cela permet de représenter des événements au cours de l'expression du gène à la résolution nucléotide, et d’entrer au-dessous du niveau des transcrits pour examiner les événements locaux. En outre, cette approche évite aussi que les signaux informatifs s'annulent à l’étape de la quantification de gène ou de transcrit. La thèse comporte différents aspects : (i) Le logiciel KaMRaT (chapitre 3), développé au cours de la thèse, prend en charge diverses méthodes pour réduire la dimensionnalité de k-mers, et pour améliorer leur spécificité. Il intègre : un module pour classer-sélectionner des k-mers en évaluant l’association entre les comptages des k-mers et le phénotype des échantillons; un module d'extension pour fusionner des k-mers chevauchants ; un module de filtrage tenant compte de leurs niveaux d'expression ; un module de masquage pour extraire les k-mers avec une liste de séquences donnée. Les résultats montrent que KaMRaT est un logiciel à la fois économe en ressource de calcul, flexible et facile à utiliser (ii) La comparaison entre les classifieurs utilisant k-mers ou gènes (chapitre 4) montre qu’un classifieur basé sur des caractéristiques de type k-mer fonctionne aussi bien que celui basé sur les caractéristiques de type gène, dans le problème du pronostic du cancer de la prostate, le premier offrant de plus de la possibilité de découvrir de nouveaux événements non-annotés. (iii) L’analyse de la réplicabilité des signaux k-mers informatifs dans une recherche inter-cohorte (chapitre 5) montre que les signaux k-mers sont réplicables entre jeux de données comparables mais indépendantes, et la recherche inter-cohorte de k-mers permet de trouver des signaux informatifs stables. (iv) Le logiciel Kmerator (chapitre 6) permet l'utilisation de signaux de type k-mer, donc sans référence, comme un proxy pour la mesure d’expression génique. (v) Enfin, l'application des logiciels REINDEER et Kmerator (chapitre 7) permet d’utiliser de grandes collections d’échantillons d'ARN-seq pour y rechercher des séquences d’ARN arbitraires