Methods for comparative analysis of the intraspecific variability in prokaryotic pangenomes

Ces dernières années ont vu l’émergence de technologies de séquençage permettant l’acquisition massive de données génomiques de millions de procaryotes, majoritairement des bactéries. Loin de ralentir ou de se stabiliser, la quantité de données génomiques récupérées chaque année est toujours plus importante. Une approche clé pour la compréhension des génomes se fait au travers de leur comparaison : les différences comme les similitudes dans les phénotypes d’organismes étudiés peuvent se retrouver aussi dans leurs génomes. Néanmoins, étudier ainsi des milliers, voire des millions de génomes, est informatiquement coûteux car cela nécessite des milliards de comparaisons. Il faut donc développer de nouvelles méthodes, trouver de nouveaux paradigmes pour continuer d’analyser et de comprendre les organismes, leurs génomes et les écosystèmes dans lesquels ils sont retrouvés. Pour faire face à ce défi, des méthodes dites de pangénomiques ont récemment émergé dans le but de compiler l’ensemble de la diversité génomique d’une espèce d’intérêt. À l’origine, les pangénomesne permettaient de comparer que le contenu en gènes des génomes pour déterminer ce qui était commun et ce qui ne l’était pas. Néanmoins, l’information apportée par la présence (ou l’absence) d’un gène ne prend du sens que si elle est rapportée dans son contexte génomique, car une fonction dépend souvent d’un ensemble de gènes. Le but de cette thèse a été de développer un modèle de graphe de pangénome pour pouvoir comparer à la fois les gènes et leur organisation dans des (dizaines de) milliers de génomes procaryotes. Ce modèle a permis de développer des méthodes utilisant ce graphe pour en extraire des informations clés. Ces méthodes concernent notamment la détection d’îlots génomiques qui sont dépositaires de la majorité des acquisitions de nouvelles capacités phénotypiques chez les procaryotes. Elles incluent également l’identification de modules conservés qui sont des groupes de gènes qui fonctionnent potentiellement ensemble pour apporter une même fonction. Toutes ces méthodes ont été regroupées dans une suite logicielle appelée PPanGGOLiN, qui permet ainsi dedécrire la diversité génomique d’une espèce et d’étudier la dynamique de l’acquisition et des échanges de gènes entre ces organismes.The last few years have seen the emergence of sequencing technologies allowing the massive acquisition of genomic data from millions of prokaryotes, mostly bacteria. Far from slowing down or stabilizing, the amount of genomic data recovered each year is continuously increasing. A key approach to understanding genomes isthrough their comparison : differences as well as similarities in the phenotypes of the organisms to be studied can also be found in their genomes. However, studying thousands or even millions of genomes in this way is computationally expensive, as it requires billions of comparisons. It is therefore necessary to develop new methods, to find new paradigms to continue to analyze and understand the organisms, their genomes, and the ecosystems in which they are found. To face this challenge, so-called pangenomic methods have recently emerged with the aim of compiling the entire genomic diversity of a species of interest. Originally, pangenomes only allowed comparison of the gene content of genomes to determine what was common and what was not. However, the information provided by the presence (or absence) of a gene is only meaningful if reported in its genomic context, as a function often depends on a set of genes. The goal of this thesis was to develop a pangenome graph model to compare both genes and theirorganization in (tens of) thousands of prokaryotic genomes. This model has allowed the development of methods using this graph to extract key information. These methods include the detection of genomic is lands that are the repository of most of the acquisition of new phenotypic abilities in prokaryotes. They also include the identification of conserved modules, which are groups of genes that potentially work together to provide the same function. All these methods have been grouped in a software suite called PPanGGOLiN, which allows to describe the genomic diversity of a species and to study the dynamicsof gene acquisition and exchange between these organisms