CEA, LITEN,
Laboratoire des systèmes solaires (L2S).
50 av. du Lac Léman,
73375 LE BOURGET DU LAC - CEDEX

 


Thèse


Thèse de Doctorat de l'université Pierre et Marie Curie (Paris VI)


Style du génome exploré par analyse textuelle de l'ADN

            Soutenue le 10 avril 2006 devant le jury composé de :
Bernard FERTIL Directeur de recherche CNRS, Paris Directeur de thèse
Jean-Gabriel GANASCIA Professeur, Université Paris VI , Paris Président du jury
Alain GUENOCHE Directeur de recherche CNRS, Marseille Rapporteur
Jeanny HERAULT Professeur, Université de Grenoble I, Grenoble Rapporteur
Eric MARECHAL Chargé de recherche CNRS, Grenoble Examinateur
Michel VERLEYSEN Professeur, Université Catholique de Louvain, Louvain-la-neuve, Belgique Examinateur

Mention très honorable

Résumé:    Style du génome exploré par analyse textuelle de l’ADN
Les séquences d’ADN peuvent être considérées comme des textes écrits dans un alphabet de 4 lettres. Des techniques inspirées de l’analyse textuelle permettent donc de les caractériser, entre autres à partir de fréquences d’apparition de courtes suites de caractères (les oligonucléotides ou mots). L’ensemble des fréquences des mots d’une longueur donnée est appelé « signature génomique » (cet ensemble est spécifique de l’espèce, ce qui justifie le terme de « signature »). La signature d’espèce est observable sur la plupart des courts fragments d’ADN, ce qui donne à penser qu’elle résulte d’un « style d’écriture ». De plus, la proximité entre espèces du point de vue de la signature génomique correspond bien souvent à une proximité en terme taxonomique. Pourtant, l’analyse des signatures génomiques se confronte rapidement à des limitations dues à la malédiction de la dimension. En effet, les données de grande dimension (la signature génomique a généralement 256 dimensions) montrent des propriétés qui mettent en défaut l’intuition. Par exemple, le phénomène de concentration des distances euclidiennes est bien connu.
Partant de ces constatations, nous avons mis en place des procédures d’évaluation des distances entre signatures de façon à rendre plus manifeste les informations biologiques sur lesquelles s’appuient nos analyses. Une méthode de projection non-linéaire des voisinages y est associée ce qui permet de s’affranchir des problèmes de grande dimension et de visualiser l’espace occupé par les données. L’analyse des relations entre les signatures pose le problème de la contribution de chaque variable (les mots) à la distance entre les signatures. Un Z-score original basé sur la variation de la fréquence des mots le long des génomes a permis de quantifier ces contributions. L’étude des variations de l’ensemble des fréquences le long d’un génomes permet d’extraire des segments originaux. Une méthode basée sur l’analyse du signal permet d’ailleurs de segmenter précisément ces zones originales.
Grâce à cet ensemble de méthodes, nous proposons des résultats biologiques. En particulier, nous mettons en évidence une organisation de l’espace des signatures génomiques cohérente avec la taxonomie des espèces. De plus, nous constatons la présence d’une syntaxe de l’ADN : il existe des « mots à caractère syntaxique » et des « mots à caractère sémantique  », la signature s’appuyant surtout sur les mots à caractère syntaxique. Enfin, l’analyse des signatures le long du génome permet une détection et une segmentation précise des ARN et de probables transferts horizontaux. Une convergence du style des transferts horizontaux vers la signature de l’hôte a d’ailleurs pu être observée.
Des résultats variés ont été obtenus par analyse des signatures. Ainsi, la simplicité d’utilisation et la rapidité de l’analyse des séquences par signatures en font un outil puissant pour extraire de l’information biologique à partir des génomes.


Télécharger la thèse (29 Mo) Télécharger les annexes (144 Ko) Télécharger les diapos de ma soutenance
(14 Mo)


_____________________________________________________________________


Mémoire de DEA (MASTER 2), 2002

_____________________________________________________________________