Search

Les progrès des technologies de séquençage ont joué un rôle important dans le diagnostic moléculaire des maladies rares, telles que les myopathies et les dystrophies musculaires. Cependant, plusieurs patients atteints de maladies neuromusculaires restent sans diagnostic. Ceci est dû à la grande hétérogénéité clinique et génétique ainsi qu'au caractère hautement polymorphique des gènes associés à ces troubles. L'interprétation des données génétiques est un grand défi et les tests génétiques aboutissent souvent à l'identification de variants de signification inconnue (VUSs). Plusieurs de ces variants peuvent perturber l'épissage normal de l'ARN ou affecter l'expression des gènes. À cet égard, nous proposons une approche bio-informatique. Notre objectif est de mettre en place un pipeline identifiant et caractérisant des variants d'intérêt dans un contexte pathologique. Afin de déterminer si les variants ont un impact fonctionnel, notre pipeline se concentre sur l'épissage alternatif ainsi que sur l'intégration des données génomiques et transcriptomiques. Nous émettons l'hypothèse qu'une partie des patients sans diagnostic pour leur maladie neuromusculaire s'explique par des variants introniques jouant un rôle régulateur ou affectant l'épissage et l'abondance de l'ARNm. Cette approche multi-omique permet de déterminer si les variants ont un impact fonctionnel. Pour ce faire, nous avons réalisé un séquençage de l'ARN et de l'ADN à partir de biopsies musculaires de quatre patients. Les données ont été alignées et annotées avec différents scores de pathogénicité. Les événements d'épissage sont analysés par SpliceAI et rMATS. L'analyse des gènes différentiellement exprimés a été réalisée par l'outil LPEseq. Les CNVs et les expansions de répétitions ont été analysés avec CNVkit et ExpansionHunter. Plusieurs scripts maison filtrent et intègrent les données ARN et ADN. Pour l'instant, un total de huit variants pathogéniques sont proposés pour nos patients, mais des investigations supplémentaires sont nécessaires. Les variants recherchés sont rares et nécessitent donc un pipeline cohérent et efficace. Ce projet apportera un bénéfice significatif pour les patients en leur permettant d'obtenir un diagnostic et ainsi d'avoir accès à un meilleur suivi clinique., Advances in sequencing technologies have played an important role in the molecular diagnosis of rare diseases, such as myopathies and muscular dystrophies. However, several patients with these neuromuscular diseases remain undiagnosed. This is due to the great clinical and genetic heterogeneity as well as the highly polymorphic nature of the genes associated with myopathies and muscular dystrophies. The interpretation of genetic data is a great challenge and genetic testing often results in the identification of variants of uncertain significances (VUSs). Many of these variants can disrupt normal RNA splicing or affect gene expression. In this regard, we propose a bioinformatics approach. Our aim is to put in place a pipeline identifying and characterizing variants of interest in a pathological context. To determine if the variants have a functional impact, our pipeline focuses on alternative splicing as well as the integration of genomic and transcriptomic data. We hypothesize that a portion of patients without a diagnosis for their neuromuscular disorder is explained by intronic variants having a regulatory role or affecting mRNA splicing and abundance. This multi-omics approach will make it possible to determine whether the variants have a functional impact. To do so, we performed RNA and DNA sequencing using muscle biopsies from four patients. Data was aligned and annotated with different pathogenicity scores. Splicing events are analyzed by SpliceAI and rMATS. The analysis of the differentially expressed genes was carried out by the LPEseq tool. CNVs and repeat expansion were analyzed with CNVkit and ExpansionHunter. Several in-house scripts filter and integrate RNA and DNA data. For now, a total of eight pathogenic variants are proposed for our patients, but further investigations are needed. The variants sought are rare and therefore require a coherent and efficient pipeline to facilitate their characterization. This project will have a significant benefit for patients by allowing them to obtain a diagnosis and thus have access to better clinical follow-up.

Le rythme impressionnant auquel les technologies de séquençage progressent est alimenté par leur promesse de révolutionner les soins de santé et la recherche biomédicale. Le séquençage par nanopores est devenu une technologie attrayante pour résoudre des lacunes des technologies précédentes, mais aussi pour élargir nos connaissances sur le transcriptome en générant des lectures longues qui simplifient l’assemblage et la détection de grandes variations structurelles. Au cours du processus de séquençage, les nanopores mesurent les signaux de courant électrique représentant les bases (A, C, G, T) qui se déplacent à travers chaque nanopore. Tous les nanopores produisent simultanément des signaux qui peuvent être analysés en temps réel et traduits en bases par le processus d’appel de bases. Malgré la réduction du coût de séquençage et la portabilité des séquenceurs, le taux d’erreur de l’appel de base entrave leur mise en oeuvre dans la recherche biomédicale. Le but de ce mémoire est de classifier des séquences d’ARNm individuelles en différents groupes d’isoformes via l’élucidation de motifs communs dans leur signal brut. Nous proposons d’utiliser l’algorithme de déformation temporelle dynamique (DTW) pour l’alignement de séquences combiné à la technologie nanopore afin de contourner directement le processus d’appel de base. Nous avons exploré de nouvelles stratégies pour démontrer l’impact de différents segments du signal sur la classification des signaux. Nous avons effectué des analyses comparatives pour suggérer des paramètres qui augmentent la performance de classification et orientent les analyses futures sur les données brutes du séquençage par nanopores., The impressive rate at which sequencing technologies are progressing is fueled by their promise to revolutionize healthcare and biomedical research. Nanopore sequencing has become an attractive technology to address shortcomings of previous technologies, but also to expand our knowledge of the transcriptome by generating long reads that simplify assembly and detection of large structural variations. During the sequencing process, the nanopores measure electrical current signals representing the bases (A, C, G, T) moving through each nanopore. All nanopores simultaneously produce signals that can be analyzed in real time and translated into bases by the base calling process. Despite the reduction in sequencing cost and the portability of sequencers, the base call error rate hampers their implementation in biomedical research. The aim of this project is to classify individual mRNA sequences into different groups of isoforms through the elucidation of common motifs in their raw signal. We propose to use the dynamic time warping (DTW) algorithm for sequence alignment combined with nanopore technology to directly bypass the basic calling process. We explored new strategies to demonstrate the impact of different signal segments on signal classification. We performed comparative analyzes to suggest parameters that increase classification performance and guide future analyzes on raw nanopore sequencing data.

Les technologies récentes de séquençage de l’ARN de cellules uniques (scRNA-seq, pour single cell RNA-seq) ont permis de quantifier le niveau d’expression des gènes au niveau de la cellules, alors que les technologies standards de séquençage de l’ARN (RNA-seq, ou bulk RNA-seq) ne permettaient de quantifier que l’expression moyenne des gènes dans un échantillon de cellules. Cette résolution supérieure a permis des avancées majeures dans le domaine de la recherche biomédicale, mais a également posé de nouveaux défis, notamment computationnels. Les données qui découlent des technologies de scRNA-seq sont en effet complexes et plus bruitées que les données de bulk RNA-seq. En outre, les technologies sont nombreuses et leur nombre explose, nécessitant chacune un prétraitement plus ou moins différent. De plus en plus de méthodes sont ainsi développées, mais il n’existe pas encore de norme établie (gold standard) pour le prétraitement et l’analyse de ces données. Le laboratoire du Dr. Mader a récemment fait l’acquisition de la technologie Drop-Seq (une technologie haut débit de scRNA-seq), nécessitant une expertise nouvelle pour le traitement des données qui en découlent. Dans ce mémoire, différentes étapes du prétraitement des données issues de la technologie Drop-Seq sont donc passées en revue et le fonctionnement de certains outils dédiés à cet effet est étudié, permettant d’établir des lignes directrices pour de futures expériences au sein du laboratoire du Dr. Mader. Cette étude est menée sur les premiers jeux de données générés avec la technologie Drop-Seq du laboratoire, issus de lignées cellulaires du cancer du sein. Les méthodes d’analyses, moins spécifiques à la technologie, ne sont pas étudiées dans ce mémoire, mais une analyse exploratoire des jeux de données du laboratoire pose les bases pour une analyse plus poussée., Recent single cell RNA sequencing technologies (scRNA-seq) have enabled the quantification of gene expression levels at the cellular level, while standard RNA sequencing technologies (RNA-seq, or bulk RNA-seq) have only been able to quantify the average gene expression in a sample of cells. This higher resolution has allowed major advances in biomedical research, but has also raised new challenges, in particular computational ones. The data derived from scRNA-seq technologies are indeed complex and noisier than bulk RNA-seq data. In addition, the number of scRNA-seq technologies is exploding, each of them requiring a rather different pre-processing. More and more methods are thus being developed, but there is still no gold standard for the preprocessing and analysis of these data. Dr. Mader’s laboratory has recently invested in the Drop-Seq technology (a high-throughput scRNAseq technology), requiring new expertise for the processing of the resulting data. In this thesis, different steps for the pre-processing of Drop-Seq data are reviewed and the behavior of some of the dedicated tools are studied, allowing to establish guidelines for future experiments in Dr. Mader’s laboratory. This study is conducted on the first data sets generated with the Drop-Seq technology of the laboratory, derived from breast cancer cell lines. Analytical methods, less specific to the technology, are not investigated in this thesis, but an exploratory analysis of the lab’s datasets lays the foundation for further analysis.

La maladie de Niemann-Pick type C (NP-C) est une maladie autosomal récessive rare neurodégénérative, pan-ethnique et avec variabilité phénotypique. La forme classique se trouve chez les patients juvéniles, mais des patients de tous les âges existent. Les symptômes incluent des signes viscéraux, moteurs et neurologiques. La maladie est causée par une mutation dans le gène NPC1 ou NPC2. La prévalence mondiale se trouve à environ un cas par 100 000 naissances, mais varie beaucoup selon les populations. Pour cette raison, nous avons voulu identifier et classifier des variants qui se trouve dans la population québécoise pour faire une estimation de la prévalence de NP-C au Québec. Nous croyons que cette maladie neurodégénérative est sous-diagnostiquée. Pour identifier le pool génétique de la population québécoise, nous avons utilisé une approche bio-informatique. À l’aide des données de séquençage des 1109 participants sains de la cohorte CARTaGENE, nous avons identifié des variants rares, ayant des fréquences alléliques inférieures à 1%, dans les gènes NPC1 et NPC2. Les données de séquençage de l’ARN et d’exome ont été alignées, les variants ont été détectés et annotés avec différents scores de pathogénicité. Les variants ont ensuite été classifiés à l’aide des lignes directrices de l’ACMG. À l’aide de notre pipeline bio-informatique, nous avons identifié 37 variants rares. Parmi ces variants, un, p.I1061T, a été classifié comme pathogénique comme il l’est dans d’autres bases de données et un, p.P543L, initialement classifié comme potentiellement pathogénique a été classifié comme pathogénique dans notre population. Le variant p.P543L est d’ailleurs possiblement une mutation fondatrice chez les Canadiens-Français. La prévalence mesurée à l’aide des fréquences alléliques de ces deux variants est de 0,61 cas par 100 000 naissances. Cette étude a permis d’identifier deux variants pathogéniques dans une population saine, c’est-à dire sans maladie neurodégénérative connue. Nous avons ensuite pu estimer pour la première fois la prévalence minimale de NP-C au Québec. Les résultats suggèrent que NP-C est sous-diagnostiquée dans notre population. Avec ces informations, les méthodes de diagnostic pourront être ajustées pour accélérer la détection de NP-C au Québec et ainsi aider les patients en donnant accès au traitement disponible pour réduire les symptômes neurologiques., Niemann-Pick type C disease (NP-C) is a rare autosomal recessive neurodegenerative, pan-ethnic disease with heterogenous symptoms. The classical form mainly affects juvenile patients, but patients of varying ages exist. The main symptoms are visceral, motor and neurological. The disease is caused by mutations in the NPC1 or NPC2 gene. The worldwide prevalence is approximately one case per 100 000 births but varies between populations. Therefore, we wanted to identify and classify rare variants found in Quebec’s population to estimate the prevalence of NP-C in this population. We hypothesized that NP-C is under-diagnosed in Quebec. To determine the genetic pool of NP-C in Quebec’s population, we used a bioinformatics pipeline. With the sequencing data of 1109 healthy individuals of the CARTaGENE cohort, we identified rare variants, with a minor allele frequency inferior to 1%, in the NPC1 and NPC2 genes. The sequencing data from RNA and exome sequencing was aligned and the variants were found and annotated with different pathogenicity scores. The variants were then classified using the ACMG guidelines. Using our bioinformatics pipeline, we identified a total of 37 rare variants. In those variants, one, p.I1061T, was directly classified as pathogenic since it was classified as that in all databases. The other one, p.P543L, was initially classified as likely pathogenic, but we were able to reclassify it as pathogenic in our population. The p.P543L variant is possibly a founder mutation in the French-Canadian population. Next, we estimated the prevalence based on the allelic frequencies of those two variants in our cohort. We found a prevalence of 0,61 case per 100 000 births. This study allowed us to identify two pathogenic variants in a healthy population, without known neurodegenerative disease. We were also able to estimate the first ever minimal prevalence for NP-C in Quebec. Our results suggests that NP-C is underdiagnosed in our population. With the information collected here, we would be able to adjust the diagnostic methods of NP-C in Quebec to then be able to help the patients by giving them access to the available treatment to reduce neurological symptoms.

The emergence of new sequencing technologies, as long-read sequencing, has paved the way for the production of reference genomes at an affordable cost. Bioinformatics tools, as well as laboratory techniques, are constantly evolving and it is important to test and implement state-of-the-art technologies.This thesis presents, through different publications, the methodological developments implemented in the framework of reference genome assemblies. The long reads obtained using the Oxford Nanopore sequencing technology allowed us to improve the contiguity of our assemblies and to accurately reconstruct regions that were resistant to older sequencing technologies, as regions containing repeated sequences or clusters of duplicated genes. The optical map technology proposed by Bionano Genomics and the sequencing of Hi-C libraries, allowed us to produce assemblies at the chromosome scale and to access the structure of complex regions such as centromeres.I have been able to demonstrate the importance of these enhanced assemblies with different plant genomes, for which they provide a valuable resource for future research on evolutionary history, adaptations to new living conditions or resistance genes.These developments will be adapted to meet the needs of future large-scale projects aimed at producing reference genome and preserving the genetic information of biodiversity.; L'avènement des nouvelles technologies de séquençage puis du séquençage longues lectures a ouvert la voie vers la production de génomes de référence à un coût abordable. Les outils bioinformatiques, tout comme les techniques de laboratoire, ne cessent d'évoluer et il est important de tester et mettre en place toutes ces technologies de pointe.Ce mémoire de thèse présente, au travers de différentes publications, les développements méthodologiques mis en place dans le cadre d'assemblages de génomes de référence. Les longues lectures obtenues grâce au séquençage avec la technologie Oxford Nanopore nous ont permis d'améliorer la continuité de nos assemblages et de reconstituer plus fidèlement des régions souvent invisibles avec des méthodes traditionnelles, notamment les régions contenant des séquences répétées ou des clusters de gènes dupliqués. La technologie de carte optique proposée par Bionano Genomics, et le séquençage de banques Hi-C nous ont permis d'amener nos assemblages à l'échelle des chromosomes et d'accéder à la structure de régions dites complexes comme les centromères.J'ai pu mettre en évidence l'importance de ces nouveaux assemblages pour différents génomes de plantes, pour lesquels ils constituent une ressource très précieuse pour de futures recherches sur l'histoire évolutive des espèces, sur les adaptations à de nouvelles conditions de vie ou sur les gènes de résistance aux pathogènes.Ces développements vont être adaptés pour répondre aux besoins de nouveaux projets de production de génomes de référence à grande échelle et dont le but est de préserver l'information génétique de la biodiversité.

Mass spectrometry (MS) is one of the main methods used to identify proteins. They are usually identified from their peptides. To this end, spectra obtained from their peptides are compared to a database of theoretical spectra using a similarity score, and resulting PSMs (Peptide-Spectrum Matches) are used to identify spectra. Nevertheless, most of the spectra that are generated cannot be properly identified. One of the reasons is that proteins, and thus resulting peptides, carry modifications that complexify the identification of corresponding spectra. To solve this problem, OMS (Open Mass Search) methods offer promising elements. But these methods still face obstacles, especially when the peptide carries unknown modifications. Moreover, the evaluation of their results is complex. During my PhD, I first evaluated OMS strategies with theoretical spectra playing the role of experimental spectra, which enabled the development of new criteria to evaluate PSMs. Following this work, I developed SpecGlob, an algorithm that relies on dynamic programming to align masses of spectra of a PSM, aiming at identifying several unknown modifications seperating the peptide that generated the spectrum from the candidate peptide.; La spectrométrie de masse (MS) est l’une des méthodes privilégiées pour identifier les protéines. Elles sont habituellement identifiées à partir de leurs peptides. Pour cela, les spectres obtenus à partir des peptides sont comparés à une base de données de spectres théoriques à l’aide d’un score de similarité, et les PSM (Peptide-Spectrum Matches) produits aident à l’identification des spectres. Cependant, la plupart des spectres générés ne peuvent pas être correctement identifiés. L’une des raisons est que les protéines, et donc les peptides résultants, portent des modifications, ce qui complexifie l’identification des spectres issus de ces peptides. Pour résoudre ce problème, les approches OMS (Open Mass Search) offrent des éléments prometteurs. Cependant ces méthodes sont encore confrontées à certains obstacles, surtout lorsque le peptide comporte des modifications inconnues. De plus, l’évaluation de leurs résultats est complexe. Dans le cadre de cette thèse, j’ai d’abord évalué des stratégies OMS à l’aide de spectres théoriques jouant le rôle de spectres expérimentaux, ce qui a permis de développer de nouveaux critères pour évaluer les PSM. À la suite de ce travail, j’ai développé SpecGlob, un algorithme qui repose sur la programmation dynamique pour aligner les masses contenues dans un PSM, afin d’identifier plusieurs modifications inconnues qui séparent le peptide qui a généré le spectre à identifier du peptide candidat.

Cette thèse traite de l’utilisation de données large échelle pour élucider les mécanismes de réponse à un vaccin et identifier des biomarqueurs permettant de prédire une réponse immunitaire protectrice induite par la vaccination. La vaccination s'est avérée très efficace pour prévenir et éradiquer certaines maladies infectieuses. Malgré cela, certaines personnes ne bénéficient pas de la vaccination. De plus, pour certains pathogènes, comme le VIH, le développement d'un vaccin efficace s’avère difficile. Les technologies large échelle fournissent un moyen d'évaluer le système immunitaire dans son intégralité et permettent d'évaluer l'impact de l'hôte et des facteurs environnementaux qui façonnent la réponse vaccinale. Dans cette thèse, nous montrons comment l’analyse bioinformatique de données large échelle a permis d’identifier des gènes et protéines inflammatoires comme marqueurs d’une faible réponse au vaccin contre l’HepB et contre le VIH, ainsi que comme marqueurs associés avec la sévérité des symptômes d’une infection virale respiratoire. De plus, nous démontrons comment l’utilisation de méthodes d’intégration d'ensembles de données provenant de multiples plates-formes multiomiques permet l’identification de mécanismes impliqués dans la modulation de la réponse vaccinale. En effet, une analyse intégrative a révélé le lien entre les cellules sanguines, l’hème et la réponse inflammatoire associée avec une réponse au vaccin contre l’HepB. Une analyse intégrative a également mené à l’identification des cellules dendritiques comme source des interférons et les lymphocytes CD4+ comme cible des interférons; les deux impliqués dans le mécanisme de réponse au vaccin RV144. Ainsi, l’utilisation des données large échelle combinée aux analyses bio-informatiques apportent de nouvelles solutions aux défis actuels de la vaccination., Vaccination has proven highly effective in preventing and eradicating infectious diseases. A significant number of subjects, however, respond poorly to vaccination. In addition, for some pathogens, including HIV, the development of an efficient vaccine has been challenging. Systems vaccinology provides a means to assess the immune system comprehensively and allows one to evaluate the impact of host and environmental factors shaping the vaccine response. This unbiased approach allowed us to identify inflammatory genes (ex. C3AR1, CXCL2, HEBP1) and proteins (ex. TNF𝛽�, TNFR2) as putative markers of the hyporesponse to vaccines (against Hepatitis B and HIV) and severe symptoms following infection with respiratory viruses (Influenza, RSV, Rhinovirus). These biomarkers were measured pre-vaccination (respiratory viruses and Hepatitis B vaccine) or early after vaccination (HIV vaccine). In addition to identifying new biomarkers that can predict a. protective immune response to foreign pathogens, the integrative analysis of those system-wide data allowed a better understanding of the mechanisms triggered by vaccine-induced perturbations of the immune system. As illustrated for the RV144 vaccine against HIV, the integrative analysis allowed us to identify dendritic cells as the source and CD4+ T cells as the target cells of an antiviral program that confers the protection triggered by the vaccine. Systems vaccinology and the integration of datasets from multiple OMICs platforms represent a quantum step towards understanding immunity and vaccine responses; these approaches will provide novel solutions to the current vaccination challenges.

L'imputation est désormais un outil essentiel dans l'analyse des études d'association à l'échelle du génome, permettant l'estimation de génotypes à des positions variables du génome non génotypées, via des inférences statistiques à partir d'haplotypes contenus dans un panel de référence utilisé pour l'imputation, soit une bibliothèque d’haplotype séquencés phasés en haplotypes. Les données génétiques imputés servent aux études d’associations sur les traits et maladies complexes. La population fondatrice canadienne-française est une population très utile dans les études d'association génétique en raison de sa diversité unique d'haplotypes et de l'excès de variantes rares. Ici, nous décrivons les défis qui accompagnent l'imputation de cette population fondatrice, qui n'est pas représentée dans les panels de référence disponibles, ainsi que la stratégie optimale pour imputer des ensembles de données génotypés hétérogènes, provenant de plusieurs plateformes de génotypage. Nous avons caractérisé l'imputation de 29,356 individus génotypés sur plusieurs puces de génotypage de la province du Québec constituant la cohorte CARTaGENE (CaG). Nous avons établi que le panel de référence le plus récent et le plus diversifié Trans-Omics for Precision Medecine (TOPMed) a surpassé le panel de référence Haplotype Reference Consortium (HRC) dans l'ensemble de données canadienne-française de CaG. Nous avons évalué la précision de l'imputation avec le un score de qualité (R2) fréquemment utilisé, ainsi que l’exactitude calculée en fonction des génotypes aux variants observés par séquençage, disponibles dans CARTaGENE pour un sous-groupe d’individus. Nous avons déterminé que la stratégie optimale pour augmenter la qualité d'imputation sur des ensembles de données hétérogènes a été atteinte en fusionnant chaque sous-ensemble de données après les avoir imputés individuellement. Ce résultat ouvre la voie à l’intégration de cohortes génotypées hétérogènes dans les études d’associations. Nos résultats soulignent également les défis que représente une population fondatrice pour l'imputation, en comparant la qualité de l'imputation de CaG avec d'autres sous-cohortes canadiennes du projet CanPath, soit l’Ontario, l’Alberta, la Colombie-Britannique et les provinces atlantiques. Ces résultats mettent en évidence l'impact de l’absence de diversité haplotypique spécifique dans les panels de référence sur l'imputation d'une population européenne fondatrice récente, démontrant l'importance de la représentativité de la population étudiée dans ces panels., Imputation is now an essential tool in the analysis of genome-wide association studies, allowing the estimation of genotypes at variable positions of the ungenotyped genome, via statistical inferences from haplotypes contained in a reference panel used for imputation, (a library of sequenced genotypes phased into haplotype). Imputed genetic data is used for association studies of complex traits and diseases. The French-Canadian founder population is a very useful population in genetic association studies due to its unique haplotype’s diversity and excess of rare variants. Here, we describe the challenges that come with imputing this founder population, which is not represented in available reference panels, as well as the optimal strategy for imputing heterogeneous genotyped datasets, from multiple genotyping platforms. We characterized the imputation of 29,356 individuals genotyped on multiple genotyping arrays from the province of Quebec constituting the CARTaGENE (CaG) cohort. We established that the newer and more diverse Trans-Omics for Precision Medicine (TOPMed) reference panel outperformed the Haplotype Reference Consortium (HRC) reference panel in the CaG French-Canadian dataset. We evaluated the precision of the imputation with the frequently used quality score (R2), as well as the accuracy calculated according to the genotypes observed by sequencing, available in CARTaGENE for a subgroup of individuals. We determined that the optimal strategy for increasing imputation quality on heterogeneous datasets was achieved by merging each subset of data after imputing them individually. This result opens the way to the integration of heterogeneous genotyped cohorts in association studies. Our results also highlight the challenges of a founder population for imputation, comparing the quality of CaG imputation with other Canadian sub-cohorts of the CanPath project, namely Ontario, Alberta, British-Columbia, and the Atlantic provinces. These results highlight the impact of the absence of specific haplotypic diversity in the reference panels on the imputation of a recent European founder population, demonstrating the importance of the representativeness of the population studied in these panels.

Hermetia illucens, the black soldier fly, is a dipteran of the family Stratiomyidae. This detritivorous insect is increasingly used in mass production to reduce bio-waste and produce food for aquaculture and poultry farms. It originates from the north of Latin America and has spread over much of the planet. For the last ten years, many companies have been breeding and processing larvae from a circular economy perspective. This CIFRE thesis aims to improve genetic and genomic knowledge on the black soldier fly for performance improvement and selection. We focused, in a first step, on obtaining and analyzing a reference genome for the species using hybrid sequencing. We also worked on the genetic diversity and invasive history of BSF. We did this through global sampling using the CO1 gene and assembling about 60 complete mitochondrial genomes. We have shown the complexity of the black soldier fly's invasion scenarios combining an ancient process of natural dispersal on the American continent and the importance of human introductions, notably due to industrial breeding. Finally, we also looked at the structural variations of the genomes induced by transposable elements in natural populations of Hermetia illucens to determine the most active elements in the genomes and their evolutionary dynamics. This work revealed the species' surprising and unexpected genetic and genomic diversity. It opens new perspectives towards selection and improvement experiments on the black soldier fly for the entomoculture industry., Hermetia illucens, la mouche soldat noire, est un diptère de la famille des Stratiomyidae. Cet insecte détritivore est de plus en plus utilisé en élevage de masse pour réduire les biodéchets et produire de la nourriture à destination des élevages aquacoles et avicoles. Elle est originaire du nord de l'Amérique Latine et s'est répandue sur une grande partie de la planète. Depuis une dizaine d'années, un nombre croissant d'entreprises élèvent et transforment des larves dans une optique d'économie circulaire. Cette thèse CIFRE a pour but d'améliorer les connaissances génétiques et génomiques sur la mouche soldat noire pour l'amélioration des performances et de la sélection. Nous nous sommes concentrés, dans un premier temps, sur l'obtention et l'analyse d'un génome de référence, pour l'espèce en utilisant du séquençage hybride. Nous avons également travaillé sur la diversité génétique et l'histoire invasive de la BSF. Nous l'avons fait au moyen d'un échantillonnage mondial en utilisant à la fois le gène CO1 et l'assemblage d'une soixantaine de génomes mitochondriaux complets. Nous avons montré la complexité des scénarios d'invasion de la mouche soldat noire combinant à la fois un processus ancien de dispersion naturelle sur le continent Américain ainsi que, l'importance des introductions humaines, notamment en raison des élevages industriels. Enfin nous nous sommes également intéressés aux variations structurales des génomes, induites par les éléments transposables dans les populations naturelles d'Hermetia illucens, afin de déterminer les éléments les plus actifs dans les génomes ainsi que leurs dynamiques évolutives. Ce travail a révélé une étonnante et inattendue diversité génétique et génomique au sein de l'espèce. Il ouvre de nouvelles perspectives vers des expérimentations de sélection et d'amélioration sur la mouche soldat noire pour l'industrie entomocole.

The microbiota and its relation to human health are nowadays widely studied. High-throughput sequencing has greatly contributed to the rapid development of this field by allowing the identification and quantification of all microorganisms in a given sample, without the prior constraints of isolation and culture. Two sequencing strategies are mainly used: metabarcoding, which consists of sequencing only one marker gene, which is cost-efficient but not very precise; and shotgun metagenomics, which consists of sequencing all the DNA present in a sample, allowing a better taxonomic resolution and a functional characterization but whose cost is sometimes prohibitive. This thesis focuses on two intermediate alternative sequencing strategies that are more precise than metabarcoding but less expensive than shotgun metagenomics. We first evaluated the relevance of shallow shotgun metagenomics for studying the gut microbiota. We developed a reliable and optimized analysis pipeline, and then demonstrated the ability of this approach to reconstruct taxonomic profiles and differences between patients. In a second step, we developed an integrative multi-marker metabarcoding approach to characterize the vaginal microbiota, which takes advantage of the universality and discriminatory capacity of each marker. This thesis work also includes the analysis of data from two clinical projects, one on the standardization of the pre-analytical protocol and the other on the links between the gut microbiota and an autoimmune disease, systemic erythematosus lupus., Le microbiote et ses liens avec la santé humaine sont aujourd'hui très étudiés. Le séquençage à haut débit a grandement contribué à l'essor fulgurant du domaine en permettant d'identifier et de quantifier finement tous les micro-organismes d'un échantillon donné, sans les contraintes préalables d'isolement et de culture. Deux stratégies de séquençage sont majoritairement utilisées : le métabarcoding, qui consiste à ne séquencer qu'un gène marqueur ce qui est peu coûteux mais peu résolutif ; et la métagénomique shotgun, qui consiste à séquencer tout l'ADN présent dans un échantillon, permettant une meilleure résolution taxonomique et une caractérisation fonctionnelle mais dont les coûts sont parfois prohibitifs. Cette thèse s'intéresse à deux stratégies de séquençage intermédiaires, plus résolutives que le métabarcoding tout en étant moins coûteuses que la métagénomique shotgun. Nous avons dans un premier temps évalué la pertinence de la métagénomique shotgun à faible profondeur de séquençage pour l'étude du microbiote intestinal. Pour cela, nous avons développé un pipeline d'analyse fiable et optimisé, puis montré la capacité de notre méthode à reconstruire les profils taxonomiques et discriminer les patients. Dans un deuxième temps, nous avons développé une approche intégrative de métabarcoding multi-marqueurs pour caractériser le microbiote vaginal, qui permet de tirer parti de l'universalité et du pouvoir discriminant de chaque marqueur. Ce travail de thèse inclut également l'analyse de données issus de deux projets cliniques distincts, l'un portant sur la standardisation du protocole pré-analytique et l'autre sur les liens entre le microbiote intestinal et une maladie auto-immune, le lupus érythémateux systémique.

Cette étude pilote vise à développer une méthode d'analyse intégrative qui permet d'augmenter le taux de réussite du diagnostic clinique des mutations génétiques rares. De plus, l'identification de nouveaux gènes associés à l'ataxie épisodique (EA) et l'évaluation de nouveaux algorithmes de prédiction, pour un examen de variants plus robuste, découleront de l'enquête. Caractérisé par une perte sporadique de la coordination des mouvements volontaires, l'EA se manifeste généralement tardivement, avec une hétérogénéité clinique et génétique élevée, compliquant largement l’obtention d’un diagnostic précis. Alors que quatre gènes ont été liés aux huit sous-types d'EA, de nombreux patients demeurent sans diagnostic moléculaire dû aux limites des méthodes de séquençage d’ADN. Ces lacunes accentuent l’intérêt d’implanter le séquençage de l’ARN en milieu clinique, afin d’obtenir l’information fonctionnelle offerte par l’approche. Des patients atteints d’EA, sans diagnostic moléculaire malgré un examen approfondi, ont été recrutés à Montréal. Le séquençage du génome entier (WGS) et de l'ARN a été effectué sur des échantillons de sang pour identifier les variants nucléotidiques, l'expression différentielle, les événements d'épissage ainsi que les expansions de microsatellites. Plusieurs algorithmes de prédiction de la pathogénicité récents ont été choisis pour être testés parallèlement aux algorithmes standard. Des données WGS provenant d’un trio familial atteint de pathologies neurologiques ont également été soumises au pipeline génomique développé pour la cohorte EA. Des variants candidats ont été identifiés pour chaque patient en fonction des scores de pathogénicité, de la rareté des événements génétiques et des informations fonctionnelles et cliniques connues pour un gène altéré donné. Parmi les découvertes figurent des mutations non-sens, des faux-sens, de l'épissage alternatif ainsi que des expansions nucléotidiques dans des gènes associés aux ataxies spinocérébelleuses ou aux paraplégies spastiques. En plus d'être présents dans les ensembles de données de séquençage disponibles pour chaque patient, les événements génomiques ont été vérifiés par séquençage Sanger de l'ADN et de l'ARN lorsque possible. Les effets fonctionnels potentiels, prédits principalement à partir du RNA-seq et suggérant une expression anormale de l'ARNm, ont également été évalués par amplification PCR et qPCR traditionnelle. À ce jour, quatre des dix patients ont reçu ou sont en voie de recevoir un diagnostic clinique, et quatre autres présentent d’excellents candidats moléculaires pour expliquer une pathologie ataxique. Ce projet devrait permettre un diagnostic mieux défini, conduisant à une meilleure qualité de vie, une meilleure évaluation du pronostic et une meilleure prise en charge des patients. L’identification de modulateurs génétiques chez certains d’entre eux devrait également permettre une meilleure caractérisation clinique des conditions rapportées, bénéficiant les évaluations symptomatiques futures. De plus, la méta-analyse des données RNA-seq offre le potentiel de découvrir des régulateurs de pathogenèse communs à l’EA. Il favorisera également l'approche intégrative pour un plus large éventail de troubles et pourrait éventuellement conduire à de nouvelles stratégies thérapeutiques., This pilot study aims to develop an integrative analysis method that allows for an increased diagnosis success rate of rare genetic mutations. Moreover, identification of novel genes associated with Episodic Ataxia (EA) and evaluation of new AI-generated prediction algorithms, for a more robust variant examination, will ensue from the investigation. Characterized by sporadic loss of voluntary movement coordination, EA typically manifest with a late onset as well as high-clinical and genetic heterogeneity, setting additional hurdles to diagnosis. While four genes have been linked to the eight subtypes of EA, many patients are left without molecular diagnosis due to the limitations of individual DNA-sequencing methods, which can be mitigated by the functional overview that RNA sequencing (RNA-seq) offers. EA patients, lacking molecular diagnosis despite in-depth examination, were recruited in Montreal. Whole-Genome sequencing (WGS) and RNA-seq were performed on blood samples to identify single nucleotide variants, differential expression, splicing events, structural variants and repeat expansions. Multiple recent pathogenicity prediction algorithms were chosen for testing concurrently to standard ones, in order to evaluate their performance and potential for clinical pipelines integration. WGS data of a family trio from France, in which the father and the daughter present neurologic pathologies, were also processed through the genomic pipeline that was developed for the EA cohort in order to identify the cause of their disorder. Candidate variants were identified for each patient according to pathogenicity scores, rarity of genetic events, and known functional as well as clinical information for a given altered gene. Among the findings are truncations, missenses, alternative splicing, and repeat expansions in genes already associated to either spinocerebellar ataxia or spastic paraplegia. In addition to being present in both datasets when available, validation of these interesting genomic events has been performed through Sanger Sequencing of both DNA and RNA when feasible. For strong candidates where the available functional information from RNA-seq suggests abnormal mRNA expression, validation includes PCR amplification as well as a traditional qPCR to support effects on transcripts. To this day, four out of ten patients have received or are on the verge of receiving a diagnosis, and four others are carrying excellent molecular candidates requiring further validation to explain their ataxic pathologies. This project should provide more defined diagnosis, leading to better quality of life, better evaluation of prognosis and better management of care for patients. Identification of genetic modifier in some of them should also allow for a better clinical characterization of the reported conditions, benefiting future patient examinations. A meta-analysis of our patients’ transcriptomic profiles could also uncover commonly affected pathways in EA development. It will also promote the integrative approach for a larger spectrum of disorders and might eventually lead to new therapeutic strategies.

At the end of 2019, IFB conducted a survey targeting the life sciences and bioinformatics communities. The targeted researchers belonged to our main funding bodies, as well as to the data-producing national infrastructures. In total, more than 400 answers were collected, mostly from whole teams rather than individuals. The main goal of this survey was to orientate IFB actions towards the actual expectations of the user communities. It was intended to measure the evolution of the needs of the life sciences communities. This was achieved through a set of questions addressing several topics, of which: Exponential increase in storage and computing requirements Growing need in bioinformatics skills and competencies Use of specific and rapidly evolving software resources Access to specialized databases Need to control the entire processing chain to ensure the openness and reproducibility of results (Data Management Plan, workflows, software environments) The main information gained is that both communities expect to see bioinformatics questions take on more and more importance. IFB / ELIXIR-FR

Many files resulting from scientific experiments in biology are accumulating in data warehouses. The awareness around open science, FAIR data and reproducible science is an opportunity to collect, analyze, visualize and valorize already existing research data. From structural biology to "omics" biology, recycling these data to produce new information and even new knowledge is a real technical, methodological and scientific challenge., De nombreux fichiers résultant d'expériences scientifiques en biologie s'accumulent dans des entrepôts de données. La prise de conscience autour de la science ouverte, des données FAIR et de la science reproductible constitue une opportunité pour collecter, analyser, visualiser et valoriser des données de la recherche déjà existantes. Depuis la biologie structurale jusqu'à la biologie des « omiques », le recyclage de ces données pour produire de nouvelles informations, voire de nouvelles connaissances est un véritable défi tant technique, méthodologique que scientifique.

The modelling of complex biological systems does not benefit from the methods and tools that exist for the development of technological products in software engineering. The main reason for this is the impossibility of implementing a modular design: in biology, the introduction of a new element in a previously validated model can drastically change its behaviour. Nevertheless, this thesis provides an incremental methodology, in order to design discrete models for biology, which has some similarities to software spiral development model. The principal goal is to preserve the feasibility of proofs allowing to verify the non-regression at each enrichment. Although the proposed method was developed within the framework of René Thomas' formalism, it can be adapted to any other discrete modelling framework. It includes three distinct phases: requirements analysis, model enrichment combined with validation by formal methods and finally a prediction phase. The substantial case study that anchors this work is a model of metabolic regulation at different stages of progression in pancreatic ductal adenocarcinoma (PDAC). In this thesis, we adopt an abstract modelling incremental approach, whose starting point is an already consequent general model of eukaryotic metabolic regulation. Our method allows us to enrich this initial model step by step to reach our aim, that is, a model covering the evolution from the healthy cell to the aggressive cell through the non-aggressive cancer cell. One has only little molecular a priori knowledge on the metabolic deregulation involved, and the level of abstraction of this model is chosen to best guide biologists in their research and in the choice of their working hypotheses., La modélisation des systèmes biologiques complexes ne bénéficie pas des méthodes et outils existants pour le développement des produits technologiques, comme en génie logiciel. La raison principale en est l'impossibilité de mettre en place une conception modulaire : en biologie, l'introduction d'un nouvel élément dans un modèle préalablement validé peut drastiquement remettre en cause son comportement. Cette thèse fournit néanmoins une méthode incrémentale de conception de modèles discrets, pour la biologie, qui possède certaines similarités avec les méthodes de développement de logiciel en spirale. L'objectif principal de l'approche est de préserver la faisabilité des preuves permettant de vérifier la non-régression à chaque enrichissement. Bien que la méthode proposée ait été développée dans le cadre du formalisme de René Thomas, elle peut s'adapter à tout autre cadre de modélisation discret. Elle comprend trois phases distinctes : l'analyse des besoins, l'enrichissement du modèle et sa validation par des méthodes formelles et enfin une phase de prédiction. L'étude de cas, conséquente, qui ancre ce travail, est un modèle de régulation du métabolisme à différents stades d'évolution de l'adénocarcinome ductal du pancréas (PDAC). Nous adoptons dans cette thèse une approche de modélisation abstraite en partant d'un modèle général, déjà conséquent, de la régulation du métabolisme eucaryote, que nous enrichissons pas à pas pour atteindre notre objectif : un modèle couvrant l'évolution de la cellule saine à la cellule agressive en passant par la cellule cancéreuse non agressive. On ne dispose a priori que de peu de connaissances moléculaires sur les dérégulations du métabolisme mises en jeu et le niveau d'abstraction de ce modèle est choisi pour orienter au mieux les biologistes dans leurs recherches et dans le choix de leurs hypothèses de travail.

Biological systems involve a large number of different entities, each functionning in a coordinated manner with the others. Their understanding is crucial and can be approached at different scales, from the molecular to the systemic one. The observation of all these entities in different contexts and at different scales generates a “tsunami of data", posing complex and interesting computational problems. My work focuses on the development of methods for knowledge generation and knowledge extraction from these massive data. The manuscript is organized in three axes. The first axis deals with methods to identify interpretable, robust and replicable signatures in high dimensional unimodal data. The second axis proposes the development of a new approach to integrate multimodal data (miRNA + MRI), and to identify disease progression scores. Finally, the third axis also deals with the integration of heterogeneous data, but with a systemic approach, i.e. taking into account the known relationships between entities. The work presented illustrates the complexity of extracting information from existing databases, despite the constant efforts of the bioinformatics community to structure and unify the available information.

Living organisms are capable of expressing several alternative transcripts (or RNAs) from a single gene. These transcripts are responsible for the regulatory mechanisms of the organism, some of them are translated into protein. Today, detecting the set of transcripts that can be expressed by a gene is an open problem to which many computational methods such as RNA sequencing, spliced sequence alignment methods or comparative genomics methods try to address. This thesis proposes a comparative genomics method to compare the sequence of genes shared by several species. The result is a method for predicting transcripts on a multi-species scale, based on a graph structure. This method was applied to three species (human, mouse, and dog). It allowed to predict a relevant number of transcripts as well as to identify a set of genes that are conserved between the three species and that share both the same exonic structures and the same CDS.; Les organismes vivants sont capables d'exprimer plusieurs transcrits (ou ARN) alternatifs à partir d'un même gène. Ces transcrits sont responsables des mécanismes de régulation de l'organisme, certains sont traduits en protéine. Détecter l'ensemble des transcrits pouvant être exprimés par un gène est aujourd'hui un problème ouvert auquel de nombreuses méthodes informatiques telles que le séquençage des données de l'ARN, les méthodes d'alignements de séquences épissées ou encore les méthodes de génomiques comparative tentent de répondre. Cette thèse propose une méthode de génomique comparative permettant de comparer la séquence de gènes partagés par plusieurs espèces. Il en résulte une méthode de prédiction de transcrits à une échelle multi-espèces, en s'appuyant sur une structure de graphes. Cette méthode a été appliquée à trois espèces (humain, souris, chien). Elle a permis de prédire un nombre important de transcrits et d'identifier un ensemble de gènes conservés entre les trois espèces et partageant les mêmes structures exoniques et les mêmes CDS.

Living organisms are capable of expressing several alternative transcripts (or RNAs) from a single gene. These transcripts are responsible for the regulatory mechanisms of the organism, some of them are translated into protein. Today, detecting the set of transcripts that can be expressed by a gene is an open problem to which many computational methods such as RNA sequencing, spliced sequence alignment methods or comparative genomics methods try to address. This thesis proposes a comparative genomics method to compare the sequence of genes shared by several species. The result is a method for predicting transcripts on a multi-species scale, based on a graph structure. This method was applied to three species (human, mouse, and dog). It allowed to predict a relevant number of transcripts as well as to identify a set of genes that are conserved between the three species and that share both the same exonic structures and the same CDS.; Les organismes vivants sont capables d’exprimer plusieurs transcrits (ou ARN) alternatifs à partir d’un même gène. Ces transcrits sont responsables des mécanismes de régulation de l’organisme, certains sont traduits en protéine. Détecter l’ensemble des transcrits pouvant être exprimés par un gène est aujourd’hui un problème ouvert auquel de nombreuses méthodes informatiques telles que le séquençage des données de l’ARN, les méthodes d’alignements de séquences épissées ou encore les méthodes de génomiques comparative tentent de répondre. Cette thèse propose une méthode de génomique comparative permettant de comparer la séquence de gènes partagés par plusieurs espèces. Il en résulte une méthode de prédiction de transcrits à une échelle multi-espèces, en s’appuyant sur une structure de graphes. Cette méthode a été appliquée à trois espèces (humain, souris, chien). Elle a permis de prédire un nombre important de transcrits et d’identifier un ensemble de gènes conservés entre les trois espèces et partageant les mêmes structures exoniques et les mêmes CDS.

Les cytochromes P450 (CYP450) sont des hémoprotéines intervenant généralement dans la détoxication de l’organisme sous forme de biodégradation de molécules xénobiotiques et participent à la décomposition de certains médicaments. Cependant, les gènes codant pour les protéines CYP450 sont souvent sous-analysés dans les études génomiques à grande échelle en raison de leur difficulté d’analyse due à un haut taux de polymorphisme. Deux sous-familles seront étudiées plus en profondeur: les sous-familles CYP3A et CYP4F. La sous-famille CYP3A métabolise environ 50% des médicaments alors que les enzymes CYP4F, quant à eux, sont impliquées dans le métabolisme de composés endogènes, de nutriments et de médicaments. Les gènes de ces sous-familles sont fortement polymorphes et ce, à travers les populations humaines. Ainsi, la variabilité entre les différentes populations peut affecter la réponse aux médicaments et autres fonctions métaboliques. Dans ce projet, deux grands jeux de données, l’un en génétique des populations (le Projet des 1000 Génomes) et l’autre en transcriptomique (GTEx) seront utilisés afin d’identifier des signatures de sélection naturelle dans les gènes CYP3A et CYP4F, ainsi que leur impact sur l’expression génique de ces gènes. Nous avons détecté différentes forces de sélection (positive et balancée) dans les deux sous-familles. Certains polymorphismes identifiés comme étant sous pression sélective sont associés à une expression différentielle des gènes des deux sous-familles. Ce projet permet de mieux comprendre l’impact des mutations sous pression sélective se situant dans les gènes des sous-familles CYP3A et CYP4F. Cette caractérisation génétique permettra d’obtenir des prédictions plus fiables en pharmacogénomique et en génomique humaine, en raison de l’influence de ces gènes sur la réponse aux médicaments., Cytochromes P450 (CYP450) are hemoproteins generally involved in the detoxification of the body of xenobiotic molecules and participate in the metabolism of many drugs. Genetic polymorphisms have been found to impact drugs responses and metabolic functions. However, genes encoding CYP450 proteins are often under-analyzed in large-scale genomic studies because the difficulty of analysis due to of their high rate of polymorphism. In this study, we investigate the genetic diversity for CYP450 genes. We found that two clusters, CYP3A and CYP4F, are notably differentiated across human populations with evidence for selective pressures acting on both clusters. The CYP3A subfamily metabolizes approximately 50\% of drugs while CYP4F enzymes are involved in the metabolism of endogenous compounds, nutrients and drugs. Indeed, we found signals of recent positive selection in CYP3A and CYP4F genes and signals of balancing selection in CYP4F genes. Futhermore, unusual linkage disequilibrium is detected in both cluster, suggesting co-evolution. eQTLs were also found in both clusters which indicate co-regulation and epistasis.

International audience; No abstract available

International audience

L’histoire médicale et scientifique de la mucoviscidose marquera durablement la médecine humaine. Il a fallu 50 ans d’expérimentations et d’observations médicales, favorisées par les progrès en génétique, en biologie moléculaire et en physiologie, pour construire la théorie ionique montrant que cette maladie est la conséquence d’un défaut généralisé du transport transépithélial de NaCl, et pour découvrir le gène responsable de la maladie. La découverte du gèneCFTRet son clonage en 1989, la mise en évidence de ses mutations, puis la description de la protéine CFTR et de son rôle dans la maladie ont ainsi révolutionné la physiologie et la physiopathologie des transports ioniques des cellules épithéliales des systèmes respiratoire et digestif.

International audience

International audience

International audience; The liver ensures a large part of xenobiotics metabolism thanks to its sizeable enzymatic equipment, its anatomical localization and its abundant vascularization. However, these various characteristics also make it a privileged target for toxic compounds, particularly in the case of a toxic metabolism. Xenobiotics-induced hepatotoxicity is a major cause of liver damage and a real challenge for clinicians, pharmaceutical industry, and health agencies. Intrinsic, i.e. predictable and reproducible hepatotoxicities occurring at threshold doses are distinguished from idiosyncratic hepatotoxicities, occurring in an unpredictable manner in people with individual susceptibilities. Among them, idiosyncratic immune-mediated hepatotoxicity pathophysiology is still unclear. However, the development of tools to improve the prediction and understanding of these disorders may open avenues to the identification of risk factors and new mechanisms of toxicity.

ICEs (Integrative Conjugative Elements) and IMEs (Integrative Mobilizable Elements) are bacterial mobile elements that play a key role in horizontal transfers. They have the capacity to integrate and transfer by conjugation from one bacterium to another. These elements are widespread in bacterial genomes but are still poorly understood. Their automatic identification is a challenge and they are generally not annotated in genomes. So far, only two bioinformatic approaches allow the detection of ICEs and IMEs, but their reliability remains highly variable, particularly among Firmicutes. Moreover, neither of these approaches can accurately detect composite elements consisting of nested or accreted ICEs and IMEs, which are frequently observed in bacterial genomes. We have developed a strategy and a tool called ICEscreen to identify ICEs and IMEs in the genomes of Firmicutes, including nested or accreted elements. Our tool starts with the detection of four signature proteins (SPs) that are essential to the functioning of these elements and then carries out the detection and typing of the elements based on the colocalization of the SPs and the characterisation of their content. Our tool uses a dedicated algorithm to solve the structure of the elements whether they are composite or not. To perform these steps, we have built a bank of ICEs and IMEs signature proteins from a list of genes known to be involved in the dynamics of these elements in streptococci and also public HMM profiles and HMM profiles constructed especially for this study. To validate the ICEscreen results, we built a dataset, FirmiData, consisting of 40 genomes of Firmicutes for which the ICEs and IMEs were annotated semi-manually and curated. We then compared the results of ICEscreen with those of two reference tools: CONJscan and ICEfinder. ICEscreen detects almost all the elements of the reference (96%) making it a more powerful tool than CONJscan (58%) and especially ICEfinder (53%) on our dataset. ICEscreen is thus a tool for the annotation and discovery of ICE and IME in the genomes of Firmicutes, which can help to better characterize their contribution to horizontal gene transfers, particularly during the transmission of antibiotic resistance, with which they are frequently associated., Les ICE (Éléments intégratifs conjugatifs) et les IME (Éléments intégratifs mobilisables) sont des éléments mobiles bactériens qui jouent un rôle clé dans les transferts horizontaux. Ils ont la capacité de s'intégrer et de se transférer par conjugaison d'une bactérie à une autre. Ces éléments sont très répandus dans les génomes bactériens mais sont encore mal connus. Leur identification automatique est un défi et ils ne sont en général pas annotés dans les génomes. Jusqu'à présent, seules deux approches bioinformatiques permettent la détection des ICE et la détection des IME, mais leur fiabilité reste très variable, en particulier chez les Firmicutes. De plus, aucune de ces approches ne permet de détecter avec précision les éléments composites constitués d’ICE et d’IME emboîtés ou en accrétions, qui sont fréquemment observés dans des génomes bactériens. Nous avons développé une stratégie et un outil nommé ICEscreen permettant d’identifier les ICE et IME dans les génomes des Firmicutes, y compris les éléments emboîtés ou en accrétions. Notre outil, commence par la détection de quatre protéines signatures (SP) indispensables au fonctionnement de ces éléments puis effectue la détection et le typage des éléments à partir de la colocalisation des SP et de la caractérisation de leur contenu. Notre outil utilise un algorithme dédié permettant de résoudre la structure des éléments qu'ils soient composites ou non. Pour réaliser ces étapes nous avons construit une banque de protéines signatures d’ICE et d’IME de référence à partir d’une liste de gènes connus pour être impliqués dans la dynamique de ces éléments chez les streptocoques ainsi que de profils HMM publics ou construits pour cette étude. Pour valider les résultats d’ICEscreen nous avons construit un jeu de données, FirmiData, constitué de 40 génomes de Firmicutes pour lesquels les ICE et IME ont été annotés semi-manuellement et expertisés. Nous avons ensuite comparé les résultats de ICEscreen avec ceux de deux outils de référence : CONJscan et ICEfinder. ICEscreen détecte la quasi-totalité des éléments de la référence (96 %) ce qui en fait un outil plus performant que CONJscan (58 %) et surtout ICEfinder (53 %) sur notre jeu de données. ICEscreen est ainsi un outil d’aide à l’annotation et à la découverte d’ICE et d’IME dans les génomes de Firmicutes, ce qui peut aider à mieux caractériser leur contribution aux transferts horizontaux de gènes, notamment lors de la transmission de la résistance aux antibiotiques, auxquels ils sont fréquemment associés.

Lichens are symbiotic fungi, the chemistry of which has been used by humans since antiquity. They were however not studied with modern tools in metabolomics, which contributed in cementing the idea that lichens have poor chemical diversity. They are traditionally associated with 1050 molecules, although this figure is dated and does not seem to match the number of lichen species (19 387). In the field of metabolomics, LC-MS and dereplication using databases are frequently used for chemical profiling. These databases are nevertheless not adapted to the study of lichens, since they produce unique metabolites. Thus, several specific databases were produced herein, using the literature and pure standards analysed by LC-MS. Additional tools were developed to better the dereplication efficiency by predicting the molecules from the ions detected. These were all applied to the analysis of 300 lichen samples to highlight the chemical diversity of lichens using modern techniques. This resulted in the prediction of 8000 molecules with varying precision. The detailed investigation of the results has yet to be completed, but these already indicate that lichens are host to an underestimated chemical diversity that remains to be explored., Les lichens sont des champignons symbiotiques dont la chimie est exploitée par l’Homme depuis l’antiquité. Ils n’ont cependant pas été intégrés aux études de métabolomique récentes ce qui a installé l’idée que les lichens sont pauvres en molécules. 1050 molécules leur sont classiquement attribuées, bien que ce décompte date et qu’il semble éloigné de ce qui pourrait être attendu pour un mode de vie concernant 19 387 espèces. En métabolomique, LC-MS et la déréplication à l’aide de bases de données sont régulièrement usitées pour permettre le profilage des échantillons. Ces bases de données ne sont cependant pas adaptées à l’étude des lichens, qui produisent principalement des molécules qui leur sont uniques. Dans cette optique, plusieurs bases de données spécifiques aux lichens ont été créées ici, en utilisant des données de la littérature ainsi qu’en produisant des données spectrales. Des outils ont été créées pour améliorer la déréplication par la prédiction des molécules contenues dans les extraits à partir des ions qu’elles produisent. Tout ceci a été appliqué à l’analyse de 300 échantillons de lichens pour mettre en évidence la diversité chimique de ces champignons à l’aide de techniques modernes. Ceci a permis de prédire quelque 8000 molécules avec des degrés de certitude variables. L’étude détaillée des résultats pour mettre à jour les connaissances sur les lichens reste à faire, mais ceux-ci permettent déjà d’avancer que ces organismes sont à l’origine d’une chimie sous-estimée et qui reste encore à explorer.

Transposable elements (TEs) are ubiquitous components of eukaryotic genomes. They are mobile DNA sequences, which have the ability to multiply and move within the chromosomes of most living organisms. They belong to two classes: class I, retrotransposons and class II, transposons. Retrotransposons are predominant in plants.With the advancement of new sequencing technologies in the last decades, it is now possible to study the structural and functional impact of these elements in natural populations. Nevertheless, due to their repeated nature, the detection of polymorphisms associated with the activity of these elements is conceptually and technically challenging.During my PhD, I developed a pipeline (TRACKPOSON) allowing the detection of polymorphic insertions of transposable elements (in particular retrotransposons) in large datasets that I applied to the 3,000 available rice genomes.This study revealed a very dynamic transpositional landscape within the species. Based on these results, an association analysis (GWAS) was conducted to identify possible genetic factors related to transpositional activity. This analysis revealed the presence of a "master" copy of the element itself, a copy necessary for the activation of transposition in the family.The TE insertion polymorphisms for all 3000 genomes also enabled us to elucidate the origin of rice domestication. We were able to identify at least three distinct genetic origins of the cultivated species.In a second step, we studied the impact of insertions of these transposable elements on certain agronomic traits (TE-GWAS). We found that an insertion of the retrotransposon rn215-125 had a significant impact on grain width in Indica rice varieties. Using Nanopore long-read sequencing technology, we were able to characterize the region into which the insertion is located and propose that the allele conferring a wider grain is more likely to result from an introgression event from a donor yet to be identified, although our initial results suggest that it may be the wild relative O. rufipogon.The analyses conducted during my thesis show the strong contribution of transposable elements to genome dynamics in the population of 3000 rice varieties. Moreover, the constant evolution of sequencing technologies and the development of associated bioinformatics tools now open new perspectives for the analysis of structural variations and in particular the impact of transposable elements on the evolution of genomes within populations.Keywords : transposable elements, Oryza sativa, genomics, bioinformatics, big data, next generation sequencing technologies, genome-wide association studies (GWAS), Les éléments transposables (ET) sont des composants ubiquitaires des génomes eucaryotes. Ce sont des séquences d’ADN mobile, qui ont la capacité de se multiplier et de se déplacer au sein des chromosomes de la plupart des organismes vivants. Ils appartiennent à deux classes : la classe I, des rétrotransposons et la classe II, des transposons. Les rétrotransposons sont prédominants chez les plantes.Avec l’avancée des nouvelles technologies de séquençage ces dernières décennies, il est maintenant possible d’étudier l’impact structural et fonctionnel de ces éléments au sein de populations naturelles. Néanmoins par leur nature répétée, la détection des polymorphismes associés à l’activité de ces éléments est un défi conceptuel et technique.Au cours de ma thèse, j’ai développé un pipeline (TRACKPOSON) permettant la détection des insertions polymorphiques d’éléments transposables (en particulier les rétrotransposons) au sein de grand jeux de données que j’ai appliqué aux 3,000 génomes de riz disponibles.Cette étude a permis de mettre en évidence un paysage transpositionnel très dynamique au sein de l’espèce. A partir de ces résultats, afin d’identifier d’éventuels facteurs génétiques liés à l’activité transpositionnelle, une analyse d’association (GWAS) a été conduite. Celle-ci a permis de mettre en évidence la présence d’une copie « maître » de l’élément lui-même, copie nécessaire à l’activation de la transposition de la famille. Les données de polymorphismes d’insertion des ETs pour l’ensemble des 3000 génomes nous ont également permis d’élucider l’origine de la domestication du riz. Nous avons en effet pu mettre en évidence au moins trois origines génétiques distinctes de l’espèce cultivée.Dans un second temps, nous avons étudié l’impact des insertions de ces éléments transposables sur certains caractères agronomiques (TE-GWAS). Nous avons mis en évidence qu’une insertion du rétrotransposon rn215-125 avait un impact significatif sur la largeur des grains des variétés de riz Indica. Grâce à l’utilisation de la technologie de séquençage longues lectures Nanopore, nous avons pu caractériser la région dans laquelle se trouve l’insertion et proposons que l’allèle conférant un grain plus large proviendrait plutot d’un évènement d’introgression à partir d’un donneur qui reste à identifier, bien que nos premiers résultats suggèrent qu’il pourrait s’agir de l’espèce sauvage apparentée O. rufipogon.Les analyses conduites au cours de ma thèse permettent de mettre en évidence la forte contribution des éléments transposables sur la dynamique des génomes au sein de la population de 3000 variétés de riz. De plus, l’évolution constante des technologies de séquençage et le développement des outils bioinformatique associés, ouvrent maintenant de nouvelles perspectives pour l’analyse des variations structurales et en particulier l’impact des éléments transposables sur l’évolution des génomes au sein des populations.Mots-clés : éléments transposables, Oryza sativa, génomique, bio-informatique, grand jeux de données, nouvelles technologie de séquençage, étude génomique d’association (GWAS)