Computing informative k-mers for phylogenetic placement - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2021

Computing informative k-mers for phylogenetic placement

Calcul de k-mers informatifs pour le placement phylogénétique

Résumé

Phylogenetic placement determines possible phylogenetic origins of unknown query DNA or protein sequences, given a fixed reference phylogeny.Its main application is species identification, an essential bioinformatics problem with environmental ecology applications, microbial diversity studies, and medicine. Alignment-free methods for phylogenetic placement are a novel group of methods designed to eliminate the need to align query sequences within reference sequences --- a current limit to the applicability of phylogenetic placement methods in the next-generation sequencing (NGS) era.One of such methods is RAPPAS. It introduced the concept of phylogenetically aware k-mers (phylo-k-mers): k-mers paired with relevant probabilistic information about the reference phylogeny. This information determines how probable it is to observe any k-mer in hypothetical sequences arising from different parts of the reference tree. RAPPAS preprocesses the reference phylogenetic tree and alignment, computing phylo-k-mers. This allows fast phylogenetic placement of vast amounts of query sequences; however, the computation of phylo-k-mers is expensive in both running time and memory.This thesis studies the problem of effective indexing of reference phylogenies with phylo-k-mers. Chapter 1 gently introduces the reader to the problem. Starting with a historical overview of biology and bioinformatics of the last decades, it discusses the importance of sequence identification in modern bioinformatics, overwhelmed with amounts of sequencing data produced by NGS technologies. Then, it overviews existing methods of phylogenetic placement and discusses their limitations.Chapter 2 describes and analyzes the existing solution for the central algorithmic problem of phylo-k-mer computation: computing phylo-k-mers for one node in a k-sized window of the reference alignment. In addition, it describes a novel algorithm for this problem based on the divide-and-conquer approach. This algorithm improves the existing solution both theoretically and in practice.Chapter 3 proposes a novel method of filtering phylo-k-mers based on Mutual Information. This method allows reducing memory consumption of phylogenetic placement significantly with a negligible decrease in placement accuracy. It also describes how RAPPAS is connected to well-studied methods of text classification with Naive Bayes.Finally, Chapter 4 presents two new phylo-k-mer-related tools: XPAS for efficient computation of phylo-k-mers and RAPPAS2, an effective reimplementation of RAPPAS. Experimental results provided show that XPAS and RAPPAS2 outperform RAPPAS both in running speed and memory consumption. Both tools are written in modern C++, optimized for efficiency, and are ready to use.The final chapter discusses possible directions of future work on phylo-k-mer-related methods, the challenges that are yet to be overcome, and a discussion on the future of phylogenetic placement.
Étant donné un arbre d'évolution des espèces (ou phylogénie) et les séquences de référence qui ont permis de la construire, le placement phylogénétique tente de déterminer la branche d'origine d'une séquence requête dans la phylogénie. L'application principale du placement phylogénétique est l'identification d'espèces, une question essentielle de bioinformatique utilisée en écologie, en agronomie et en médecine. Les méthodes algorithmiques dites og sans alignementfg proposent une nouvelle approche capable d'éviter d'aligner la séquence requête avec les séquences de référence, une étape qui limite fortement le passage à l'échelle du placement phylogénétique à l'ère des technologies de séquençage à haut-débit (SHD).RAPPAS, qui appartient aux méthodes sans alignement, introduit le concept de k-mer informé phylogénétiquement, ou phylo-k-mer pour faire court. Pour un entier (k), il s'agit d'une séquence de longueur (k) (ou k-mer) associée à des probabilités d'observation sur les branches de la phylogénie. Pour un k-mer issue d'une séquence requête, cela permet d'estimer la probabilité qu'il provienne de chaque branche de la phylogénie. RAPPAS pré-traite la phylogénie et les séquences associées pour calculer les phylo-k-mers et les stocker dans un index. Une fois calculé, cet index permet de placer d'énorme quantité de séquences requêtes ; cependant sa construction demeure coûteuse en temps de calcul et en mémoire. Cette thèse étudie le calcul et l'indexation efficaces des phylo-k-mers. Le chapitre 1 introduit la thématique après un survol historique des notions de biologie et de bio-informatique nécessaires à sa compréhension. Il discute de l'importance de l'identification d'espèces par séquençage et bio-informatique, ainsi que du défi causé par le SHD. Enfin, il présente un état de l'art bio-informatique du placement phylogénétique. Le chapitre 2 décrit et analyse l'algorithme existant de l'étape centrale du calcul des phylo-k-mers : le calcul des phylo-k-mers pour une fenêtre de longueur (k) de l'alignement de référence. En outre, il propose un nouvel algorithme utilisant une stratégie de og diviser pour régnerfg. Cette approche surpasse l'algorithme existant tant en théorie qu'en pratique. Cependant le volume mémoire occupé par l'index de phylo-k-mers et leur nombre peuvent dans certains cas s'avérer gênants. Le chapitre 3 propose de sélectionner les phylo-k-mers les plus informatifs en se basant sur l'information mutuelle. L'algorithme de filtrage proposé permet de réduire considérablement l'espace nécessaire en impactant la précision du placement de façon négligeable. Enfin, il examine la connexion entre RAPPAS et les méthodes d'apprentissage automatique de classification de textes basées sur une approche dite og bayésienne naïvefg. Le chapitre 4 décrit deux nouveaux programmes permettant le calcul et l'utilisation des phylo-k-mers : emph{XPAS} pour le calcul efficace d'index de phylo-k-mers et son stockage sur disque, et emph{RAPPAS2} qui réimplante l'algorithme de placement phylogénétique original de RAPPAS. Les résultats expérimentaux démontrent que ces deux programmes, qui combinés remplacent le RAPPAS original, réduisent grandement l'espace mémoire utilisée et améliorent fortement les temps de calcul. Leur efficacité provient de l'implantation en C++ moderne, de leur optimisation, et en fait de programmes d'ores et déjà utilisables. Finalement, le chapitre de conclusion aborde des pistes de recherche pour l'utilisation des phylo-k-mers, les défis à venir, et les perspectives du placement phylogénétique.
Fichier principal
Vignette du fichier
ROMASHCHENKO_2021_archivage.pdf (5.14 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03629440 , version 1 (04-04-2022)

Identifiants

  • HAL Id : tel-03629440 , version 1

Citer

Nikolai Romashchenko. Computing informative k-mers for phylogenetic placement. Bioinformatics [q-bio.QM]. Université Montpellier, 2021. English. ⟨NNT : 2021MONTS113⟩. ⟨tel-03629440⟩
187 Consultations
139 Téléchargements

Partager

Gmail Facebook X LinkedIn More