Studying the properties of viral long reads mapping methods
Etude des propriétés des méthodes de mapping de lectures longues virales
Résumé
The emergence of third-generation sequencing technologies, in particular the long reads produced by Oxford Nanopore Technologies and Pacific Biosciences, has profoundly changed sequence alignment strategies in bioinformatics. Initially designed to deal with short reads, mapping algorithms have had to evolve to take account of the specific characteristics of long reads, including a higher error rate, the increased frequency of insertions and deletions, and huge volumes of data.This thesis proposes a study of the different algorithmic strategies implemented in mapping tools for long reads. After a presentation of the theoretical foundations of mapping, we analyse the compromises required for efficient management of these complex reads, in terms of both performance and alignment accuracy.Viruses are a particularly relevant case study. Their specific biological properties, combined with the frequent presence of viral genetic material mixed with host genetic material, present significant methodological challenges. This thesis examines the implications of these viral specificities for the design, evaluation and use of mapping tools adapted to long reads.Particular attention is paid to the comparison and benchmarking of mapping tools on viral, simulated and real datasets. We evaluate their robustness and sensitivity, as well as their impact on downstream bioinformatics analyses such as variant calling. In addition, we propose a new methodology to improve the detection of complex viral transcription structures, in particular sub-genomic RNAs (sgRNAs) in the case of SARS-CoV-2, while highlighting the influence of certain practices on the results.
L'émergence des technologies de séquençage de troisième génération, en particulier les lectures longues (long reads) produites par Oxford Nanopore Technologies et Pacific Biosciences, a profondément modifié les stratégies d'alignement des séquences en bioinformatique. Initialement conçus pour traiter des lectures courtes, les algorithmes de mapping ont dû évoluer afin de prendre en compte les caractéristiques propres aux long reads, notamment un taux d'erreur plus élevé, la fréquence accrue d'insertions et de délétions, ainsi que des volumes de données considérables.Cette thèse propose une étude approfondie des différentes stratégies algorithmiques mises en œuvre dans les outils de mapping pour long reads. Après une présentation des fondements théoriques du mapping, nous analysons les compromis nécessaires à une gestion efficace de ces lectures complexes, tant du point de vue de la performance que de la précision des alignements.Dans ce contexte, les virus constituent un cas d'étude particulièrement pertinent. En effet, leurs caractéristiques biologiques spécifiques associées à la présence fréquente de matériel génétique viral mélangé à celui de l'hôte, soulèvent des défis méthodologiques majeurs. Cette thèse s'intéresse aux implications de ces spécificités virales sur la conception, l'évaluation et l'utilisation des outils de mapping adaptés aux lectures longues.Une attention particulière est portée à la comparaison et à l'évaluation (benchmarking) d'outils de mapping sur des jeux de données viraux, simulés et réels. Nous examinons leur robustesse, leur sensibilité, ainsi que leur impact sur des analyses bioinformatiques en aval, telles que l'appel de variants (variant calling). En complément, nous proposons une nouvelle méthodologie pour améliorer la détection de structures transcriptionnelles virales complexes, notamment les ARN sous-génomiques (sgRNA) dans le cas du SARS-CoV-2, tout en mettant en lumière l'influence de certaines pratiques sur les résultats.
| Origine | Version validée par le jury (STAR) |
|---|---|
| Licence |
