Données issues des «Omics» en Biologie et Médecine

Transcription

1 BIG USPC Données issues des «Omics» en Biologie et Médecine Jean-Michel Camadro Pôle «Sciences de la Vie et Santé» USPC 30 Novembre 2015

2 «Omics» en Biologie et Médecine

3 L univers des «Omics» G T M P

4 Les Omics donnent accès à une description des phénotypes dans des conditions normales et pathologiques Chem. Soc. Rev., 2011, 40,

5 Vers une médecine personnalisée, un objectif ambitieux des «Omics»

6 Les données «Omics» sont produites principalement par des approches NGS et MS Next Generation Sequencing (Nucleic acids) Exome/re-sequencing analysis Chromatin Immunoprecipitation (ChIP) Transcriptome analysis De novo assembly Small RNA analysis Mass Spectrometry (Proteins and metabolites) Quantitative proteomics Metabolomics

7 Les «Omics» au sein de SPC NGS Imagine Necker Institut Cochin Campus PRG (CEDC, IJM) IUH St-Louis Génomique Bichat MS 3P5 (Paris Diderot) Institut Jacques Monod P13; Beaujon Métabolomique Pharma P5 Biotyper BFA P7

8 Statistiques mondiales sur le NGS (29 Nov NGI, Japan) No. Library strategy Run Data Counts 1 WGS WXS RNA-Seq AMPLICON ChIP-Seq POOLCLONE SELEX Bisulfite-Seq CLONE WGA mirna-seq EST DNase-Hypersensitivity Targeted-Capture MeDIP-Seq MNase-Seq FL-cDNA ncrna-seq Tn-Seq MRE-Seq RAD-Seq MBD-Seq WCS RIP-Seq CTS FAIRE-seq CLONEEND ChIA-PET Synthetic-Long-Read FINISHING VALIDATION 29 - Others (unknown,other etc.) WGS: Whole genome shotgun sequencing: An assay in which DNA is the input molecule derived from fragmented whole genome preparation is sequenced. WXS: Random exon sequencing: An assay in which DNA is the input molecule derived from exons is sequenced. RNA-Seq: Whole Transcriptome Shotgun Sequencing: Random sequencing of whole transcriptome, also known as Whole Transcriptome Shotgun Sequencing, or WTS AMPLICON: Amplicon sequencing: An assay in which a DNA or RNA input molecule amplified by PCR is sequenced. ChIP-Seq: Direct sequencing of chromatin immunoprecipitates: An assay in which chromatin immunoprecipitation with high throughput sequencing is used to identify the cistrome of DNAassociated proteins. POOLCLONE: Pooled clone sequencing: An assay in which DNA is the input molecule derived from pooled clones (for example BACs and Fosmids) is sequenced using high throughput technology using shotgun methodology. Bisulfite-Seq: Sequencing following treatment of DNA with bisulfite to determine methylation status: An assay in which DNA is the input molecule derived from a bisulphite treatment of DNA to convert cytosine residues to uracil to determine methylation status.

9 Des pipelines d analyse spécifiques aux différentes approches NGS

10 Les principales plateformes NGS Illumina; Ion Torrent PGM; Pacific Biosciences RS Roche 454; SOLiD

11 Exemple de données produites sur l un des systèmes implémenté dans SPC The HiSeq2000 can run two flow cells independently. - Read length: Single read 50 (SR50) or SR100 and Paired-end 50 (PE50) or PE Up to 3000 mio reads and 600 Gbases per run with both flow cells and PE Per lane up to mio reads and 37.5 Gbases with PE100.

12 Caractéristiques des outputs There are typically million clusters seen passing filter per HiSeq2000 lane which correspond to mio reads in a Single Read (SR) and to mio reads in a Paired-End (PE) run. A typical Paired-End 100 base run takes approximately 12 days to complete on the instrument (HiSeq2000) (nota: beaucoup plus rapide sur des systèmes plus récents) Average gzipped FastQ size per HiSeq2000 lane: - SR50, 8-10 Gigabyte (GB) - PE100, GB Platforms often distribute the reads in FastQ packages of 50mio reads. Gzipped 50mio FastQs of 50/100 base reads have 2.5/5 GB, after unzipping 7.5/15 GB

13 Pipeline d analyse Génomique (DNA) Sample Library preparation Nest Gen Sequencing Illumina Ion PacBio Roche 454 Raw Data Size ~TB e.g..fastq files SVs identified (Paire-end, read depth, split-read algorithms) BreakSeq, DELLY, Pindel SNV identification and effect GATK, HugeSeq, SAMTools, SIFT, Polyphen, Annovar Mapping of reads ELAND II, Bowtie, SOAP, Novoaling MAQ, BWA, GATK Quality control FastQC, Trimming, CutAdapt, Picard

14 Importance critique des bases de données de référence, qui peuvent contenir plusieurs centaines de millions d entrées

15 Transcriptomique: un transfert technologique massif vers le NGS Microarray-based technologies NGS Statistics from Natl Genomics Inst. Japan

16 Pipeline d analyse de transcriptome par RNA-Seq RNA Sample Library preparation Nest Gen Sequencing Single or pairedend sequencing data e.g..fastq files; size ~ GB Normalization, differential expression CuffDiff, DESeq Annotation/ assembly Cufflinks, Scripture Mapping of reads Tophat, BWA Quality control FastQC, Trimming, CutAdapt, Picard

17 Quelle corrélation Transcriptome/Protéome? => Une approche émergente clé: la traductomique

18 Nécessité de déposer les données dans des bases performantes Data (Accession prefix) NCBI (SRA) (rate%) EBI (ERA) (rate%) DDBJ (DRA) (rate%) Total Submission Data (SRA,ERA,DRA) 287,142 (54.7%) 234,996 (44.8%) 2,379 (0.4%) 524,517 Experiment Data (SRX,ERX,DRX) 1,421,293 (70.5%) 570,738 (28.3%) 21,976 (1%) 2,014,007 Run Data (SRR,ERR,DRR) 2,910,943 (82.3%) 597,490 (16.9%) 24,712 (0.6%) 3,533,145 Sample Data (SRS,ERS,DRS) 1,118,573 (70.7%) 441,388 (27.9%) 20,437 (1.2%) 1,580,398 Study Data (SRP,ERP,DRP) 66,175 (85.5%) 8,774 (11.3%) 2,430 (3.1%) 77,379

19 Pipeline d analyse Protéomique quantitative Quantitation sample preparation SILAC, itraq, TMT, Labelfree Liquid Chromatography Mass Spectrometry profiling (LC-MS/MS) Convert to.mzml for Open Source MSConvert, TPP Data annotation/ Consolidation Uniprot / NCBI annotations Normalization Ratios (µ = 1); distinct runs Quality Control, false discovery rate estimations MS/MS spectra identification X!Tandem, SEQEST, Mascot, Byonic Performances actuelles des meilleurs systèmes: 1 µg de protéine (HeLa cells) donne MS/MS sur un gradient de 90 min, peptides caractérisés et 5000 protéines identifiées

20 Dynamique du protéome plasmatique humain

21 Data Dependent Acquisition vs Data Independant Acquisition

22 DIA method

23 Pipeline d analyse Métabolomique Gas or Liquid Chromatography Mass Spectrometry profiling (GC/LC-MS) Convert to.mzml for Open Source MSConvert Annotation PubChem, KEGG, Metlin, MetaCyc, Reactome Quality control Retention time filtering, average replicats Id missing data Align mass and retention time data XCMS, SIEVE, Matlab, MassHunter Profiler, MzMine

24 Métabolomes humains 3100 (T3DB) Toxins/Env. Chemicals 1000 (DrugBank) Drug metabolites (FooDB) Food additives/phytochemicals 1450 (DrugBank) Drugs 8500 (HMDB) Endogenous metabolites M mm M nm pm fm

25 Importance déterminante des bases de données externes

26 Interactions avec d autres disciplines 1) «Proteomics is the shine of bioinformatics» Nature Biotechnology (2004) doit être maintenant lu comme «Omics is the shine of bioinformatics» 2) Mathématiques : biostatistiques, modélisation de systèmes complexes; théorie des graphes (représentation des données pour en extraire du sens biologique) 3) Chimie: développement de nouveaux réactifs 4) Physique: nouveaux instruments, nouveaux capteurs, traitement du signal 5) Sciences humaines et sociales: Droit, éthique

27 Quelles formations pour les «Omics»? Peu de formations spécifiques: modules ou UE «génomique» dans des cursus t.q. le Master Génomique et Productivité Végétale (GPV), Master Biologie- Informatique/Bioinformatique (BiB), Master de Génétique ou BC2T (P5-P7) Enseignements de Biostatistiques à différents niveaux (L-M) Master BCPP: spécialité Master-Pro «Ingénierie de plateforme en biologie» (P5-P7) Formation «sur le tas» Formations assurées par les fournisseurs d instrumentation => Initiative récente de proposition de création d un DU de bioinformatique génomique

28 Besoins en infrastructure Moyens de stockage importants, en regard de la nécessité de conserver les data pendant des durées difficilement évaluables Nécessité d assurer la conservation des données de manière confidentielle et sécurisée (données «patient») MISE EN PLACE DE SERVEURS GALAXY (N et P) pour le partage des applications usuelles Gestion appropriée des transferts de données Ne pas négliger les salles informatiques pour les enseignements