Identification de signatures responsables d erreurs systématiques dans le séquençage de l exome

Transcription

1 Identification de signatures responsables d erreurs systématiques dans le séquençage de l exome à la recherche en laboratoire Théophile Batoz Mai 2014

2 Identification de signatures responsables d erreurs systématiques dans le séquençage de l exome à la recherche en laboratoire Théophile Batoz Mai 2014

3 Laboratoire : TIMC-IMAG équipe BCM Techniques de l Ingénierie Médicale et de la Complexité Thèse de Laure Sambourg : «Décrypter les données omiques : importance du contrôle qualité. Application au cancer de l ovaire.» données produites par TCGA à la recherche en laboratoire - Théophile Batoz

4 Qualité des données de séquençage : Un enjeu majeur Article de l AFSSAPS en 2011 : «le séquençage à haut débit doit faire face encore à plusieurs limitations( ) [il] produit des quantités très importantes de données dont la gestion n est pas totalement maîtrisée et encore moins automatisée.» Illumina, Roche, Ion torrent développent des filtres à la recherche en laboratoire - Théophile Batoz

5 Appel des génotypes Pour une position donnée: - X reads couvrant la position - Un read est variant ou non Le pourcentage de variants: 0% Homozygote référence Autour de 50% Hétérozygote 100% Homozygote variant à la recherche en laboratoire - Théophile Batoz

6 Comparaison des brins d une position Chaque position : 2 brins portent la même information En théorie : proportions de reads variants similaires Expérimentalement : 40% discordants à la recherche en laboratoire - Théophile Batoz

7 du problème Constitution de jeux d apprentissage Adaptation du logiciel d appel des génotypes pour isoler les discordants Apprentissage de signatures Matrice Poids Position (comptage, fréquence, score) Mots fréquents (différentes tailles, méthode de comptage) Modèle de Markov caché à la recherche en laboratoire - Théophile Batoz

8 Matrice Poids-Position Jeu d apprentissage : Séquences de 7 nucléotides p A1 p T1 p G1 p C1 p A2 p T2 p G2 p C2 p A3 p T3 p G3 p C3 p A4 p T4 p G4 p C4 p A5 p T5 p G5 p C5 p A6 p T6 p G6 p C6 p A7 p T7 p G7 p C7 Fréquence ou Score : (N, j) A, C, T, G x{1,, 7} p Nj = p Nj = log f Nj nb. de N en j nb.de séquences = f Nj a f t Nj = S Nj à la recherche en laboratoire - Théophile Batoz

9 Mots Fréquents On découpe chaque séquence en mots Exemple pour ACCTTTA: 6N ACCTTT 5N ACCTT 4N ACCT 3N ACC... Ensuite : Ratio: nb occurrences app nb occurences temoin CCTTTA CCTTT CTTTA CCTT CTTT TTTA CCT CTT TTT Test de comparaison de proportions pour chaque mot TTA à la recherche en laboratoire - Théophile Batoz

10 Modèle de Markov caché à la recherche en laboratoire - Théophile Batoz

11 Présentation des résultats 50% des erreurs sont de type Thymine > Guanine 77% des erreurs sont du type [A,C,T]>G Matrice de T>G : A T G C / 1.41 / / [A,C,G]>T comportent plus de T [A,G,T]>C comportent plus de C [C,G,T]>A comportent plus de A à la recherche en laboratoire - Théophile Batoz

12 Mots fréquents A>T ( ) Mot u 2α f apprentissage f temoin GTTTTT TTTT GTTTT u 2α = φ 1 (1 α) φ étant la densité de N(0,1) à la recherche en laboratoire - Théophile Batoz

13 Mots fréquents A>T ( ) A>C ( ) C>A ( ) GTTTTT GCCC TGGCTA TTTT CCC GAAA GTTTT GGCTCC GAAAA C>T ( ) G>C ( ) T>A ( ) GCTT GCTC AAAA CGGCTT GGCTC GGCTA TGGCTT TGGCTC CGAAAA G>T ( ) T>C ( ) G>A ( ) CTT GCCC GCTA GGCTT GGCCC TGGCT TGGCTT CAGCCC CGGCTA A>G ( ) C>G ( ) T>G ( ) GCGG GGC CGG GGGG GGCTG CGGG GGCTGG TGGCAG GGCGGG à la recherche en laboratoire - Théophile Batoz

14 massifs et à différents niveaux : Taille des échantillons en fonction du type d erreur Matrice poids position Mots fréquents nombreux et cohérents vis-à-vis des matrices A approfondir : Taille des échantillons Méthode de comptage des mots P-valeur pour certains mots inférieur à (u>37) à la recherche en laboratoire - Théophile Batoz

15 Merci à Nicolas Thierry-Mieg Marie-Paule Cani A l équipe BCM, au laboratoire TIMC-Imag