Méthodes et algorithmes pour l’amélioration de l’inférence de l’histoire évolutive des génomes
Thesis or Dissertation
Abstract(s)
Les phylogénies de gènes offrent un cadre idéal pour l’étude comparative des génomes.
Non seulement elles incorporent l’évolution des espèces par spéciation, mais permettent aussi
de capturer l’expansion et la contraction des familles de gènes par gains et pertes de gènes.
La détermination de l’ordre et de la nature de ces événements équivaut à inférer l’histoire
évolutive des familles de gènes, et constitue un prérequis à plusieurs analyses en génomique
comparative. En effet, elle est requise pour déterminer efficacement les relations d’orthologies
entre gènes, importantes pour la prédiction des structures et fonctions de protéines et les
analyses phylogénétiques, pour ne citer que ces applications.
Les méthodes d’inférence d’histoires évolutives de familles de gènes supposent que les
phylogénies considérées sont dénuées d’erreurs. Ces phylogénies de gènes, souvent recons-
truites à partir des séquences d’acides aminés ou de nucléotides, ne représentent cependant
qu’une estimation du vrai arbre de gènes et sont sujettes à des erreurs provenant de sources
variées, mais bien documentées. Pour garantir l’exactitude des histoires inférées, il faut donc
s’assurer de l’absence d’erreurs au sein des arbres de gènes. Dans cette thèse, nous étudions
cette problématique sous deux aspects.
Le premier volet de cette thèse concerne l’identification des déviations du code génétique,
l’une des causes d’erreurs d’annotations se propageant ensuite dans les phylogénies. Nous
développons à cet effet, une méthodologie pour l’inférence de déviations du code génétique
standard par l’analyse des séquences codantes et des ARNt. Cette méthodologie est cen-
trée autour d’un algorithme de prédiction de réaffectations de codons, appelé CoreTracker.
Nous montrons tout d’abord l’efficacité de notre méthode, puis l’utilisons pour démontrer
l’évolution du code génétique dans les génomes mitochondriaux des algues vertes.
Le second volet de la thèse concerne le développement de méthodes efficaces pour la
correction et la construction d’arbres phylogénétiques de gènes. Nous présentons deux
méthodes exploitant l’information sur l’évolution des espèces. La première, ProfileNJ ,
est déterministe et très rapide. Elle corrige les arbres de gènes en ciblant exclusivement
les sous-arbres présentant un support statistique faible. Son application sur les familles de gènes d’Ensembl Compara montre une amélioration nette de la qualité des arbres,
par comparaison à ceux proposés par la base de données. La seconde, GATC, utilise un
algorithme génétique et traite le problème comme celui de l’optimisation multi-objectif de
la topologie des arbres de gènes, étant données des contraintes relatives à l’évolution des
familles de gènes par mutation de séquences et par gain/perte de gènes. Nous montrons
qu’une telle approche est non seulement efficace, mais appropriée pour la construction
d’ensemble d’arbres de référence. Gene trees offer a proper framework for comparative genomics. Not only do they provide
information about species evolution through speciation events, but they also capture gene
family expansion and contraction by gene gains and losses. They are thus used to infer
the evolutionary history of gene families and accurately predict the orthologous relationship
between genes, on which several biological analyses rely.
Methods for inferring gene family evolution explicitly assume that gene trees are known
without errors. However, standard phylogenetic methods for tree construction based on se-
quence data are well documented as error-prone. Gene trees constructed using these methods
will usually introduce biases during the inference of gene family histories. In this thesis, we
present new methods aiming to improve the quality of phylogenetic gene trees and thereby
the accuracy of underlying evolutionary histories of their corresponding gene families.
We start by providing a framework to study genetic code deviations, one possible reason
of annotation errors that could then spread to the phylogeny reconstruction. Our framework
is based on analysing coding sequences and tRNAs to predict codon reassignments. We first
show its efficiency, then apply it to green plant mitochondrial genomes.
The second part of this thesis focuses on the development of efficient species tree aware
methods for gene tree construction. We present ProfileNJ , a fast and deterministic correction
method that targets weakly supported branches of a gene tree. When applied to the gene
families of the Ensembl Compara database, ProfileNJ produces an arguably better set of
gene trees compared to the ones available in Ensembl Compara. We later use a different
strategy, based on a genetic algorithm, allowing both construction and correction of gene
trees. This second method called GATC, treats the problem as a multi-objective optimisation
problem in which we are looking for the set of gene trees optimal for both sequence data
and information of gene family evolution through gene gain and loss. We show that this
approach yields accurate trees and is suitable for the construction of reference datasets to benchmark other methods.
Collections
This document disseminated on Papyrus is the exclusive property of the copyright holders and is protected by the Copyright Act (R.S.C. 1985, c. C-42). It may be used for fair dealing and non-commercial purposes, for private study or research, criticism and review as provided by law. For any other use, written authorization from the copyright holders is required.