Mots-Clés

RNAseq Splicing Benchmarking isoforms Acanthamoeba castellanii

Description

Dans les cellules eucaryotes, l'expression de chaque gène est finement orchestrée par un réseau complexe de processus de régulation affectant les étapes de maturation du transcrit, de la transcription nucléaire à l'exportation cytosolique et à l'utilisation de l'ARNm. Une étape cruciale de ce réseau de régulation est représentée par l'épissage du pré-ARNm, le processus moléculaire qui permet l'élimination des séquences introniques et la réunion des exons. 

Ce qui fait de l'épissage un acteur exceptionnel dans le contrôle de l'expression des gènes est sa flexibilité, qui permet une augmentation remarquable du potentiel de codage du génome par la sélection alternative d'exons. La mise en évidence d'un épissage alternatif nécessite d'accéder aux transcrits issus d'un même gène. La majorité des pipelines et outils permettant d'étudier l'épissage alternatif, nécessitent la disponibilité de génome de référence de bonne qualité (Vitting-Seerup et al,2014, Majoros et al,2014, Rashe et al 2014, Alalancos et al 2015, Shi et al, 2015, Sacomoto et al, 2012).  C'est dans ce but que nous souhaitons benchmaker des outils de détection de l'épissage alternatif en absence de génome de référence (Si et all, 2017). Cette étude sera réalisée sur un grand jeu de données RNAseq chez l’amibe Acanthamoeba castellanii pour laquelle il y a un génome de référence, mais seulement à 80 % de complétude (Clarke et al,2013).  

L'étudiant aura en charge la réalisation d’une étude bibliographique pour faire un état des lieux des outils existants, et les benchmarker sur le transcriptome d’ Acanthamoeba castellanii dans un deuxième temps (Riepe et al, 2021; Hooper 2014, Alamancos et al, 2014; Li et al, 2014). Les avantages et les limitations de ces outils/méthodes seront améliorés par une approche de compilation. Selon le souhait et les compétences de l’étudiant le développement d’un pipeline NextFlow (Di Tommaso et al, 2017) pour l’automatisation des analyses pourra être envisagé.

Nous cherchons un étudiant M2, motivé avec un intérêt pour les approches « omique ». Maitriser l’environnement Linux est souhaitable, mais n’est pas exigé.  

Références :   

Alamancos, G. P., et al. 2014. Methods to study splicing from high-throughput RNA sequencing data. Methods Mol Biol 1126:357-397.

Alamancos, G. P., et al. 2015. Leveraging transcript quantification for fast computation of alternative splicing profiles. RNA 21 (9):1521-1531

Di Tommaso, P., Chatzou, M., Floden, E. W., Barja, P. P., Palumbo, E., & Notredame, C. (2017). Nextflow enables reproducible computational workflows. Nature Biotechnology, 35(4), 316–319. doi:10.1038/nbt.3820

Hooper, J. E. 2014. A survey of software for genome-wide discovery of differential splicing in RNA-Seq data. Hum Genomics 8 (1):3.

Levin, L., et al. 2015. LEMONS - A Tool for the Identification of Splice Junctions in Transcriptomes of Organisms Lacking Reference Genomes. PLoS One 10 (11):e0143329.

Li, H. D., et al. 2014a. The emerging era of genomic data integration for analyzing splice isoform function. Trends Genet 30 (8):340-347.

Rasche, A., et al. 2014. ARH-seq: identification of differential splicing in RNA-seq data. Nucleic Acids Research 42 (14):e110-e110

Sacomoto, G. A., et al. 2012. KISSPLICE: de-novo calling alternative splicing events from RNA-seq data. BMC Bioinformatics 13 Suppl 6 (Suppl 6):S5.

Shi, Y., et al. 2015. rSeqNP: a non-parametric approach for detecting differential expression and splicing from RNA-Seq data. Bioinformatics 31 (13):2222-2224

Si, X., et al. 2017. Survey of gene splicing algorithms based on reads. Bioengineered 8 (6):750-758.

Vitting-Seerup, K., et al. 2014. spliceR: an R package for classification of alternative splicing and prediction of coding potential from RNA-seq data. BMC Bioinformatics 15 (1):81.