Le cancer de l’ovaire est le cancer gynécologique avec la plus grande mortalité due à un diagnostique tardif au stade de maladie extensive péritonéale. Malgré les progrès de la chirurgie radicale et de la chimiothérapie les récurrences abdominales demeurent la cause la plus fréquente de mortalité. Il existe peu d’études de la maladie métastatique péritonéale. Notre hypothèse de travail est que les différences entre la maladie métastatique et la tumeur primaire sont primordiales dans la survenue d’une maladie résiduelle ou récurrente. Nous avons utilisé une approche exhaustive comprenant des études du transcriptome, des variations du nombre de copie (VNC) et des sequençages des exomes pour caractériser les différences entre lésions primaires, métastases péritonéales et métastases lymphatiques.Résultats: Notre étude démontre que les VNC varient de façon significative entre la tumeur primaire et la métastase peritonéale. Les différences d’expressions géniques bien que mineures permettent de retrouver les voies de signalisation primordiales pour le développement des métastases. Le séquençage des exomes montre très peu de différences en terme de polymorphisme. Par ailleurs la majorité des polymorphismes présents dans les métastases se retrouvent à une faible fréquence dans la tumeur primaire de façon concordante avec la théorie clonale. Conclusion: L’ensemble des résultats montre la possibilité d’une origine clonale de la maladie métastatique des cancers de l’ovaire comportant la majorité des anomalies au niveau des variations du nombre de copie. L’intégration de ces données permettrait d’optimiser les thérapeutiques ciblées. / Ovarian cancer is the most deadly gynecological cancer. The high rate of mortality is due to the large tumor burden with extensive metastatic lesion of the abdominal cavity. There are few studies on genetic alterations and their consequences in peritoneal metastatic tumors when compared to their matched ovarian primary tumors. Our hypothesis is that differences between the metastatic and primary lesions might be the cause of residual disease and, most importantly may have a role in post-chemotherapeutic recurrences. Methods: We conducted integrated genomics analysis on matched primary and metastatic tumors from 9 patients. In the papers presented here we analyze genome-wide Copy Number Variations (CNVs) using SNP Arrays targeting peritoneal metastasis differences, Gene expression differences using Microarrays also targeting peritoneal metastasis differences, and for some patients, Single Nucleotide Polymorphisms (SNPs) in genes through Exome sequencing.Results: Here we show that CNVs vary significantly between primary and metastatic tumors and include genes that have been considered potential chemotherapeutic targets based on primary tumor only data. Gene expression differences, while minor, showed highly statistically significant enrichment of genes in ovarian cancer critical pathways. In agreement with findings in other cancers, exome sequencing data revealed very few SNP differences of which most metastasis enriched SNPs were present at very low levels in the primary tumor. The results presented here should allow better design of therapies to target residual ovarian cancer disease.

La caractérisation exaustive des variations de l'ADN peut aider à progresser dans de nombreux champs liés à la génomique du cancer. Le séquençage nouvelle génération (NGS en anglais pour Next Generation Sequencing) est actuellement la technique la plus efficace pour déterminer une séquence ADN, du aux faibles coûts et durées des expériences comparé à la méthode de séquençage traditionnelle de Sanger. Cependant, la détection de mutations à partir de données NGS reste encore un problème difficile, en particulier pour les mutations somatiques présentes en très faible abondance comme lorsque l'on essaye d'identifier des mutations sous-clonales d'une tumeur, des mutations dérivées de la tumeur dans l'ADN circulant libre, ou des mutations somatiques dans des tissus normaux. La difficulté principale est de précisement distinguer les vraies mutations des artefacts de séquençage du au fait qu'ils atteignent des niveaux similaires. Dans cette thèse nous avons étudié la nature systématique des erreurs dans les données NGS afin de proposer des méthodologies efficaces capables d'identifier des mutations potentiellement en faible abondance. Dans un premier chapitre, nous decrivons needlestack, un nouvel outil d'appel de variants basé sur la modélisation des erreurs systématiques sur plusieurs échantillons pour extraire des mutations candidates. Dans un deuxième chapitre, nous proposons deux méthodes de filtrage des variants basées sur des résumés statistiques et sur de l'apprentissage automatique, dans le but de d'améliorer la précision de la détection des mutations par l'identification des erreurs non-systématiques. Finalement, dans un dernier chapitre nous appliquons ces approches pour développer des biomarqueurs de détection précoce du cancer en utilisant l'ADN circulant tumoral / Comprehensive characterization of DNA variations can help to progress in multiple cancer genomics fields. Next Generation Sequencing (NGS) is currently the most efficient technique to determine a DNA sequence, due to low experiment cost and time compared to the traditional Sanger sequencing. Nevertheless, detection of mutations from NGS data is still a difficult problem, in particular for somatic mutations present in very low abundance like when trying to identify tumor subclonal mutations, tumor-derived mutations in cell free DNA, or somatic mutations from histological normal tissue. The main difficulty is to precisely distinguish between true mutations from sequencing artifacts as they reach similar levels. In this thesis we have studied the systematic nature of errors in NGS data to propose efficient methodologies in order to accurately identify mutations potentially in low proportion. In a first chapter, we describe needlestack, a new variant caller based on the modelling of systematic errors across multiple samples to extract candidate mutations. In a second chapter, we propose two post-calling variant filtering methods based on new summary statistics and on machine learning, with the aim of boosting the precision of mutation detection through the identification of non-systematic errors. Finally, in a last chapter we apply these approaches to develop cancer early detection biomarkers using circulating tumor DNA