Durant les dernières décennies, la recherche sur le microbiome intestinal a positionné ce dernier comme important régulateur de nombreux processus physiologiques chez l'humain. Propulsée par les technologies de séquençage à haut débit, la recherche sur l'écologie microbienne a connu un important changement de paradigme. Les méthodes d'isolation et de mise en culture de bactéries d'intérêt sont maintenant, de manière générale, remplacées par le séquençage génétique de communautés microbiennes complètes directement dans leur environnement. Ce type d'analyse, la métagénomique, a révélé l'immense catalogue de gènes bactériens présents dans l'environnement intestinal et a levé le voile sur la majorité silencieuse du microbiote : les microorganismes non-cultivables. Ce vaste catalogue de gènes microbiens représente une véritable mine d'information dans un contexte où la recherche tente de trouver des mécanismes moléculaires expliquant la relation entre le microbiome et la santé des individus. Dans ce contexte, l'apprentissage automatique, qui permet l'analyse de données complexes, peut être utilisé pour pointer vers des effecteurs microbiens d'intérêt. L'objectif du projet est d'utiliser les données métagénomiques d'individus malades et en santé dans une tâche de classification. Plus précisément, notre but est de comparer le pouvoir prédictif de différentes représentations du microbiome, toutes dérivées des données de séquençage en métagénomique non-ciblée. Notre étude a démontré que dans un contexte de classification de phénotype de l'hôte, les méthodes de représentation qui utilisent toute l'information génique séquencée permettent de meilleures performances de prédiction que celles qui utilisent exclusivement l'information contenue dans les banques de données de référence, comme les profils taxonomique et fonctionnel. Nos résultats suggèrent que l'utilisation exclusive de l'information a priori dans un contexte d'apprentissage automatique limite, d'une certaine façon, la possibilité de trouver de nouveaux effecteurs microbiens inconnus des banques de données. / During the last decades, research positioned the gut microbiome as a major regulator of numerous physiological processes in humans. Propelled by next-generation sequencing technologies, the research on microbial ecology has undergone a significant paradigm shift; generally, bacteria isolation and cultivation are now being replaced by genetic sequencing of whole bacterial communities directly from their environment. This type of analysis, referred as metagenomics, revealed the large catalog of microbial genes comprised in the gut environment and lifted the veil on the microbiota's silent majority: non-cultivable microorganisms. This vast catalog of genes represents a real mine of information in a context where research aims at finding molecular mechanisms to explain the relation between microbiome and host health. In this context, machine learning, which allows the analysis of complex data, can be used to point toward promising microbial features. The objective of this project is to use metagenomics data from healthy and diseased individuals in a classification task. More precisely, our goal is to compare the predictive power of different microbiome representations, all derived from untargeted metagenomics data. Our study has shown that in a context of host phenotype classification, representation methods that use all the available sequenced information allow better prediction performances than those that are based on reference databases, like the taxonomic and functional profiles. Our results suggest that the exclusive use of a priori information, in a machine learning context, limits, in a way, the possibility of finding new microbial effectors unknown from reference databases.
| Identifer | oai:union.ndltd.org:LAVAL/oai:corpus.ulaval.ca:20.500.11794/71431 |
| Date | January 2021 |
| Creators | Deschênes, Thomas |
| Contributors | Raymond, Frédéric, Di Marzo, Vincenzo |
| Publisher | Université Laval |
| Source Sets | Université Laval |
| Language | French |
| Detected Language | French |
| Type | info:eu-repo/semantics/masterThesis |
| Format | 1 ressource en ligne (ix, 57 pages), application/pdf |
| Rights | info:eu-repo/semantics/openAccess, https://corpus.ulaval.ca/jspui/conditions.jsp |
Page generated in 0.0021 seconds