De par la contrainte spatiale imposée par la taille du noyau dans lequel il est contenu, le génome se retrouve replié en trois dimensions (3D). Ce repliement induit la formation de structures organisées de manière hiérarchique. De ce fait, il est nécessaire d’aller au-delà d’une vision linéaire du génome pour comprendre le lien entre structures tridimensionnelles et fonctions associées. La technique Hi-C permet de cartographier l’organisation 3D du génome. L’analyse différentielle des données Hi-C, c’est-à-dire la comparaison des données issues de cette expérience entre plusieurs conditions biologiques, peut mettre en évidence des réarrangements dans la conformation spatiale du génome. Les résultats de ce type d’analyse contribuent à comprendre l’impact des réorganisations spatiales sur des processus tels que la régulation de l’expression des gènes ou la différenciation cellulaire.
Dans une première partie de la thèse, nous présentons un travail de comparaison de méthodes d’analyse différentielle de données Hi-C basées sur les pixels. Ce type de méthode effectue, pour chaque paire de positions génomiques, un test statistique mesurant la différence d’interaction entre les deux conditions biologiques étudiées. Nous avons réalisé une typologie des outils en fonction d’aspects techniques (implémentation, format de données en entrée, etc.) ainsi que méthodologiques (filtrages, normalisations, type de modèle statistique utilisé, type de prise en compte de la multiplicité des tests, etc.). Ensuite, nous nous sommes intéressés à l’évaluation des différents outils sur un jeu de données ne contenant pas de pixels différentiels, permettant de vérifier le contrôle correct de l’erreur de type I. Puis, nous avons évalué ces outils sur des données contenant des pixels différentiels et dont la position est connue, afin d’évaluer l’erreur de type II et donc la puissance de détection des outils. Cette comparaison a permis de mettre en avant les performances supérieures de la méthode diffHiC sur le contrôle de l’erreur de type I et la puissance de détection, par rapport aux autres outils.
Dans une seconde partie, nous présentons une nouvelle approche d’analyse différentielle – hicream – visant à identifier des régions différentielles de forme arbitraire. Cette approche a été motivée par les limitations des méthodes existantes d’analyse différentielle de données Hi-C. D’une part, les approches d’analyse différentielle basées sur les structures ne permettent pas de découvrir de nouvelles régions différentielles et ne fournissent pas toujours de garanties statistiques. D’autre part, les méthodes d’analyse basées sur les pixels produisent des résultats souvent peu interprétables avec des détections différentielles ponctuelles qui ne peuvent être généralisées à l’identification de régions différentielles. La méthode hicream est entièrement guidée par les données car elle définit les régions candidates au moyen d’un clustering. Ensuite, grâce aux résultats des tests fournis par diffHiC, elle s’appuie sur l’inférence post hoc pour évaluer chaque région candidate et fournir une proportion minimale de pixels différentiels dans chacune d’entre elles, permettant ainsi d’identifier les plus différentielles. La pertinence de la méthode a été démontrée à la fois sur des données semi-simulées et sur des données réelles en lien avec des signaux biologiques extérieurs. D’autre part, en comparant nos résultats à des outils d’identification de structures différentielles, nous avons pu montrer que nous pouvions trouver des clusters différentiels qui correspondent à des structures connues dans les données Hi-C telles que des TADs (Topologically Associating Domains) ou des compartiments. Enfin, l’interprétation des clusters différentiels détectés, de formes arbitraires, est facilitée par le développement d’une visualisation interactive des résultats. |
Due to spatial constraints imposed by the size of the nucleus in which it is contained, the genome is folded in three dimensions (3D). This folding leads to the formation of hierarchically organized structures. As a result, it is necessary to move beyond a linear view of the genome to understand the relationship between three-dimensional structures and their associated functions. The Hi-C technique allows for the mapping of the genome’s 3D organization. Differential analysis of Hi-C data – that is, comparing data from the experiment across multiple biological conditions – can reveal rearrangements in the genome’s spatial conformation. The results of this analysis contribute to understanding the impact of spatial reorganizations on biological processes such as gene expression regulation or cell differentiation.
In the first part of my thesis, we present a benchmark study of pixel-based differential analysis methods for Hi-C data. This type of method performs, for each pair of genomic positions, a statistical test measuring the difference in interaction between the two biological conditions under study. We provided a typology of the tools in terms of their technical aspects (implementation, input data format, etc.) as well as their methodological aspects (filtering, normalization, type of statistical model used, type of multiple testing correction, etc.). Next, we evaluated the various tools on a dataset with no differential pixels to assess type I error control. Then, we evaluated the tools on a dataset containing differential pixels with known positions in order to assess type II error and thus the tools’ detection power. This benchmark highlighted the superior performance of the diffHiC method in type I error control and in detection power, compared with the other tools.
In the second part, we present a new differential analysis approach – hicream – aimed at identifying differential regions of arbitrary shapes. This approach was motivated by the limitations of existing Hi-C data differential analysis methods. On the one hand, structure-based differential analysis approaches do not allow for the discovery of new differential regions and do not always provide statistical guarantees. On the other hand, pixel-based analysis methods often produce results that are difficult to interpret, with point-wise differential detections that cannot be generalized to the identification of differential regions. The hicream method is entirely data-driven, as it defines candidate regions using clustering. Then, using the tests results provided by diffHiC, it relies on post hoc inference to evaluate each candidate region and provide a minimum proportion of differential pixels within each, thereby identifying the most differential regions. The effectiveness of the method was demonstrated on both semi-simulated data and real data, in relation to external biological signals. Furthermore, by comparing our results to structure-based differential analysis results, we were able to demonstrate that we could identify differential clusters that correspond to differential structures in Hi-C data, such as TADs (Topologically Associating Domains) or compartments. Finally, the interpretation of the detected differential clusters was facilitated by the development of an interactive visualization tool, which also highlighted the shape diversity. |