Computational methods for analysis of high throughput sequencing of IG and TR gene rearrangements

Mgr. Vojtěch Bystrý, Ph.D.

Doctoral thesis

Anotácia:

Proteiny z rodiny imunoglobulinů patří do skupiny signálních proteinů exprimovaných na povrchu buněk. Tyto proteiny hrají fundamentální roli v rozpoznávání patogenů a jsou známé svou vrozenou variabilitou. Repertoár imunoglobulinů v organizmu je důležitým diagnostickým nástrojem. Analýza těchto repertoárů je mnohdy klíčová pro hlubší porozumění širokému spektru nemocí jako lymfomy, infekce nebo alergie. Nástupem sekvenačních nástrojů nové generace byl umožněn mnohem detailnější vhled do variability imunoglobulinů. To spolu ovšem přináší i nové nároky na bioinformatickou analýzu vzhledem k ohromné variabilitě a komplexnosti sekvenovaných dat ve spojení s nedokonalostí sekvenačních technologií. V současné době bylo vytvořeno pouze pár nástrojů pro analýzu těchto sekvencí. V rámci našeho výzkumu jsme vytvořili softwarový nástroj ARResT/Interrogate pro kompletní analýzu sekvenačních dat z antigen receptorů. V této disertační práci představujeme výpočetní metody, které jsou základem tohoto nástroje. Nejprve zde popisujeme metodu pro citlivou a jednoznačnou identifikaci biologicky příbuzných sekvencí a zachycení jejich podobnosti ve stromovém grafu. Ve druhé části se zabýváme pravděpodobnostním modelem navrženým pro kategorizaci a reprezentaci klinicky významných skupin sekvencí a přiřazení nových sekvencí těmto skupinám. Poslední část práce se zabývá interaktivním, webovým nástrojem pro organizaci, filtrování a vizualizaci zmíněných dat, včetně speciálních metrik pro srovnání, třídění a statistické testování. Celý projekt, jehož metody a algoritmy jsou zde z větší části popsané, byl vytvořen v rámci EuroClonality-NGS Consortium, sítě významných evropských laboratoří zapojených do antigenové analýzy sekvencí receptorů. S touto významnou podporou usilujeme o zapojení do standardizovaného IG/TR NGS analytického protokolu pro oba výzkumy a klinickou aplikaci.

Abstract:

The immunoglobulin superfamily of proteins is a group of recognition and signalling proteins expressed on cell surfaces. Many members of the group are known for their inherent cell-to-cell variability, playing a fundamental role in pathogen recognition and immunity. The spectrum of immunoglobulins in an individual (repertoire) is an important diagnostic tool. Analysis of immunoglobulin (IG) and T cell receptor (TR) repertoires – or immunoprofiling, has been instrumental in understanding a wide range of diseases with an underlying immune basis, such as lymphomas, infections, and allergies. With the introduction of next generation sequencing (NGS) methods, much more detailed insights are now available. However, this also poses unique challenges for sequence analysis due to the enormous inherent complexity, huge diversity and temporal variation of immune responses combined with imprecise and bias-prone nature of current NGS technologies. Methods and algorithms designed to process NGS data of the general non-rearrangeable genes are not very well applicable to the problem of antigen receptor analysis, because of their dependency on a reference sequence. Surprisingly not many specialized programs have been developed to address these analytical challenges. Within our research we developed ARResT/Interrogate, an integrated software platform able to process antigen receptor sequences all the way from the sequencer to annotation, visualization and clinical suggestions. In the thesis we introduce a set of computational methods representing the backbone of this platform. Specifically, we focus on three main areas. Firstly, we describe methods for sensitive and unambiguous identification of biologically related sequences and how to capture their similarity in a tree structure. In the second part we present a probabilistic model designed to capture and represent clinically relevant groups of sequences and to assign new sequences to these groups. The last part of the thesis is centered around an interactive, web-based tool for organizing, filtering and visualizing annotated data, which includes specialized metrics for data comparison, clustering and statistical testing. The whole project, of which the methods and the algorithms described herein are a major part, was conducted within the scope of the EuroClonality-NGS Consortium, a network of major European laboratories involved in antigen receptor sequence analysis. With this remarkable support it strives to become a part of standardized IG/TR NGS analysis protocol for both research and clinical applications.

Keywords

antigen receptor, bioinformatics, next generation sequencing, sequence analysis, immunoprofiling, minimal residual disease, clonality, CLL subset, Baeys classifier, immunoglobulin, T-cell receptor, alignment, lineage tree

Jazyk práce: English

Datum vytvoření / odevzdání či podání práce: 29. 4. 2016

Obhajoba závěrečné práce

• Obhajoba proběhla 1. 9. 2016
• Vedúci: Ing. Matej Lexa, Ph.D.
• Oponent: prof. Ing. Ivo Provazník, Ph.D., doc. Mgr. Tomáš Vinař, PhD.

Masaryk University

Faculty of Informatics

Doctoral programme / odbor:
Informatics (4-years) / Informatics