Aplikace bioinformatických přístupů pro analýzu struktury rostlinných genomů

Mgr. Petra Hloušková, Ph.D.

Doctoral thesis

Bioinformatic approaches for structural analysis of plant genomes

Abstract:

Vyšší rostliny jsou známé svou extrémní variabilitou ve velikosti genomu, způsobenou buďto polyploidií a/nebo proliferací repetitivních sekvencí. Kromě jaderného genomu rostlinné buňky obsahují extranukleární, chloroplastové a mitochondriální genomy. Zejména chloroplastové sekvence představují užitečný zdroj informací pro řešení fylogenetických vztahů na různých taxonomických úrovních. Prvním cílem této dizertační práce bylo provedení fylogenetických analýz za účelem získání a vyřešení fylogenetických vztahů v rámci kladu Hesperis, jedné z hlavních vývojových linií čeledi brukvovitých (Brassicaceae), a datovat diverzifikaci této linie pomocí chloroplastových sekvencí získaných z low-pass Illumina sekvenačních dat. Bylo prokázáno, že klad Hesperis představuje monofyletickou linii, která se diverzifikovala v období miocénu. Druhým cílem této dizertační práce bylo vysvětlit podstatu největších diploidních jaderných genomů v kladu Hesperis. S využitím dat sekvenování nové generace a bioinformatických nástrojů pro identifikaci repetitivních sekvencí jsme se snažili odpovědět na to, jak se kvalitativně a kvantitativně liší obsah repetitivních sekvencí mezi analyzovanými genomy kladu Hesperis. Jelikož u analyzovaných genomů nedošlo k recentní duplikaci celého genomu, zajímalo nás, zda se tyto genomy skládají z velkého počtu různých repetitivních sekvencí nebo z několika málo rodin repetic mnohonásobně amplifikovaných. Výsledky práce prokazatelně ukazují, že „obezita” genomů v kladu Hesperis byla způsobena proliferací LTR retrotranspozonů. Zaměřili jsme se také na identifikaci tandemových repetic, zejména centromerických satelitů. Sestavení centromerických oblastí stále představuje obtížný a náročný bioinformatický úkol, avšak nově vyvinuté přístupy využívající sekvenační data nové generace umožňují snadnější identifikaci satelitní DNA. Podařilo se nám in silico identifikovat satelitní sekvence, které byly následně použity k identifikaci (peri)centromerických chromozomových oblastí u druhů tribu Arabideae (čeleď brukvovitých).

Abstract:

Land plants are well known for their extensive genome size variation. The genome size range is primarily caused by polyploidy and/or proliferation of repetitive sequences. In addition to the nuclear genome, plant cells contain extranuclear, chloroplast and mitochondrial genomes. In particular, chloroplast sequences are useful to resolve the phylogenetic relationships at different taxonomic levels. The first aim of the thesis was to conduct the phylogenetic analyses to obtain and resolve intratribal relationships within the Hesperis clade, one of the major lineages in the mustard family (Brassicaceae), and to date the diversification in this clade using whole-chloroplast sequences retrieved from low-pass Illumina sequence data. It was confirmed that the Hesperis clade is a well-supported monophyletic lineage with Miocene tribal diversification. The second aim of the thesis was to explain the cause(s) of genome size variation in the diploid representatives of the Hesperis clade, containing the largest nuclear genomes in the mustard family. Using low-pass NGS data and bioinformatics tools for repeat identification, we aimed to identify qualitative and quantitative differences in the repeat content between the analyzed Hesperis-clade genomes. In the absence of recent wholegenome duplication events, we wanted to know whether these genomes are composed of a large number of different repetitive sequences, or of a single or few repeat families amplified to high copy numbers. Our results show that genome obesity has been caused by proliferation of LTR retrotransposons. We were also interested in the identification of tandem repeats, mainly centromericspecific satellites. Assembly of centromeric regions still represents a difficult and challenging bioinformatic task, however, newly developed approaches using low-pass sequence data have made the identification of satellite DNA feasible. We were able to in silico identify putative satellite sequences, which were used to identify (peri)centromeric chromosome regions in the Arabideae species (Brassicaceae).

Keywords

Rostlinný genom, Variabilita ve velikosti genomu, Repetitivní DNA, Transpozibilní elementy, Retrotranspozony, Tandemové repetice, Chloroplastová DNA, Fylogenetika, Assembly, Identifikace repetic, Sekvenování nové generace, Plant genome, Genome size variability, Repetitive DNA, Transposable elements, Retrotransposons, Tandem repeats, Chloroplast DNA, Phylogenetics, Repeat identification, Next generation sequencing

Language used: English

Date on which the thesis was submitted / produced: 3. 3. 2020

Thesis defence

• Date of defence: 24. 4. 2020
• Supervisor: prof. Mgr. Martin Lysák, Ph.D.
• Reader: Mgr. Eva Hřibová, Ph.D., Mgr. Vratislav Peška, Ph.D.

Masaryk University

Faculty of Science

Doctoral programme / field:
Genomics and Proteomics / Genomics and Proteomics