Matthieu David, doctorant au sein de l’équipe COMBI, soutiendra sa thèse intitulée « Découverte de modifications chimiques par les protéines : identification rapide de jeux de spectres de masse sans filtre de masse »

jeudi 24 octobre 2019 à 14h15, dans l’amphi du bâtiment 34 sur le site de l’UFR Sciences.

Jury :
-Directeur thèse : Guillaume Fertin / Co-encadrante : Dominique Tessier (Ingénieure de recherche INRA Angers Nantes)
– Rapporteurs : Jean-François Gibrat (INRA Jouy en Josas /Unité MaIAGE), Frédérique Lisacek (Swiss Institute of Bioinformatics)
– Examinateurs : Alain Denise (Université Paris-Sud, Orsay), Yves Vandenbrouck (CEA Grenoble)
– Invitée : Hélène Rogniaux (Ingénieure de Recherche, INRA Nantes)

Résumé :
Les protéines remplissent de nombreuses fonctions indispensables au développement et à la survie des organismes vivants. Leur étude est primordiale pour comprendre les mécanismes biologiques au sein des cellules. La technique la plus utilisée pour caractériser les protéines est la spectrométrie de masse en tandem qui produit des dizaines de milliers de spectres expérimentaux par analyse. Pour interpréter ces spectres –c’est-à-dire retrouver et caractériser les protéines présentes dans le mélange analysé– la méthode la plus courante consiste à les comparer à une banque pouvant contenir des centaines de milliers de spectres « modèles ». Pour accélérer l’analyse, la majorité des approches limitent le nombre de comparaisons, limitation suspectée à l’origine de difficultés d’identification.
En effet, à l’issue d’une expérience de spectrométrie de masse, 50 à 75% des spectres demeurent aujourd’hui non identifiés. Pour résoudre ces difficultés, nous avons conçu une méthode pour interpréter les spectres de masse sans filtre de la banque. Cette méthode repose sur une structure de données, SpecTrees, qui permet une représentation compacte du nombre de masses partagées entre chaque paire de spectres, et sur des algorithmes qui manipulent efficacement l’information contenue dans cette structure de donnée. L’ensemble constitue le logiciel SpecOMS diffusé à la communauté. Nous discutons l’usage des différents paramètres de notre méthode et la comparons à un autre algorithme performant.

Misbah Razzaq, doctorante au sein de l’équipe COMBI, soutiendra sa thèse intitulée « Integrating Phosphoproteomic Time Series Data into Prior Knowledge Networks » / « Intégration de données de séries temporelles phosphoprotéomiques dans des réseaux de connaissances antérieurs »

mercredi 5 décembre 2018 à 14h dans l’amphi du bâtiment S sur le site de Centrale Nantes.

Jury : Jérémie Bourdon (directeur de thèse), Carito Guziolowski (co encadrante), Thomas Sauter (rapporteur, Université du Luxembourg), Céline Rouveirol (rapporteur, Institut Galilée), Frédéric Saubion (LERIA), Sara-June Dunn (Microsoft Research, Cambridge), Sabine Peres (Université Paris Sud)

Abstract: Traditional canonical signaling pathways help to understand overall signaling processes inside the cell. Large scale phosphoproteomic data provide insight into alterations among different proteins under different experimental settings. Our goal is to combine the traditional signaling networks with complex phosphoproteomic time-series data in order to unravel cell specific signaling networks. On the application side, we apply and improve a caspo time series method conceived to integrate time series phosphoproteomic data into protein signaling networks. We use a large-scale real case study from the HPN-DREAM Breast Cancer challenge.
We infer a family of Boolean models from multiple perturbation time series data of four breast cancer cell lines given a prior protein signaling network. The obtained results are comparable to the top performing teams of the HPN-DREAM challenge. We also discovered that the similar models are clustered together in the solutions space. On the computational side, we improved the method to discover diverse solutions and improve the computational time.

Keywords: signaling networks, logic programming, model checking, cell lines

*********

Résumé : Les voies de signalisation canoniques traditionnelles aident à comprendre l’ensemble des processus de signalisation à l’intérieur de la cellule. Les données phosphoprotéomiques à grande échelle donnent un aperçu des altérations entre différentes protéines dans différents contextes expérimentaux. Notre objectif est de combiner les réseaux de signalisation traditionnels avec des données de séries temporelles phosphoprotéomiques complexes afin de démêler les réseaux de signalisation spécifiques aux cellules. Côté application, nous appliquons et améliorons une méthode de séries temporelles caspo conçue pour intégrer des données phosphoprotéomiques de séries temporelles dans des réseaux de signalisation de protéines. Nous utilisons une étude de cas réel à grande échelle tirée du défi HPN-DREAM Breast Cancer.
Nous déduisons une famille de modèles booléens à partir de données de séries temporelles de perturbations multiples de quatre lignées cellulaires de cancer du sein, compte tenu d’un réseau de signalisation protéique antérieur. Les résultats obtenus sont comparables aux équipes les plus performantes du challenge HPN-DREAM. Nous avons découvert que les modèles similaires sont regroupés dans l’espace de solutions. Du côté informatique, nous avons amélioré la méthode pour découvrir diverses solutions et améliorer le temps de calcul.