Université de Rennes 1 Des lectures aux transcrits : méthodes de novo pour l'analyse du séquençage des transcriptomes de deuxième et troisième génération From reads to transcripts : de novo methods for the analysis of transcriptome second and third generation sequencing transcriptomiqueTroisième génération de séquençagemRNABioinformatiqueAlgorithmes TranscriptomicsThird Generation SequencingmRNABioinformaticsAlgorithms Bioinformatique Transcriptome Le but de ce travail de thèse est de permettre le traitement de données issues du séquençage de transcriptomes, c'est-à-dire les séquences d'ARN messager, qui reflètent l’expression des gènes. Plus précisément, il s’agit mettre à profit les caractéristiques des données produites par les nouvelles technologies de séquençage, dites de troisième génération (TGS). Ces technologies produisent des séquences de grande taille, qui peuvent couvrir la longueur totale des molécules d'ARN. Ceci présente l’avantage d’éviter la phase d’assemblage des séquences, une étape source de difficultés et d'erreurs mais nécessaire avec les données générées par les précédentes technologies de séquençage appelées NGS. En revanche, les données TGS sont bruitées (jusqu’à 15% d’erreurs de séquençage), nécessitant le développement de nouveaux algorithmes pour analyser ces données. Les travaux de cette thèse ont essentiellement consisté au développement méthodologique et à l’implémentation de nouveaux algorithmes permettant le regroupement des séquences TGS par gène, puis à leur correction et enfin à la détection des différents isoformes de chaque gène. The purpose of this thesis work is to allow the processing of transcriptome sequencing data, i.e. messenger RNA sequences, which reflect gene expression. More precisely, it is a question of taking advantage of the characteristics of the data produced by the new sequencing technologies, known as third generation (TGS). These technologies produce large sequences, which cover the total length of RNA molecules. This has the advantage of avoiding the sequence assembly phase, which was tricky, though necessary with the data generated by previous sequencing technologies called NGS. On the other hand, TGS data are noisy (up to 15% sequencing errors), requiring the development of new algorithms to analyze this data. The core work of this thesis consisted in the methodological development and implementation of new algorithms allowing the grouping of TGS sequences by gene, then their correction and finally the detection of the different isoforms of each gene. Electronic Thesis or DissertationText en application/pdf1 : 40928 Kohttps://ecm.univ-rennes1.fr/nuxeo/site/esupversions/7830e372-ea81-4643-a35a-636fb3b688c9 Marchet Camille 1989-03-09 FR 259182958 marchetcamille@gmail.com 2018REN1S137 http://www.theses.fr/2018REN1S137 2018-09-28 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Rennes 1thesis.degree.grantor_2 Doctorat non ouiPeterlongoPierreintervenant_112482062X MATHSTICecoleDoctorale_1 204770424 Universite Bretagne LoirepartenaireRecherche_1 191639044 IRISA partenaireRecherche_2 026386909 ddc:004 PeterlongoPierreUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieRennes 1MATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes)Universite Bretagne Loire Communaute des etablissements d enseignement superieur et de recherche (ComuE) IRISA ASCII PDF 41910770