Leveraging combinations of epigenomic regulators
Tirer parti des combinaisons de régulateurs épigénomiques
Résumé
Genetic cis-regulation in humans is effected through chromatin regulators, such
as histone marks and Transcriptional Regulators (TRs), binding on regions called
Cis-Regulatory Elements. Those regulators seldom act alone, forming complexes
to perform their functions. For example, while Transcription Factors are regulatory
proteins that bind directly to DNA, they are themselves bound by co-factors. The
goal of these interacting systems is to regulate gene expression by influencing the
activity of the RNA Pol II, which transcribes DNA to messenger RNA. The development of Next Generation Sequencing provides experimental methods to study this
regulation, which includes ChIP-seq and other assays. Their main goal is to quantify
both chromatin accessibility and protein binding. However, these methods present
challenges and sources of noise, where noise is defined as any result differing from
the biological reality being quantified. They also suffer from reproducibility problems,
hence complicating fair comparison among results. Both these biases are difficult
to correct. Besides combinations of regulators themselves, the recent explosion of
available data volume, as well as variety of sources, collated in databases such as
ENCODE or ReMap gives opportunities for integrating different data views.
While combinations of biological regulators are important to genomic cis-regulation,
they are seldom operated for biological insight. Existing approaches suffer from either
the precision of the data integration, or the clarity of usage. The goal of this thesis is to
leverage such combinations through the use of machine learning methods, which are
very effective at learning regularities in the data: in other words, learning combinations. We propose to represent the regions where regulators bind as lists of intervals,
converted into matrix and tensor representations. As a result, the approaches of this
thesis are generalizable to any lists of intervals. Early work presented in this thesis
discusses the prediction of cis-regulatory region status and the detection of alternative promoters in T-ALL leukemia. We propose a new method, based on Cramer’s
V-score, to robustly identify meaningful alternative promoters in based on promoter
expression, discarding low-level noise.
Then, we focus on anomaly detection. ChIP-seq and other experimental assays can
suffer from errors and false positives, poor quality control, and several other biases.
Those are very difficult to correct, as annotated supervised data is rarely available,
and even so it would require a tedious error-by-error approach. Furthermore, the
indiscriminate use of larger volumes of data increases the probability of erroneous
observations. Instead, we perform unsupervised anomaly detection under the assumption that noise peaks will not respect the usual combinations between sources (ie.
combinations between regulators and/or usual dataset combinations). We propose
the atyPeak method which exploits not only combinations of TRs, but also combinations of redundant experiments from the ReMap database. We propose to use a
specifically designed multi-view convolutional autoencoder to perform a “Goldilocks”
compression. Here, the model is tasked to learn sources (TR, datasets) as part of a
groups of correlating sources and not alone. As a result, ChIP-Seq peaks are rebuild as
part of a correlation group and rare noisy patterns are not even learned. We identify
peaks which have fewer known collaborators present in their vicinity than what would
be average for their sources. In terms of methodology, we developed approaches to
evaluate autoencoders based on their respect of existing correlations. We also propose
a new normalization method based on correcting for the average cardinality of the
aforementioned correlation groups. It can be applied to any black box model, and is
useful to interpret autoencoders when performing anomaly detection. Our cleaned
data improves Cis-Regulatory Element detection.
Finally, on a more fundamental level, the enrichment of given combinations of
elements (meaninghow much more often they are found compared to expected by
chance) needs to be precisely quantified. We propose the OLOGRAM-MODL approach,
demonstrating a Monte Carlo based method to fit a novel Negative Binomial model
on the number of base pairs on which a given combinations of elements is observed.
This allows us to return much more precise p-values compared to existing approaches.
We extend this model to combinations of any k ≥ 2 elements. We also propose a suited
itemset mining algorithm to identify interesting combinations of regulators, based
on which itemsets best rebuild the original data. This algorithm leverages dictionary
learning for its robustness to noise. Additionally, we demonstrate that the problem is
submodular and that a greedy algorithm can find itemsets of interest. This tool was
implemented as a part of the gtftk toolset for ease of access.
La régulation cis-génomique chez l’homme est effectuée par des régulateurs de
la chromatine, tels que les marques d’histones et les régulateurs de transcription
(TR), qui se lient à des éléments cis-régulateurs (CRE). Ils fonctionnent rarement
seuls, mais plutôt en complexes. Par exemple, les facteurs de transcription (TFs) se
lient à l’ADN et sont eux-mêmes liés par des cofacteurs. Leur objectif est de réguler
l’activité de l’ARN Pol II. Le développement du séquençage de nouvelle génération
(NGS) fournit des méthodes pour étudier cette régulation, incluant le ChIP-seq, afin
de quantifier l’accessibilité de la chromatine et la liaison des protéines. Mais ces
méthodes présentent des sources de bruit (résultats différents de la réalité), et des
problèmes de reproductibilité, ce qui complique la comparaison des résultats. De
plus, la récente explosion de la variété et du volume de données disponibles, dans des
bases de données telles que ENCODE ou ReMap, permet l’intégration de différentes
vues de données.
Les combinaisons de régulateurs biologiques sont importantes mais sont rarement
exploitées. Les approches existantes manquent de précision ou de clarté. Le but de
cette thèse est de tirer parti de ces combinaisons en utilisant des méthodes d’apprentissage automatique, qui sont efficaces pour apprendre les régularités dans les
données : donc, les combinaisons. Nous représentons les régions d’intérêt sous forme
de listes d’intervalles, converties en représentations matricielles et tensorielles. De
fait, nos approches sont généralisables à toute liste d’intervalles. Les premiers travaux
présentés dans cette thèse portent sur la prédiction du statut des CRE et la détection robuste de promoteurs alternatifs dans la leucémie T-ALL en fonction de leur
expression, éliminant le bruit de faible niveau.
Ensuite, nous abordons la détection d’anomalies non supervisée. Le ChIP-seq (et
autres) peut souffrir d’erreurs et de faux positifs, d’un contrôle de qualité médiocre et
de plusieurs autres biais. Ceux-ci sont difficiles à corriger, car les données annotées et
supervisées sont rarement disponibles, et cela demanderait malgré tout une approche
erreur-par-erreur fastidieuse. En outre, les grands volumes de données augmentent la
probabilité d’erreurs. Au lieu de cela, nous supposons que le bruit ne respectera pas les
combinaisons usuelles entre les sources (TR et/ou jeux de données). Nous proposons
atyPeak, qui exploite les combinaisons de TR et d’expériences redondantes de ReMap.
Nous utilisons un auto-encodeur convolutionnel multi-vues pour une compression
"de juste milieu", en apprenant et reconstruisant les sources comme parties d’un
groupe de sources corrélées et non pas seules, éliminant les motifs rares (bruit). Nous
marquons les pics qui ont moins de collaborateurs à proximité que la moyenne de
leur source. Nous proposons aussi des approches pour évaluer les auto-encodeurs
selon de leur respect des corrélations de données, et une méthode de normalisation
basée sur la cardinalité des groupes. Elles peuvent être appliquées à l’interprétation
d’autres modèles. Nos données nettoyées améliorent la détection des CRE.
Enfin, l’enrichissement de combinaisons d’éléments (fréquence par rapport à ce qui
est attendu au hasard) doit être quantifié avec précision. Nous proposons OLOGRAMMODL, une méthode Monte Carlo ajustant un modèle binomial négatif sur le nombre
de paires de bases où une combinaison est observée. Cela renvoie des p-valeurs plus
précises par rapport aux approches existantes. Nous l’étendons aux combinaisons de
>2 éléments et proposons un algorithme d’extraction d’itemsets pour identifier les
combinaisons intéressantes de régulateurs, qui reconstruisent le mieux les données
d’origine. Nous utilisons l’apprentissage par dictionnaire pour sa robustesse au bruit.
Nous montrons que le problème est sous-modulaire et qu’un algorithme glouton peut
trouver ces ensembles intéressants. Il a été implémenté dans le jeu d’outils gtftk.
Origine | Fichiers produits par l'(les) auteur(s) |
---|