Elucidating mechanisms of gene regulation. Integration of high-throughput sequencing data for studying the epigenome

Abstract

The recent advent of High-Throughput Sequencing (HTS) methods has triggered arevolution in gene regulation studies. Demand has never been higher to processthe immense amount of emerging data to gain insight into the regulatorymechanisms of the cell.We address this issue by describing methods to analyze, integrate and interpretHTS data from different sources. In particular, we developed and benchmarkedPyicos, a powerful toolkit that offers flexibility, versatility and efficient memoryusage. We applied it to data from ChIP-Seq on progesterone receptor in breastcancer cells to gain insight into regulatory mechanisms of hormones. Moreover,we embedded Pyicos into a pipeline to integrate HTS data from different sources.In order to do so, we used data sets from ENCODE to systematically calculatesignal changes between two cell lines. We thus created a model that accuratelypredicts the regulatory outcome of gene expression, based on epigenetic changesin a gene locus. Finally, we provide the processed data in a Biomart database tothe scientific community.

La llegada reciente de nuevos métodos de High-Throughput Sequencing (HTS) haprovocado una revolución en el estudio de la regulación génica. La necesidad deprocesar la inmensa cantidad de datos generados, con el objectivo de estudiar losmecanismos regulatorios en la celula, nunca ha sido mayor.En esta tesis abordamos este tema presentando métodos para analizar, integrar einterpretar datos HTS de diferentes fuentes. En particular, hemos desarolladoPyicos, un potente conjunto de herramientas que ofrece flexibilidad, versatilidad yun uso eficiente de la memoria. Lo hemos aplicado a datos de ChIP-Seq delreceptor de progesterona en células de cáncer de mama con el fin de investigarlos mecanismos de la regulación por hormonas. Además, hemos incorporadoPyicos en una pipeline para integrar los datos HTS de diferentes fuentes. Hemosusado los conjuntos de datos de ENCODE para calcular de forma sistemática loscambios de señal entre dos líneas celulares. De esta manera hemos logrado crearun modelo que predice con bastante precisión los cambios de la expresión génica,basándose en los cambios epigenéticos en el locus de un gen. Por último, hemospuesto los datos procesados a disposición de la comunidad científica en una basede datos Biomart.