Assemblage de novo avec Spark

Ronan Bocquillon (1, 2) , Stéphane Gazut (1) , Lorène Allano (1)

1 LADIS (CEA, LIST) - Laboratoire d'analyse des données et d'intelligence des systèmes (CEA, LIST)
2 LIFAT - Laboratoire d'Informatique Fondamentale et Appliquée de Tours

Les récentes avancées en biologie moléculaire et l’avènement des méthodes de séquençage à haut débit ont rendu possible la lecture, l’analyse et la réutilisation d’une très grande partie de l’information présente dans le génome. Malheureusement, notre capacité à analyser l’immense masse de données générée par ces nouvelles technologies de séquençage est aujourd’hui limitée par nos moyens de calcul. Dans ces travaux, nous nous intéressons plus particulièrement aux problématiques de l’assemblage de novo, dont l’objectif est de reconstruire une séquence ADN à partir d’un ensemble de fragments issus de cette même séquence. Nous mettons en évidence les avantages d’utiliser les outils (notamment méthodologiques) de la communauté “big data” pour résoudre ce problème sur des instances réelles de très grande taille. Nous discutons des résultats numériques prometteurs que nous avons pu obtenir en implémentant cette approche à l’aide du framework Apache Spark.

Mots clés: statistical analysis; data processing; bioinformatics, DNA sequencing, big data

Mots clés: bioinformatique; Données massives; Graphes; Algorithmes distribués; Spark; Hadoop; Génomique; Séquençage Haut-Débit

Domaines: Génomique, Transcriptomique et Protéomique [q-bio.GN]; Bio-informatique [q-bio.QM]; Calcul parallèle, distribué et partagé [cs.DC]

Ronan Bocquillon, Stéphane Gazut, Lorène Allano. Assemblage de novo avec Spark. ROADEF 2018, 19ème congrès annuel de la société Française de Recherche Opérationnelle et d’Aide à la Décision, Feb 2018, Lorient, France. ⟨hal-01705173⟩