Parallélisme implicite pour les traitements de données biologiques // implicit parallelism for biological data processing

Topic description

L'objectif de cette thèse est donc de concevoir un environnement de programmation permettant de
construire des pipelines efficaces de traitement et d'analyse de données issues de séquenceurs pour
des études omiques. Ces pipelines devront être capables d'exploiter efficacement les différents
types de parallélisme, que ce soit au niveau d'un nœud de calcul (CPU et GPU) qu'au niveau d'une
grappe de PC. Cet environnement inclura les outils nécessaires à la description et à la construction
de ces pipelines par des biologistes sans avoir de connaissances particulières en calcul parallèle.
L'étude de l'état de l'art montre que les traitements classiquement utilisés dans la génomique et la
transcriptomique sont constitués par des grandes étapes assez similaires. De manière très gros grain
il s'agit de rechercher des alignements de séquences d'ADN ou d'ARN dans une référence suivi
d'une étude statistique des résultats d'alignements. Cependant, même si les données sont de même
type et les techniques d'analyse similaires, les traitements peuvent être différents suivant le type
d'études. Il est donc important d'être capable de construire le pipeline à partir de briques de bases
décrivant les étapes similaires mais qui devront être adaptés aux particularités de l'analyse de
données souhaités par le biologiste pour son étude.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The objective of this thesis is therefore to design a programming environment that enables the construction of efficient pipelines for processing and analyzing data generated by sequencing technologies for omics studies. These pipelines must be capable of efficiently exploiting different types of parallelism, both at the level of a computing node (CPU and GPU) and at the level of a cluster of PCs. This environment will include the necessary tools to allow biologists to describe and build such pipelines without requiring specific knowledge of parallel computing.

A review of the state of the art shows that the processing steps commonly used in genomics and transcriptomics consist of several major stages that are quite similar. At a very coarse-grained level, these involve searching for alignments of DNA or RNA sequences against a reference, followed by a statistical analysis of the alignment results. However, even though the data are of the same type and the analysis techniques are similar, the processing steps may differ depending on the type of study. It is therefore important to be able to construct pipelines from basic building blocks describing these common stages, while allowing adaptation to the specific requirements of the data analysis intended by the biologist for their study.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/

Funding category

Funding further details

Enseignement supérieur