Computational aspects of presence of drug resistance mechanisms

Rozwijanie się oporności na leki w bakteriach sprawia, że antybiotyki stają się mniej efektywne oraz podnosi koszty terapii lekowych. Szybko wzrastająca liczba dostępnych sekwencji genomowych bakterii stwarza nowe możliwości wykorzystania wielkoskalowych podejść obliczeniowych w celupolepszenia naszego rozumienia mechanizmów oporności na antybiotyki.W pierwszej części niniejszej pracy prezentujemy eCAMBer, narzędzie, którerozwinęliśmy do wydajnego wspierania analizy porównawczej wielu szczepówbakterii wewnątrz tego samego gatunku. eCAMBer działa w dwóch fazach. W pierwszej, przenosi adnotacje genów pomiędzy wszystkimi rozważanymi szczepami bakterii. W tej fazie również identyfikuje rodziny genów orazniezgodności w adnotacjach. W drugiej fazie, próbuje polepszyć jakość adnotacji poprzez rozwiązywanie niezgodności w adnotacjach oraz odfiltrowanierodzin genów powstałych w skutek propagacji błędów w adnotacjach z poprzedniejfazy. Wyniki prezentowane w pracy pokazują, że eCAMBer wydajnie identyfikujeoraz rozwiązuje niezgodności w adnotacjach oraz przewyższa inne konkurujące narzędzia zarówno w terminach czasu działania jak i jakości produkowanychadnotacji.W drugiej części niniejszej pracy prezentujemy GWAMAR, narzędzie, którerozwinęliśmy do wykrywania mutacji związanych z opornością na antybiotykiw bakteriach poprzez analizę porównawczą sekwencji genomowych. Wykonanie obliczeń poprzez GWAMAR odbywa się w kilku krokach. W pierwszym, GWAMAR aplikuje eCAMBer do zbioru sekwencji i adnotacji genomowych. W drugim, bazując na multi-uliniowieniach rodzin genów identyfikuje mutacje, pomiędzyrozpatrywanymi szczepami. W trzecim, oblicza kilka statystyk w celupredykcji, które z odnalezionych mutacji najprawdopodobniej są związane z opornością na leki. W pracy prezentujemy wyniki aplikowania GWAMAR do trzechzbiorów danych otrzymanych na podstawie publicznie dostępnych danych dlaMycobacterium tuberculosis oraz Staphylococcus aureus.

The development of drug resistance in bacteria causes antibiotic therapies to be less effective and more costly. The rapidly growing number of bacterial genomes being fully sequenced and publicly available opens new possibilities for using large-scale computational approaches to improve our understanding of drug resistance mechanisms.In the first part of this thesis we present eCAMBer, a tool we have developed for efficient support of comparative analysis of multiple bacterial strains within the same species. eCAMBer works in two phases. First, it transfers gene annotations among all considered bacterial strains. In this phase, it also identifies homologous gene families and annotation inconsistencies. Second, eCAMBer, tries to improve the quality of annotations by resolving the gene start inconsistencies and filtering out gene families arising from annotation errors propagated in the previous phase.Results presented in the thesis show that eCAMBer efficiently identifies and resolves annotation inconsistencies and it outperforms other competing tools both in terms of running time and accuracy of produced annotations.In the second part of the thesis we present GWAMAR, a tool we have developed for detection of drug resistance-associated mutations in bacteria through comparative analysis of whole-genome sequences. The pipeline of GWAMAR comprises several steps. First, it employs eCAMBer for a set of bacterial genomes and annotations. Second, based on the computed multiple alignments of gene families, it identifies mutations among the strains. Third, it calculates several statistics to predict which of the mutations are most likely to be associated with drug resistance. We present results of applying GWAMAR to three datasets retrieved from publicly available data for Mycobacterium tuberculosis and Staphylococcus aureus.