Hétérogénéité des données
Interrogation et gestion de données bio-informatiques pour la biologie moléculaire

La biologie moléculaire est une discipline qui vise à étudier les mécanismes du vivant à l'échelle moléculaire : la connaissance des mécanismes régissant l'activité de la cellule, la détermination du rôle fonctionnel d'un groupe de protéines ou encore la mise en évidence d'un ensemble de gènes impliqués dans une maladie. Les avancées des connaissances en biologie moléculaire dépendent étroitement des progrès présents dans des domaines multiples : biologie, chimie, physique, électronique, mathématiques et informatique.

Depuis le début des années 1990, de nouvelles technologies ont vu le jour, comme les techniques d'analyse haut débit. Ces technologies génèrent un nombre extrêmement important de données. Dans ce contexte, la taille d'un génome correspond à la quantité d'ADN contenu dans une copie du génome, mesurée en nombre de nucléotides (avec pour unité le mégabase, un million de nucléotides). Alors que les techniques de séquençage permettent, en 2015, à une même machine de séquencer 200 génomes humains en une semaine, avec un coût de 0,03 dollars par mégabase, lors du « Human Genome Project » 12 ans ont été nécessaires pour séquencer le premier génome humain, impliquant des centaines de laboratoires, pour un coût estimé à 10 000 dollars par mégabase.

Depuis le début des années 2010 de très nombreux laboratoires possèdent ce type de machine. En conséquence, entre 2010 et 2015 le volume de données de séquençage générées a doublé tous les cinq mois.

En outre, les données ainsi générées ne permettent pas, à elles seules, de comprendre les différents mécanismes du vivant. Elles sont qualifiées de « données brutes ». D'autres analyses doivent alors être effectuées pour les compléter, non plus seulement par des analyses expérimentales biologiques classiques mais par des analyses informatiques générant ainsi à nouveau de très gros volumes de données bio-informatiques.

L'ensemble des données brutes et des résultats de leurs analyses sont stockés dans des bases de données biologiques, disponibles (le plus souvent) sur le web. Le nombre et le contenu de ces bases croissent de façon considérable. Ces bases de données évoluent rapidement et sont à la fois réparties sur le réseau du web et très hétérogènes : chaque base de données a son propre format de données et sa propre structure, les données qu'elles contiennent reflètent des expertises et il est fréquent que les termes scientifiques utilisés pour décrire les données diffèrent d'une base à l'autre. Elles contiennent néanmoins une très grande richesse d'information et sont donc hautement complémentaires.

Pouvoir interroger, comparer et rapprocher les données bio-informatiques est nécessaire pour que les connaissances en biologie moléculaire puissent progresser. Exploiter ce volume et cette diversité d'informations réparties, très fortement hétérogènes, et en constante évolution est un réel défi à relever.

Dans cet article, notre objectif est de fournir un état de l'art sur les problématiques relatives aux bases de données bio-informatiques pour la biologie moléculaire mais aussi et surtout de proposer des guides pour choisir une solution adaptée aux besoins de l'utilisateur lorsqu'il souhaite tirer au mieux parti de la complémentarité de telles données.

Plus précisément, nous dressons d'abord un panorama des caractéristiques des bases de données bio-informatiques. Ensuite, nous dégageons les différents niveaux d'hétérogénéité des données biologiques qui ont un impact direct sur la complexité du processus qui permettra leur exploitation conjointe. Nous présentons, dans un troisième temps, les éléments de standardisation existants qui permettent d'accéder aux données et de mieux les comparer. Nous décrivons les solutions existantes de gestion et d'interrogation des données bio-informatiques tout en fournissant un support pour leur analyse. Enfin, nous dégageons les défis qu'il reste à lever dans le domaine de la gestion et l'interrogation des données bio-informatiques pour la biologie moléculaire.