Bibliographie & annexes
Présentation
En anglais
RÉSUMÉ
Les volumes des données bio-informatiques disponibles sur le web pour la biologie moléculaire sont en constante augmentation. L'accès à ces données et leur exploitation jointe sont essentiels pour que les connaissances en biologie puissent progresser. L'objectif de cet article est de fournir au lecteur l'ensemble des pointeurs nécessaires pour identifier les bases de données de référence capables de fournir les données bio-informatiques pour la biologie moléculaire, de sensibiliser le lecteur sur les problèmes posés par l'exploitation conjointe de ces données très réparties et fortement hétérogènes, de dresser un panorama des systèmes offrant un accès unifié à ces données et de guider le futur utilisateur sur le choix de l'un de ces systèmes, en fonction de ses besoins.
Lire cet article issu d'une ressource documentaire complète, actualisée et validée par des comités scientifiques.
Lire l’articleABSTRACT
The masses of bioinformatics data available on the Web for molecular biology are constantly growing. Accessing and conjointly making use of such data is imperative for new discoveries in biology. The purpose of this paper is to give the reader all the necessary pointers to identify bioinformatics reference databases for molecular biology, familiarize the reader with the problems raised by the joint use of these distributed and highly heterogeneous data, sketch a panorama of systems offering unified data access and guide users in choosing a system that will meet their needs.
Auteur(s)
-
Sarah COHEN-BOULAKIA : Maître de conférences HDR - Docteur de l'université Paris Sud - Inria, Institut de biologie computationnelle, Montpellier, France - Laboratoire de recherche en informatique, CNRS UMR 8623 université Paris Sud, Orsay, France
-
Patrick VALDURIEZ : Directeur de recherche - Docteur de l'université Paris 6 - Inria, LIRMM, Institut de biologie computationnelle, Montpellier, France
INTRODUCTION
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.
L'expertise technique et scientifique de référence
MOTS-CLÉS
Recherche d’information bases de données publiques systèmes et standards d’accès et de gestion des données
KEYWORDS
Information retrieval | Public bioinformatic Databases | Standard and systems for managing and querying bioinformatic data
DOI (Digital Object Identifier)
CET ARTICLE SE TROUVE ÉGALEMENT DANS :
Accueil > Ressources documentaires > Technologies de l'information > Technologies logicielles Architectures des systèmes > Big Data > Interrogation et gestion de données bio-informatiques pour la biologie moléculaire > Gestion de données pour la biologie moléculaire
Accueil > Ressources documentaires > Biomédical - Pharma > Technologies pour la santé > Santé numérique et connectée > Interrogation et gestion de données bio-informatiques pour la biologie moléculaire > Gestion de données pour la biologie moléculaire
Cet article fait partie de l’offre
Bioprocédés et bioproductions
(161 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Présentation
Tendances et défis
En anglais
4. Gestion de données pour la biologie moléculaire
4.1 Entrepôt de données
4.1.1 Description de la solution « entrepôt »
L'alternative la plus importante aux portails est la conception d'entrepôts de données [H 3 870]. Dans de tels systèmes, les ensembles de données d'intérêt sont rapatriés localement, c'est-à-dire qu'on les copie depuis leurs bases de données d'origine vers une nouvelle base de données locale. Le concepteur de l'entrepôt décide du schéma global de l'entrepôt et doit établir des règles de correspondance pour déterminer comment remplir l'entrepôt avec les données des bases à intégrer. Lorsque ce type d'approche est utilisé pour intégrer des données bio-informatiques, on exporte le plus souvent les données des bases à intégrer en XML, on choisit un système de gestion de base de données de type mySQL (ou PostgreSQL ou encore Oracle) et on utilise des langages de scripts de type PERL (ou Python) pour lire les fichiers XML et remplir les tables de l'entrepôt.
La première raison du très grand succès de la solution entrepôt est le fait que le maintien d'un entrepôt implique presque toujours le nettoyage des données. Dans ce processus, les chercheurs peuvent, par exemple, découvrir que certaines données doivent être regroupées ou que d'autres doivent être divisées. Les lignes des tables sont inspectées, filtrées, complétées, résultant en de nouvelles données qui peuvent à leur tour être prises en entrée d'une nouvelle analyse. Toutes ces opérations nécessitent que les données soient présentes localement (donc recopiées).
Le deuxième point clé est relatif aux économies d'échelle. La bio-informatique au fil des ans a produit plusieurs bibliothèques matures pour plusieurs aspects de la construction et de la gestion des bases de données et donc des entrepôts.
Les...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Bioprocédés et bioproductions
(161 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
Gestion de données pour la biologie moléculaire
BIBLIOGRAPHIE
-
(1) - AKIYAMA (Y.) et al - WebDBGET : an integrated database retrieval system which provides hyper-links among related database entries. - In 2nd Meeting on Interconnection of Molecular Biology Databases (1995).
-
(2) - BAUMGARTNER (J.W.A.) et al - Manual curation is not sufficient for annotation of genomic databases. - Bioinformatics, 23(13), p. i41 (2007).
-
(3) - BELHAJJAME (K.) et al - Using a suite of ontologies for preserving workflow-centric research objects. - Journal of Web Semantics : Science, Services and Agents on the World Wide Web (2015).
-
(4) - BHAGAT (J.) et al - BioCatalogue : a universal catalogue of web services for the life sciences. - Nucleic Acids Res., 38 Suppl, p. W689-W694 (2010).
-
(5) - BIRKLAND (A.), YONA (G.) - BIOZON : a system for unification, management and analysis of heterogeneous biological data. - BMC Bioinformatics, 7, p. 70 (2006).
-
...
DANS NOS BASES DOCUMENTAIRES
Sites des principales bases de données citées dans ce document
DDBJ http://www.ddbj.nig.ac.jp/ (page consultée le 20 janvier 2015)
Ensembl http://www.ensembl.org/index.html (page consultée le 20 janvier 2015)
Enzyme http://enzyme.expasy.org/ (page consultée le 20 janvier 2015)
European Nucleotide Archive http://www.ebi.ac.uk/ena (page consultée le 20 janvier 2015)
FlyBase http://flybase.org/ (page consultée le 20 janvier 2015)
GenBank http://www.ncbi.nlm.nih.gov/genbank/ (page consultée le 20 janvier 2015)
GeneCards http://www.genecards.org/ (page consultée le 20 janvier 2015)
Gene (Entrez) http://www.ncbi.nlm.nih.gov/gene (page consultée le 20 janvier 2015)
InterPro http://www.ebi.ac.uk/interpro/ (page consultée le 20 janvier 2015)
Kegg http://www.genome.jp/kegg/ (page consultée le 20 janvier 2015)
PDB http://www.rcsb.org/pdb/home/home.do (page consultée le 20 janvier 2015)
PFAM http://pfam.xfam.org/ (page consultée le 20 janvier 2015)
PubMed/Medline...
L'expertise technique et scientifique de référence
Cet article fait partie de l’offre
Bioprocédés et bioproductions
(161 articles en ce moment)
Cette offre vous donne accès à :
Une base complète d’articles
Actualisée et enrichie d’articles validés par nos comités scientifiques
Des services
Un ensemble d'outils exclusifs en complément des ressources
Un Parcours Pratique
Opérationnel et didactique, pour garantir l'acquisition des compétences transverses
Doc & Quiz
Des articles interactifs avec des quiz, pour une lecture constructive
