microbiogenomics

Extraction optimisée d'informations pertinentes à partir de données complexes et hétérogènes issues de comparaisons génomiques

 

 

Description du projet

Nous proposons un projet qui permettra de relever les défis posés par l'avalanche présente et à venir de données génomiques. Il s'agit de la création d'un centre de ressources de génomique microbienne. La vocation de ce centre de ressources est de rassembler un maximum de données pertinentes relatives aux génomes microbiens et de constituer ainsi un substrat pour différentes techniques de fouille de données permettant de croiser et d'analyser finement toutes les données génomiques disponibles. Ce projet s'articule autour des points suivants. Le projet repose sur la création d'un entrepôt de données qui devra correspondre au cahier des charges suivant. Pour pallier à la dispersion actuelle des données génomiques dans différents types de bases, nous construirons une unité de stockage permettant de regrouper en une structure hautement intégrée les deux grands types de données génomiques : (i) les données primaires réunissant toutes les informations acquises lors des étapes de séquençage et d'annotation des génomes microbiens, (ii) les données secondaires résultant d'études de génomique comparative effectuées sur ces données primaires. Une des difficultés majeures à l'exploitation de ces données réside dans l'existence de différentes classifications fonctionnelles, voire, dans le pire des cas, d'une absence totale de classification fonctionnelle. En parallèle à la création de l'entrepôt nous désirons donc établir, dans un premier temps, des correspondances entre les différentes hiérarchies fonctionnelles existantes permettant de passer de l'une à l'autre automatiquement. Dans un deuxième temps, nous développerons des mécanismes permettant de projeter automatiquement les annotations n'utilisant pas de classification fonctionnelle dans l'une quelconque de ces classifications. Finalement, s'il y a lieu, nous essaierons de proposer une classification fonctionnelle faisant la synthèse des différentes classifications proposées. La structuration de l'ensemble de ces données, et plus spécialement les données secondaires, grâce à une ontologie unificatrice en feront une mine inépuisable d'informations, les rendant aptes à des fouilles efficaces. Il y a bien sûr un grand nombre d'applications possibles. Dans ce projet nous souhaitons nous intéresser à la conception d'un système semi-automatique, à base de règles, d'aide à l'annotation fonctionnelle des gènes qui reflète la connaissance des experts et qui facilite et normalise cette annotation par une utilisation optimale des informations disponibles dans le centre de ressources. Cela demande la mise en place d'un ensemble de règles expertes acquises en partie par apprentissage automatique. Un autre aspect fondamental que nous souhaitons aborder concerne la visualisation des données. Cet aspect est très complémentaire de la fouille de données. Les biologistes sont noyés sous un flot de données hétérogènes qu'ils doivent croiser et intégrer. Il est donc crucial d'exploiter les capacités du système visuel pour faciliter l'exploration de ces données. Nous souhaitons donc développer une interface graphique qui allie un système de requêtes simples et efficaces permettant l'extraction d'informations pertinentes avec une visualisation facilitant l'analyse interactive de ces données. En particulier, nous développerons un système permettant des requêtes très élaborées sur la représentation visuelle de deux types de données hétérogènes : (i) les arbres évolutifs de familles de modules (domaines) protéiques, essentiellement au niveau de leurs principaux éléments (feuilles et nœuds), (ii) les blocs de synténie (conservation du voisinage) des gènes codant ces modules protéiques. Les groupes MIG (INRA, Jouy) et EMBG (IGM, Orsay) sont déjà engagés dans de vastes programmes de comparaison exhaustive des génomes microbiens ce qui leur permet d'accumuler de nombreuses données d'origines variées dans des formats différents. Ces deux groupes partagent de nombreux besoins communs à plusieurs des étapes de leurs analyses respectives telles que la ré annotation des génomes, les relations entre structure et fonction d'une protéine, la structure modulaire des protéines. De plus, les groupes MIG et EMBG sont déjà engagés dans une collaboration active avec le Laboratoire de Recherche en Informatique (Orsay) qui a une expertise reconnue dans le stockage et l'analyse de quantités importantes de données biologiques, de leur intégration, de représentation des connaissances, de visualisation des données. La réunion des compétences apportées par ces trois laboratoires offrirait une approche synergique permettant de relever les défis résumés ci-dessus relatifs au stockage et à la fouille des énormes quantités de données génomiques. Notre ambition à terme est que le centre de ressources que nous voulons construire permette de systématiser la possibilité de faire des découvertes imprévisibles, comme le groupe EMBG l'a récemment fait dans le cas des enzymes dites orphelines. De plus, les propriétés (pérennité, facilité d'emploi, possibilités d'analyses sophistiquées) dont nous allons doter ce centre de ressources, en feraient un outil attractif pour la communauté des bio-informaticiens et celle des biologistes. En effet, cela permettrait, en ouvrant sur un large éventail de champs d'informations nouvelles à explorer, de mener une étude encyclopédique de la biologie des systèmes intégrés.

 

Coordinateur du projet

LABEDAN Bernard - Institut de Génétique et Microbiologie, Université Paris XI, CNRS (UMR 8621). 

 

Partenaires

§         GIBRAT Jean-Francois  - Mathématique Informatique et Génome  - INRA, Domaine de Vilvert, 78350 Jouy en Josas Cedex.