Le stockage de la bioinformation : les banques de données

Les fichiers contenant l'information biologique sous la forme de séquences est l'élément central autour duquel les banques de données se sont constituées à l'origine.

On peut distinguer :

• les bases de données généralistes : elles correspondent à une collecte des données la plus exhaustive possible et qui offrent un ensemble plutôt hétérogène d'informations
• les bases de données spécialisées : elles correspondent à des données plus homogènes établies autour d'une thématique et qui offrent une valeur ajoutée

Il existe un grand nombre de bases de données d'intérêt biologique : voir une liste quasi exhaustive avec les liens vers les bases de données.

Les banques généralistes sont indispensables à la communauté scientifique car elles regroupent des données et des résultats essentiels dont certains ne sont plus reproduits dans la littérature scientifique.

Dans le cadre de l'analyse des séquences, par exemple, le fait que la majorité des séquences connues soit réunie en un seul ensemble est un élément fondamental pour la recherche de similitudes avec une nouvelle séquence. D'autre part, la grande diversité d'organismes qui y est représentée permet d'aborder des analyses de type évolutif.

Leur principale mission est de rendre publiques les séquences et tout autre type d'information. Cette notion de mise à la disposition du public a été capitale dans le cas par exemple de la diffusion des résultats du séquençage du génome humain.

On y trouve également de l'information qui accompagne les séquences (annotations, bibliographie, ...) et une expertise biologique directement liées aux séquences traitées.

La présence de références à d'autres bases permet d'avoir accès à d'autres informations. Par exemple, la banque SWISSPROT est particulièrement riche en références croisées avec d'autres banques et en annotations.

Les multiples liens entre les groupes de données dans les banques généralistes sont d'une complexité étonnante. Voir les exemples de Genbank ou ExPASy.

La qualité des données contenues dans ces bases présente un certain nombre de lacunes. Les organismes responsables de la maintenance de ces banques ont pris conscience de la nécessité de vérifications des données soumises ou saisies (surtout pour les séquences anciennes).

Maintenant, de nombreuses vérifications sont faites systématiquement dès la soumission de la séquence : c'est la "curation".

Il existe désormais un recueil de séquences référencées, annotées et "contrôlées" : The Reference Sequence (RefSeq) collection

Exemple de grandes bases de données généralistes

EMBL - EBI : Banque européenne créée en 1980 et financée par l'EMBO (European Moleculary Biology Organisation). Elle est aujourd'hui diffusée par l'EBI ("European Bioinformatics Institute", Cambridge).

Genbank - NCBI : Créée en 1982 par la société IntelliGenetics et diffusée maintenant par le NCBI ("National Center for Biotechnology Information", Bethesda - Marylandet).

DDBJ (DNA Data Bank of Japan) : Créée en 1986 et diffusée par le NIG ("National Institute of Genetics", Japon).

Swissprot & TrEMBL : Elle a été constituée à l'Université de Genève à partir de 1986. Elle est maintenant développée par le SIB (Swiss Institute of Bioinformatics) et l'EBI. Elle regroupe (entre autres) des séquences annotées de la PIR-NBRF ainsi que les séquences codantes traduites de l'EMBL (TrEMBL).

Ces banques s'échangent systématiquement leur contenu depuis 1987 et adoptent un système de conventions communes (The DDBJ/EMBL/GenBank Feature Table Definition).

PIR-NBRF ("Protein Information Ressource") : banque de protéines créée sous l'influence du NBRF ("National Biomedical Research Foundation") à Washington. Elle diffuse maintenant des données issues du MIPS ("Martinsried Institute for Protein Sequences"), de la base Japonnaise JIPID ("Japan International Protein Information Database") et des données propres de la NBRF.

UniProt ("Universal Protein Resource") : c'est la base de données des protéines : ExPASy Proteomics Server. Consortium [EBI - SIB - PIR]

GOLD: "Genomes OnLine Database" - base de données qui recensse les milliers de génomes séquencés ou en voie de séquençage.

"The Quick Guide" : autre base de données qui recensse des génomes séquencés (descriptions des organismes, liens vers les centres de séquençage et vers la bibliographie).

Pour des besoins spécifiques liés à l'activité d'un groupe de personnes, ou encore par compilations bibliographiques, de nombreuses bases de données spécifiques ont été créées au sein des laboratoires. Certaines sont inconnues ou mal connues et attendent qu'on les exploite davantage.

Les bases de données spécialisées sont d'intérêt divers et la masse des données qu'elles contiennent peut varier d'une base à une autre. Ces bases correspondent à des améliorations ou à des regroupements par rapport aux données issues des bases généralistes.

Exemples de banques spécialisées

Late Embryogenesis Abundant Proteins database (LEAPdb - G. Hunault & E. Jaspard) : cette base de données contient un grand nombre d'informations sur les proéines LEA impliqués dans la tolérance à de nombreux stress, notament la déshydratation et le froid. Pour l'instant, on les a mises en évidence principalement chez les plantes.

Disulfide Bridge DataBase (DBDB - J.-M. Richer, G. Hunault & E. Jaspard) : cette base de données contient un grand nombre d'informations structurales sur les cystéines de plus de 400 protéines cristallisées. Elle a aussi pour but de servir à la mise au point d'un logicel de prédiction des cystéines impliquées dans la formation de pont disulfure.

RESID Database : Base de données sur les acides aminés peu fréquents (sous-partie de la base de données PIR)

Les bases de motifs

L'utilisation de bases spécialisées comme les bases de motifs est devenue un outil essentiel dans l'analyse des séquences pour tenter de déterminer la fonction de protéines inconnues ou savoir à quelle famille appartient une séquence non encore caractérisée.

a. Les bases de motifs nucléiques

La plupart de ces bases consiste à recenser dans des catalogues les séquences des différents motifs pour lesquels une activité biologique a été identifiée. Certains motifs sont simples et non ambigus, d'autres correspondent à des activités biologiques plus complexes et engendrent donc des séquences moins précises. Pour ces derniers types de motifs, des compilations ont été établies pour donner des listes annotées de motifs qui peuvent être communs à plusieurs séquences.

Il existe principalement deux bases de motifs nucléiques qui sont régulièrement actualisées et qui correspondent à un travail de synthèse bibliographique : il s'agit des bases de facteurs de transcription TFD (Ghosh, 1993) et TRANSFAC (Knüppel et al., 1994).

b. Les bases spécialisées de motifs protéiques

La base PROSITE (ExPASy Proteomics Server) peut être considérée comme un dictionnaire qui recense des motifs protéiques ayant une signification biologique.

Elle est établie en regroupant, quand cela est possible, les protéines contenues dans Swissprot par famille comme par exemple les kinases ou les protéases. On recherche ensuite, au sein de ces groupes, des motifs consensus susceptibles de les caractériser spécifiquement.

La conception de la base PROSITE repose sur quatre critères essentiels :

• collecter le plus possible de motifs significatifs
• avoir des motifs hautement spécifiques pour caractériser au mieux une famille de protéines
• donner une documentation complète sur chacun des motifs répertoriés
• faire une révision périodique des motifs pour s'assurer de leur validité par rapport aux dernières expérimentations

Voir un exemple : motif "EF-hand" des protéines fixant le calcium comme la calmoduline par exemple.

• Depuis la première ébauche du séquençage du génome humain, en 2001, les biologistes produisent toujours plus de données bioinformatiques. Pour les stocker, ils multiplient les bases de données, mais aucune standardisation n'existe encore dans ce domaine. En conséquence, les données ne sont pas toutes présentées sous la même forme.
• De plus, les protocoles d'accès sont différents, de même que les algorithmes qui traitent les données.

D'où le projet de réseau bioinformatique européen (début février 2005), doté par la commission européenne de 8,28 millions d'euros pour cinq ans, il rassemble 16 partenaires de 11 pays, dont 3 équipes du CNRS.

Le but du projet "Embrace" est de standardiser l'accès aux innombrables données issues des projets de génomique, et leurs méthodes d'étude, afin que les chercheurs puissent les consulter et les exploiter facilement.

Embrace utilisera la "technologie de grille" (grid), où un grand nombre d'ordinateurs géographiquement éloignés les uns des autres travaillent en réseau afin d'offrir une importante capacité de stockage et de calcul.

Bases de données sur les propriétés physico-chimiques des acides aminés (sous-partie de la base de données "Expasy - Swiss-Prot")