Les bases généralistes de séquences

3.2.1.1 Bases de séquences nucléiques

Il existe trois bases de données biologiques généralistes principales, de séquences nucléiques : GenBank aux USA (51), EMBL (European Molecular Biology Laboratory) (52) et DDBJ (DNA Data Bank of Japan) (53). Grâce à la collaboration internationale INSD (International Nucleotide Sequence Databases) de ces trois bases de données depuis 1982, les séquences nucléiques sont échangées chaque jour pour assurer une synchronisation des informations. Les laboratoires ou les centres de séquençage envoient les séquences à l’aide

Chapitre I : Introduction

des outils de soumission Bankit pour GenBank, Webin pour EMBL et Sakura pour DDBJ ou avec le programme de soumission multi-plateforme Sequin pour GenBank et EMBL.

GenBank est une base de données biologique généraliste de séquences nucléiques provenant de 119.000 organismes différents dans la version 131 d’août 2002 (51). Elle a été créée et est maintenue par le National Center for Biotechnology Information (NCBI, USA). La version d’août 2002 contient 18.2 millions de séquences provenant entre autre de 29 génomes complets microbiens, 134 génomes de microorganismes et 33 génomes eucaryotes en cours de séquençage. Une entrée GenBank consiste en un fichier texte comprenant des champs qui contiennent une description de la séquence, le nom scientifique, la taxonomie de l’organisme d’origine de la séquence, des références bibliographiques et une liste de caractéristiques biologiques telles que les traductions en protéines, les unités de transcription, les régions répétées et les sites de mutations. GenBank est distribué sous forme de 17 divisions, dont 4 correspondent aux groupes taxonomiques (bactéries, virus, primates, rongeurs). Les autres divisions correspondent à différentes stratégies de séquençage. La division des EST (Expressed Sequence Tag), par exemple, est la source principale de nouvelles entrées. Pour organiser les données d’EST sans avoir de redondance, le NCBI a développé une base spécialisée de clusters de séquences, UniGene, comprenant 9 animaux et l’homme. Les autres divisions contiennent entre autres les STS (Sequence-Tagged Sites), les GSS (Genome Survey Sequence), les séquences HTG (High Throughput Genomic), les séquences HTC (High Throughput cDNA).

EMBL (European Molecular Biology Laboratory ) (52) est une base de données biologique généraliste de séquences nucléiques, développée par l’European Bioinformatics Institute (EBI). La structure de cette banque est similaire à celle de GenBank pour le format des fichiers et pour sa construction en divisions.

En collaboration avec les autres banques nucléiques généralistes, un nouveau type de soumission de données a été créé : les séquences TPA (Third Party Annotation). Ces soumissions permettent l’annotation de séquences nucléiques existantes par un autre auteur que l’auteur de la séquence. Elles peuvent être de différentes origines, des séquences d’ARNm assemblées à partir d’EST chevauchants, un ARNm à partir d’une séquence génomique non annotée, des annotations d’exons, d’introns, de régions codantes à partir d’une séquence non annotée.

DDBJ (DNA Data Bank of Japan ) est la base de données biologique généraliste de séquences nucléiques, développée au Japon. En 2002, 17,3% des entrées de l’INSD sont

Chapitre I : Introduction

apportées par la DDBJ (53). Ces nouvelles entrées proviennent essentiellement des génomes du riz, de la souris, du chimpanzé et du nématode. Les données de génomes complets qui seront incorporées dans l’INSD sont tout d’abord classées dans la banque spécialisée GIB (Genome Information Broker). La nouveauté 2002 de cette banque est l’utilisation du métalangage XML (eXtensible Markup Langage) à la place des formats fichiers plats. En effet, les fichiers plats ne sont pas très efficaces pour extraire des informations des entrées de séquences de génome car une entrée contient souvent plusieurs gènes. Le format DDBJ-XML permet de faciliter l’écriture de requêtes complexes avec la base de données car ce langage permet d’inventer des nouvelles balises pour isoler toutes les informations élémentaires. Ce format est tout d’abord appliqué à la base de données GIB qui contient les génomes complets de 90 espèces.

3.2.1.2 Bases de séquence protéiques

Il existe deux bases de données de séquences protéiques très utilisées : Swiss-Prot qui est certainement la base de donnée la plus utilisée par la qualité de son annotation, et PIR également utilisée car elle couvre un plus grand nombre d’espèces.

• Swiss-Prot et TrEMBL

Swiss-Prot est une base de données non redondante de séquences protéiques annotées, créée par Amos Bairoch en 1986 et maintenue aujourd’hui par le SIB (Swiss Institute of Bioinformatics) et l’EBI (European Bioinformatics Institute). Dans la version 40.39 du 10 Janvier 2003, on compte 120 961 entrées (54). La spécificité de cette base repose sur trois critères : une annotation de grande qualité, un niveau minimal de redondance, des liens avec de nombreuses bases de données. Une entrée Swiss-Prot comprend 2 parties : tout d’abord, les données principales que sont la séquence, son origine taxonomique et des citations, puis des informations d’annotation qui peuvent être la ou les fonctions de la protéine, des modifications post-transcriptionnelles, des sites et des domaines, des structures secondaire, tertiaire et quaternaire, des conflits de séquences. Certaines banques contiennent plusieurs entrées pour une même séquence protéique, ceci à partir d’informations bibliographiques. Ces différences de séquences protéiques peuvent être dues à différentes causes biologiques : des variants d’épissage, des polymorphismes, des mutations causant des maladies, mais aussi des erreurs de séquençage. Ces informations sont indiquées dans le champ FT (Feature Table) d’une seule entrée de Swiss-Prot. Une entrée Swiss-Prot contient aussi des références vers

Chapitre I : Introduction

d’autres bases de données (43 bases de données). Des bases de données généralistes avec le lien vers la séquence nucléique et des bases de données thématiques telles que des bases de signatures, de familles de domaines, de structures pour améliorer l’annotation.

Pour compléter Swiss-Prot qui contient peu de séquences par rapport aux bases de séquences nucléiques, EMBL a développé en 1996 la base de données TrEMBL (Translation of EMBL nucleotide sequence database) de traduction automatique de ses régions codantes (CDS), qui ne sont pas encore intégrées dans SWISS-PROT. Il existe deux sections dans TrEMBL : SP-TrEMBL et REM-TrEMBL. SP-TrEMBL contient les séquences qui seront éventuellement incorporées dans Swiss-Prot. REM-TrEMBL contient les séquences qui ne le seront pas c’est-à-dire les immunoglobulines, des fragments de séquences, … (55). Chaque séquence TrEMBL est annotée de façon automatique à partir de trois types de données : la base de données de référence Swiss-Prot, la base de données de familles de protéines et de signature INTERPRO pour classer la protéine non annotée dans un groupe, et la base de données de règles d’annotation RuleBase. Les données de Swiss-Prot et TrEMBL sont sous forme de fichiers plats pour le moment, mais une base de données relationnelle a été développée et les fichiers sont transformés en documents avec un nouveau format de type XML : SP-ML (SWISS-PROT Markup Language).

• PIR

La base de données PIR (Protein Information Ressource), créée en 1968, maintient deux bases de données généralistes de séquences protéiques avec la collaboration du MIPS (Munich Information Center for Protein Sequence) et du JIPID (Japan International Protein Sequence Database). La banque PSD (Protein Sequence Database) contient dans la dernière version de 2002 (56) 283 000 entrées annotées et classées couvrant toute la taxonomie, tandis que la banque NREF (Non-Redondant Reference Database) regroupe de façon non redondante toutes les données contenues dans les banques de séquences protéiques : PIR-PSD, SWISS-PROT, TrEMBL, RefSeq, GenPept et PDB. NREF contient plus d’un million d’entrées.

La banque PIR-PSD est annotée en utilisant une classification automatique en familles et superfamilles d’après le travail de Margaret Dayhoff. 99% des séquences de la PSD appartiennent à une famille et les séquences appartenant à une famille ont au moins 45% d’identité entre elles. Les superfamilles sont constituées de familles de séquences présentant

Chapitre I : Introduction

une même architecture en domaines. Comme SWISS-PROT, PIR existe sous forme de fichier plat et est depuis peu distribué en format XML.

3.2.1.3 Base de structures tridimensionnelles

Une protéine n’est pas seulement un polymère linéaire de 20 types d’acides aminés possibles, ce polymère se replie en une conformation tridimensionnelle lui donnant sa fonction. Ainsi, cette structure tridimensionnelle (3D) peut mettre en évidence un site actif de catalyse d’une enzyme ou un site de fixation d’une protéine à l’ADN. La connaissance de la structure 3D d’une protéine est donc un moyen, en recherche fondamentale, pour comprendre son mode d’action, c’est-à-dire sa fonction, et en recherche appliquée, pour découvrir de nouveaux médicaments. La première structure 3D obtenue est celle de la myoglobine en 1960, par la technique de diffraction au rayon X du cristal de la protéine. On utilise aussi la technologie de Résonance Magnétique Nucléaire (RMN) pour déterminer les coordonnées des atomes d’une macromolécule, qui peut être une protéine, mais aussi de l’ADN ou de l’ARN. La Protein Data Bank (PDB) est la plus ancienne archive de données de structures tridimensionnelle, elle contenait 7 entrées en 1971, en octobre 2002 (57) elle contient 18 000 structures. Le processus d’acquisition des données est effectué par l’organisme Research Collaboratory for Structural Bioinformatics (RCSB) depuis 1999. Les données sont uniformisées pour faciliter les recherches dans la base de données. Les champs d’une entrée donnent des informations sur le nom de la macromolécule, l’organisme source des données, la méthode utilisée et sa résolution, les coordonnées des atomes, …

De nombreuses bases de données secondaires sont issues de la PDB. Elles exploitent ces informations pour en extraire d’autres comme la décomposition en domaines structuraux des protéines dans SCOP et CATH.