La recherche in silico
Gabriel
Gallezot, gallezot@unice.fr
Chercheur au GRESI, Groupe
de REcherche sur les Services d'Information, direction 2 : Information
scientifique et numérique, ENSSIB, Lyon.
La recherche in silico [1]. Ce vocable indique le début et l'ampleur d'un phénomène
en biologie moléculaire: les recherches ne sont plus seulement in vivo ou in vitro, mais ont un recours de plus en plus essentiel aux
analyses informatiques. Il souligne ainsi l'importance des technologies de
l'information et de la communication (TIC) dans le développement de cette
discipline et en désigne surtout deux champs spécifiques : la génomique et la
bioinformatique. Nous présentons ici un modèle explicatif du cycle de
l'information scientifique et technique (IST) dans cette communauté par le biais
d'une observation participante effectuée au sein d'un laboratoire de génétique
des microbes à l'INRA[2]. Nous avons appréhendé l'appropriation de l'information
numérique par les chercheurs à l'aide d'un modèle heuristique construit sur le
cycle de vie du document (acquisition, recherche, archivage…) et de
transformation de l'information (informations / documents / connaissances)[3] intitulé cycle de
l'information scientifique et technique (cf.
figure 1).
figure 1 : le cycle de l'information
scientifique et technique
L'activité informationnelle des
chercheurs est circonscrite par ce modèle. Le “bouclage”[4] d’un cycle induit la
construction de connaissances, d’informations et de documents. La collecte peut
être réalisée à partir de banques de données, de sites web, d’expériences dans
les laboratoires, de “butinage” (browsing)
dans les rayonnages d’une bibliothèque... Le traitement correspond à l’activité
cognitive des chercheurs ou à des manipulations par des outils informatiques.
La diffusion est définie comme l’ensemble des opérations nécessaires à la
propagation des connaissances. La transformation de l'information s'inscrit
dans ce processus où la connaissance est la formation des idées, l'information
est la mise en forme des connaissances (in-formation) et l'information inscrite
sur un support constitue un document. Le concept d'unité informationnelle veut
mettre en exergue la “granularité” de l'information et désigne une partie de
document à collecter ou à traiter[5].
I - De la biologie moléculaire à la
génomique et la bioinformatique
1.1 - La biologie moléculaire
La biologie
moléculaire occupe une place dominante dans les sciences biologiques. Cette
“vision moléculaire” du vivant est née de la génétique et de la biochimie. On
peut dater l’émergence de cette nouvelle discipline scientifique avec la mise
en évidence de l’ADN comme vecteur de l’hérédité par O.T. Avery et C.M. McLeod
(1944), puis la découverte de sa structure (double hélice) par J.D. Watson et
F.H.C. Crick (1953).
Il existe
plusieurs définitions de la biologie moléculaire, de la plus large à la plus
restrictive. On pourrait parler de biologie moléculaire au sens littéral, dès
lors qu’une activité de recherche en biologie aborde le niveau moléculaire dans
son champ d’investigations. A l’opposé, cette discipline s’est structurée et
définie autour de l’étude de l’expression de l’information génétique et de ses
régulations, ce qui aurait tendance à la faire apparaître comme un domaine de
la génétique. Entre les deux, elle est décrite comme l’étude des macromolécules
biologiques : les acides nucléiques, dont l’ADN, support des gènes et de
l’information génétique, et les protéines, produits de ces gènes et
“ingénieurs” de la cellule biologique.
“L’apport de la biologie
moléculaire est souvent réduit à l’acquisition d’un ensemble de
techniques : elle n’aurait fait qu’apporter aux biologistes des outils
leur permettant d’étudier et de maîtriser le vivant. Cette conception est
totalement erronée : c’est une illusion de penser que l’utilisation des
techniques peut être dissociée de la nature des connaissances que ces
techniques permettent d’acquérir. La biologie moléculaire est une révolution
scientifique, une nouvelle vision du monde du vivant, que la mise au point d’un
ensemble de techniques a rendue efficace et opératoire[6].”
Comme
Morange l'écrit ci-dessus, les techniques servent la connaissance qui sert la
technique : c'est un processus récurrent (cyclique) qui inscrit dans le temps
la construction de connaissances et la réalisation de techniques. Ainsi, il est
impossible de dissocier la technique de la science en biologie moléculaire,
quelque soient ces techniques: celles directement liées à la manipulation du
vivant[7] et celles plus
générales de l'informatique[8] (traitement
automatique de l'information).
1.2 - De l'importance des techniques
A travers “les histoires
parallèles”[9] de l’informatique et
de la biologie moléculaire des périodes de “synchronie” mettent en évidence
l’alliance des techniques de la génomique et de l'informatique.
Dans les années 1970, le
développement des techniques de génie génétique comme le clonage (1974), ont
fait “décoller” la biologie moléculaire née trente ans plus tôt, avec la
découverte de l’ADN comme support d’information génétique. Cette période voit aussi
la naissance du réseau Arpanet, premier composant du futur réseau Internet. Le
premier micro-ordinateur et les systèmes de gestion de bases de données (SGBD)
hiérarchique et réseau font leur apparition. Ainsi, on peut percevoir cette
période comme “l’enfance” des techniques informatiques et génétiques.
Dans les années 1980, les
techniques évoluent. Les micro-ordinateurs sont équipés de disques durs, de
modems et les SGBD deviennent relationnels. La structure primaire (séquence) de
l’ADN est analysée et des banques de données factuelles (la représentation de
séquences nucléotidiques) internationales collectent ces résultats
d’expériences. Ce dernier fait prend de l’ampleur avec la décision des éditeurs
de revues scientifiques de ne plus publier le “texte” de la séquence analysée
dans la publication. Ainsi, les biologistes peuvent disposer plus efficacement
des travaux des autres. Cette période transitoire marque le début de
l’interaction des techniques informatiques et de la biologie moléculaire. Elle
est appelée “adolescence” pour signifier l’évolution opérée sur la précédente
période et le début d’appropriation des techniques informatiques par les
biologistes.
Dans les années 1990, l’ADN des gènes de chromosome(s)[10] est systématiquement
analysé (les petits génomes en début de période, comme ceux des bactéries, puis
en fin de période des génomes plus importants comme celui de la drosophile).
C’est un changement important d’échelle, de point vue. L’analyse du génome est
dorénavant une étape incontournable et essentielle dans l’étude du vivant. Le
séquençage réalisé avec des séquenceurs informatisés[11] et des projets
internationaux d’analyse de génomes impulsés par le Human Genome Project (HGP) contribuent à l’accroissement rapide du
nombre de séquences dans les banques internationales. Parallèlement,
l’informatique fait, elle aussi, un saut quantitatif : vitesse de traitement
des processeurs, capacité des mémoires vives et de stockage,… La loi de Moore
qui dit que la vitesse des processeurs double tous les 18 mois est toujours
valable. Elle peut, dans une certaine mesure, s’appliquer à l’ensemble des
techniques informatiques. L’ordinateur est présent un peu partout et
l’informatique, le traitement automatique de l’information, n’a jamais été
aussi prépondérant. De machine qui servait principalement à la gestion
comptable dans les années 1970, l’ordinateur s’est imposé dans tous les champs
de l’activité humaine. Cette dissémination des ordinateurs et des
micro-ordinateurs, doublée de l’apparition des techniques liées au Web (langage
HTML, serveur HTTP et navigateurs) participent à la mondialisation du réseau
Internet. Cette quatrième période, appelée “une certaine maturité”, montre une
appropriation affirmée des techniques par les biologistes et l’alliance croissante
de l’informatique et de la biologie moléculaire.
1.3 - La génomique
L’impulsion du programme de
séquençage complet du génome humain (le HGP), puis de celui d'autres génomes,
et enfin la généralisation et l’évolution concomitante des séquenceurs, ont
fait croître de manière exponentielle la production des séquences d’ADN. Cette
recherche d’exhaustivité, liée au fait que toute l’information génétique
nécessaire à un organisme est contenue dans son ADN, a propulsé la biologie
moléculaire dans l’ère de la génomique. Pour faciliter l’accès et le traitement
des séquences biologiques, il y a eu nécessité de les enregistrer dans les
banques, désormais en ligne sur Internet.
Le terme “génomique”[12] émerge de débats
relatifs aux différents colloques organisés entre 1984 et 1987. Le HGP aura un
effet mobilisateur, tant sur le plan des techniques, que sur l’impulsion de
projets de séquençage d’autres génomes. Du fait de la taille réduite de leurs
chromosomes, les microbes sont les premiers organismes vivants et autonomes qui
ont fait l’objet d’une lecture complète de leur information génétique. Le
premier résultat général et inattendu était l’importance de la part des gènes
de fonction inconnue détectés par cette approche exhaustive, élément qui
n’avait pas été mis en évidence auparavant par les méthodes classiques de la
génétique[13]. Cette observation est à l’origine d’une deuxième
génération de programmes de génomique, visant à élucider, de la manière la plus
systématique possible, la fonction de ces “nouveaux gènes”. Elle a également
contribué à entériner au sein de la communauté le concept de “génomique
fonctionnelle”[14], qui regroupe les approches biochimiques et physiologiques
adaptées à des analyses d’un génome entier et complétant les informations
apportées par les séquences d’ADN. Ainsi sont mis en place de nouveaux moyens
de production de grandes quantités d’informations, sur le même mode que le
séquençage, qui devront être croisées pour prédire les fonctions des gènes.
1.4 - La bioinformatique
Le phénomène sans doute le plus
marquant, relatif à l’informatique et à la biologie moléculaire, est
l’émergence de la bioinformatique :
[…] [divers] spécialistes - généticiens, spécialistes de la
biologie moléculaire, ingénieur informatique, chercheurs en informatique,
mathématiciens et statisticiens – ont travaillé ensemble et drainé [utilisé]
les bases de connaissances en information génétique..[15]
Les efforts ont d’abord porté sur l’analyse des séquences et des
structures, par des approches algorithmiques et mathématiques. C’est une fois de plus avec la
possibilité de lire le texte de l’ADN que cette activité a pris de l’ampleur,
et que ses outils se sont généralisés chez les biologistes. En même temps,
l’organisation et la gestion de l’information, à savoir les données factuelles sur les
objets biologiques, devenaient une nécessité. Encore à la marge de cette
nouvelle discipline, et relevant des sciences de l’information, les données non
factuelles, par exemple le texte des articles scientifiques, commencent à être exploitées (avec
l'informatique) pour enrichir les connaissances en génomique.
La bioinformatique, traitement automatique de l'information biologique,
s’est définitivement imposée avec les programmes d'analyse de génomes[16]. Cette discipline reprend
tous les thèmes de
l'informatique : l'acquisition, l'organisation de l'information, l'analyse, la
visualisation, la modélisation, ... pour les appliquer à la génomique.
Plusieurs revues lui sont spécifiquement dédiées, Bioinformatics (CABIOS ou Computer Applications in the Biosciences jusqu’en 1997) et Journal of Computational
Biology, tandis que Nucleic Acids Research, non content de publier
des articles, consacre des numéros spéciaux aux banques et aux bases de données
en biologie moléculaire. Enfin, des revues généralistes comme Nature, Science ou la série des Trends, lui consacrent régulièrement des colonnes et des rubriques.
La bioinformatique peut être assimilée au passage de l'imprimé à
l’électronique. D'une simple lecture de représentations de séquences nucléotidiques (quelques
lignes de A.T.G.C., la réprésentation des nucléotides : Adénine, Thynine,
Cytosine et Guanine) en sélectionnant ou en feuilletant des revues disponibles
dans leur centre de documentation, les biologistes peuvent désormais, pour des données factuelles plus
conséquentes, faire une recherche sélective et exhaustive, puis les collecter via Internet, les manipuler in silico et en proposer une
représentation graphique sur écran.
La bioinformatique est la
résultante de la nécessité de traiter l’information génomique et d’une forte
appropriation des technologies informatiques par des chercheurs. De
développements ponctuels, isolés et réalisés par des chercheurs en génomique
ayant de bonnes compétences en informatique, la bioinformatique “ s’institutionnalise ”.
Des formations universitaires apparaissent avec le label
“bioinformatique ”, des équipes regroupant des informaticiens, des
mathématiciens et des biologistes se forment et des chercheurs en science de
l’information apparaissent dans ces équipes. Du traitement d’un petit ensemble
de données factuelles, la bioinformatique a désormais pour tâche de rassembler
l’ensemble de l’information d’un domaine, d’un champ spécifique. Cela engendre
deux conséquences :
- les
développements informatiques sont d’une plus grande ampleur, ils convoquent et combinent
différentes techniques,
- les informations traitées ne sont plus
uniquement des données expérimentales, mais aussi des données
“textuelles ” (non factuelles) issues de la littérature scientifique.
On considère donc la génomique
comme un aspect de la biologie moléculaire et la bioinformatique comme une
activité scientifique adjacente à la génomique. Chacun de ces champs
disciplinaires a sa spécificité, des revues dédiées, et un objectif commun :
l'analyse des génomes.
II - L'information en génomique
2.1 - L'information scientifique et
technique en génomique
Trois types de documents sont à
considérer : les données factuelles, les données textuelles et des
informations “communautaires”. Cette distinction est usuelle, mais révèle, en
trois points, l'activité du chercheur. Schématiquement, les données factuelles
représentent la partie expérimentation de son activité, les données textuelles
sont le contexte cognitif et les informations communautaires constituent le
liant de la vie scientifique.
2.1.1 - Les données factuelles
Elles sont issues de la
paillasse ou des banques de séquences internationales. Ces banques, comme
GenBank, EMBL ou DDBJ[17] pour les séquences d’ADN, donnent accès par FTP à leurs gisements de
documents primaires, qui sont des fichiers informatiques de texte codé en ASCII
(American Standard Code for
Information Interchange). Ces fichiers sont dits “à plat” (flat file), c'est-à-dire des
fichiers bruts fournis sans outil d'organisation. Néanmoins, ils possèdent une nomenclature
de description et constituent ainsi les enregistrements, les notices des
banques. Chaque enregistrement (cf. figure 2) est organisé en
champs, pour lesquels des descripteurs spécifient une information relative aux propriétés
d'un objet biologique. Si chaque banque possède ses descripteurs, ou ses
étiquettes, pour coder l'information suivant un format qui lui est propre, le
contenu informationnel intrinsèque de l'objet biologique reste inchangé. Dans une notice, on peut distinguer
quatre grandes parties :
- Identité biologique,
du descripteur LOCUS au descripteur ORGANISM. Ce sont des
informations générales qui renseignent “l'état
civil” de la séquence : son nom, le
type de molécule, son affiliation biologique, la date de son entrée (LOCUS),
son numéro d’accès (ACCESSION) comme identificateur unique de l’enregistrement dans la
banque, une brève définition et des mots-clés pour la caractériser, et enfin
son origine (SOURCE) et son affiliation biologique à une espèce (ORGANISM).
- Références, du
descripteur REFERENCE au descripteur MEDLINE. Ce sont les références
bibliographiques des publications relatives à la production de la séquence.
Mais plus précisément, cette partie est une notice catalographique enrichie :
en plus de renseigner sur les auteurs, le titre, la revue, elle localise le
document dans la banque Medline.
- Propriétés de la séquence: le champ FEATURES, où figurent les annotations qui décrivent la séquence,
c’est-à-dire qui spécifient précisément la fonction de chacune des
sous-séquences de l'enregistrement. Il est formé de plusieurs sous-champs
donnant la position (Location) et les attributs spécifiques (Qualifiers)
de chacune des sous-séquences, correspondant à une fonction identifiée.
- Texte de la séquence d’ADN. Il
débute par le descripteur ORIGIN. C'est la représentation de la séquence nucléotidique à
l'aide des symboles ATGC, sur laquelle toutes les expériences ont été réalisées.
Cette standardisation permet donc
de coder l'information et garantit une utilisation pérenne du document. Les
notices évoluent avec les connaissances et le contexte de l'activité
scientifique. Ainsi, un descripteur similaire à Medline concernant PubMed
Central[18],'Open Archive Initiative ou toute autre archive numérique
de textes scientifiques pourrait apparaître. De plus, si les banques de
séquences d’ADN représentent une même information, mais dans un format
propriétaire, le champ FEATURES fait l’objet d’une standardisation commune à toutes les
banques (DDBJ/EMBL/GenBank[19]). De nouveaux features
et de nouveaux qualifiers sont
introduits de cette manière, dont la liste et les définitions sont décrites par
un document collectif et consultable en ligne. Il compose en quelque sorte une
DTD pour cette partie des enregistrements de séquences.
Figure 2 : Notices Genbank (Extrait, la notice complète représente
une vingtaine de pages, le pointillé indique les coupures)
GenBank (116.0,
03/10/2000)
Accession: L09228
GenBank (NCBI, Bethesda, Md. USA)
LOCUS BACDIA 28206 bp DNA BCT 26-MAY-1995
DEFINITION Bacillus subtilis spoVA to serA region.
ACCESSION L09228
NID g410114
VERSION L09228.1
GI:410114
KEYWORDS 3-dehydroquinate dehydratase; aroC gene;
diaminopimelate
decarboxylase; lysA gene;
penicillin-binding protein;
peptidyl-prolyl isomerase;
phosphoglycerate dehydrogenase; ppiB
gene; response regulator; response
regulator kinase; ribA gene;
ribB gene; ribD gene; ribG gene; ribH gene; ribT gene;
riboflavin
biosynthesis operon; serA gene;
signal peptidase; sipS gene; spoA
gene; spoVAF gene.
SOURCE Bacillus subtilis (strain 168,
sub_species Marburg) DNA.
ORGANISM Bacillus subtilis
Bacteria; Firmicutes;
Bacillus/Clostridium group;
Bacillus/Staphylococcus group;
Bacillus.
----------------------------------------------------------------------
REFERENCE 3
(bases 1 to 28206)
AUTHORS
Sorokin,A., Zumstein,E., Azevedo,V., Ehrlich,S.D. and Serror,P.
TITLE
The organization of the Bacillus subtilis 168 chromosome region
between the spoVA and serA genetic
loci, based on sequence data
JOURNAL
Mol. Microbiol. 10 (2), 385-395 (1993)
MEDLINE
95020538
FEATURES Location/Qualifiers
source 1..28206
/organism=”Bacillus
subtilis”
/strain=”168”
/sub_species=”Marburg”
/db_xref=”taxon:1423”
gene 1..1239
/gene=”spoVAF”
CDS <1..1239
/gene=”spoVAF”
/codon_start=1
/transl_table=11
/protein_id=”AAA67472.1”
/db_xref=”PID:g410115”
/db_xref=”GI:410115”
/translation=”VDIVENRLLNAQVEKVKTLDETTDQVLSGLVAVIVEGAGFAFII
DVRSYPGRNPEEPDTEKVVRGARDGFVENIVVNTALLRRRIRDERLRVKMTKVGERSK
TDLSICYIEDIADPDLVEIVEKEIASIDVDGLTMADKTVEEFIVNQSYNPFPLVRYTE
RPDVAANHVLEGHVIIIVDTSPSVIITPTTLFHHVQHAEEYRQAPSVGTFLRWVRFFG
ILASTLFLPIWFLFVLQPDLLPDNMKFIGLNKDTHIPIILQIFLADLGIEFLRMAAIH
TPTALSTAMGLIAAVLIGQIAIEVGLFSPEVILYVSLAAIGTFTTPSYELSLATNEPS
CPHDTRCFISYKRARHRLYSANYAMASIKSLQTPYLWPLIPFNGKALWQVLVRTAKPG
AKVRPSIVHPKNRLRQPTNS”
conflict 1158..1164
/gene=”spoVAF”
/citation=[1]
---------------------------------------------------------------------------
BASE COUNT 8529 a
5565 c 6530 g 7582 t
ORIGIN
1 gtcgacatcg tcgaaaacag gctgcttaac
gcccaggtcg aaaaagtaaa aaccttggat
61 gaaaccaccg accaagtgct gtccgggctc gtcgctgtca
ttgttgaagg tgcaggcttc
121 gcatttataa ttgatgtcag aagctatccg ggcagaaacc cggaagaacc tgatacggaa
2.1.2 - Les
données textuelles
Elles sont représentées par la
littérature scientifique au sens large du terme. Dans cet ensemble on trouve
les articles des revues, les ouvrages scientifiques, les actes de colloques...
Mais aussi les notices catalographiques des banques de données bibliographiques
comme Medline (cf. figure 3). Au même
titre que les notices Genbank, la notice Medline présentée ci-dessous est un
fichier ASCII avec des descripteurs spécifiques. On peut distinguer les
éléments qui relèvent d'une notice catalographique classique (auteurs, titre,
résumé, revue, date, descripteurs du thésaurus...) et ceux qui ont trait aux
liens avec les objets biologiques (les gènes, l'enregistrement dans une banque
de séquence). Récemment, ces notices ont fait l'objet d'un formatage XML[20] . Ainsi, avec la DTD[21] et les filtres ad hoc, il est devenu plus aisé de les
manipuler. Nous insistons particulièrement sur la notice catalographique car
des développements en bioinformatique l'utilisent dans le cadre de projets
d'extraction automatique d'informations. Par exemple, comme la majeure partie
des connaissances biologiques sur les interactions géniques n'est pas décrite
dans les banques mais dans les articles scientifiques, l'exploitation des
résumés des notices et plus généralement des textes scientifiques constitue un
enjeu central dans la construction des modèles d'interaction entre gènes ou
encore dans la contextualisation de données issues de l'expérimentation[22].
Figure 3 : Notice
Medline
UI - 95020538
AU - Sorokin A
AU -
Zumstein E
AU -
Azevedo V
AU -
Ehrlich SD
AU -
Serror P
TI
- The organization of the Bacillus subtilis 168 chromosome region between
the spoVA and serA genetic loci, based on sequence data.
LA - Eng
MH - Amino Acid Sequence
MH
- Bacillus subtilis/*genetics
MH
- Base Sequence
MH
- *Chromosomes, Bacterial
MH
- Cloning, Molecular
MH
- Comparative Study
MH
- Genes, Bacterial/*genetics
MH
- Molecular Sequence Data
MH
- Operon/genetics
MH
- Sequence Analysis, DNA
MH
- Sequence Homology, Amino Acid
MH
- Support, Non-U.S. Gov't
PT - JOURNAL ARTICLE
DA - 19941109
DP - 1993 Oct
IS - 0950-382X
TA - Mol Microbiol
PG - 385-95
SB - M
CY - ENGLAND
IP - 2
VI - 10
JC - MOM
AA - Author
EM - 199501
AB - Three different lambda phage
clones with overlapping inserts of Bacillus
subtilis DNA, which cover
the region from spoIIAA to serA, have been
[...]
basis of the sequences of
their transcription terminators, promoters and
regulatory
elements.
AD - Laboratoire de Genetique Microbienne,
Institut National de la Recherche
Agronomique, Jouy en Josas, France.
PMID- 0007934829
GS - spoIIA
GS - aroC
GS - spoV
GS - spoA
GS - spoF
GS - lysA
GS - ppiB
GS - sipS
GS - ribG
GS - ribH
GS - serA
SI - GENBANK/L09228
SI - GENBANK/M15349
SI - GENBANK/D90189
SI - GENBANK/X17013
SI - GENBANK/Z11847
SI - GENBANK/X51510
SI - GENBANK/M84227
EDAT- 1993/10/01
00:00
MHDA- 1993/10/01
00:00
SO - Mol Microbiol 1993 Oct;10(2):385-95
2.1.3 - Les informations “communautaires”
Elles sont représentées par
l'ensemble des documents issus des listes de discussion (mailing list), forums (news
groups), sites et portails web d'une communauté scientifique (au sens large
ou restreint). Leurs contenus sont de nature très différente : des
informations circonstancielles (call for
papers, annonces de colloques, …), des informations de type savoir-faire
(“dépannage” technique, utilisation de tel ou tel produit, etc), groupe de travail (sur une norme, un projet, etc.)...
D'autres éléments peuvent
contribuer à affiner cette typologie, notamment la distinction document
primaire, secondaire et tertiaire ou encore information gratuite et payante.
Par définition, les articles et ouvrages scientifiques constituent
les documents primaires d'une discipline, en génomique il faut aussi intégrer
dans cet ensemble les documents des banques de données factuelles puisqu'ils
sont la représentation, la description première d'un objet biologique.[23]. Les données bibliographiques issues des
banques bibliographiques ou celles contenues dans les documents primaires des
banques sont des documents secondaires qui font référence aux articles scientifiques[24]. Enfin, les documents générés à partir
des systèmes d'information qui intègrent les documents primaires et secondaires
des banques peuvent être considérés comme des documents tertiaires, ils
réalisent une synthèse de ressources.
En génomique, les données factuelles sont généralement numérisées
sous forme de notices dans des banques accessibles gratuitement par internet.
Les documents secondaires sont eux aussi principalement sous forme électronique
et gratuite: les références bibliographiques sont disponibles à partir de
banques bibliographiques comme Medline (PubMed) accessibles gratuitement par le
web. Seuls, les articles publiés dans les revues relèvent encore d'une économie
marchande avec toutefois des pressions actuelles d'ouverture perçues notamment
par le développement d'archives ouvertes donnant accès aux numéros anciens de
ces revues.
Ainsi, pour un même document, plusieurs qualificatifs et donc
plusieurs typologies sont possibles. Insistons pour terminer sur le fait
suivant : ce qui, dans d'autres disciplines scientifiques, est distinct et
payant (données factuelles et références bibliographiques) est en génomique
gratuit et groupé. Cette situation particulière et privilégiée rend la pratique
de collecte singulièrement aisée et principalement réalisée sur Internet. Ce
phénomène est relatif au principe de double publication.
2.2 - Le
principe de double publication
La publication d'un article
relatif à une séquence nucléotidique dans une revue scientifique est soumise à
une obligation préalable : la publication de la séquence.
Plus précisément, cette
publication est réalisée par le “dépôt” des données de représentation de la
séquence dans des banques ad hoc [25]. En échange de ce dépôt le chercheur reçoit un numéro
d'enregistrement[26] qui permettra la
publication de son article dans une revue. Le terme proposé “double
publication” exprime donc clairement le processus de publication en biologie
moléculaire.
En 1984, dans les instructions aux
auteurs du “Journal of Biological
Chemistry”, il fut demandé pour la première fois aux auteurs de publier
leurs séquences directement dans une banque de données comme GenBank
(américaine) ou EMBL Data Library (européenne). La même revue, un an plus tôt,
informait les auteurs potentiels que leurs séquences ne seraient pas publiées
dans la revue et qu’il n’était pas nécessaire de soumettre la séquence avec la
proposition d’article.
Au regard du nombre croissant d'articles soumis qui décrivent des séquences nucléotditiques ... Les données obtenues par des techniques bien établies ... ne seront généralement pas publiée et ne devront plus être soumises avec le manuscrit.
En 1987, la revue “Nucleic
Acids Research” tient les mêmes propos mais demande aux auteurs de publier
leur séquence dans EMBL Data Library pour équilibrer la quantité de séquences
avec GenBank. Surtout, la revue demande aux auteurs de posséder un accession number pour pouvoir publier
leur article : pas de dépôt de séquence, pas d’article. Le dépôt peut-être
“confidentiel”, la séquence ne sera pas rendue publique tant que l’article
n'aura pas été publié. En 1988, les banques de données, Genbank, EMBL Data
Library mais aussi DDBJ, PIR, MIPS et JIPIDS s’échangent leurs données[27]
2.3
- Le débat de l'accès public/privé
L’innovation qui consiste à
déposer les séquences dans les banques en même temps que la soumission d’un
article ne se fait pas sans controverse.
Mc Goutry (1989), dans une lettre à Nature évoque le fait que des
années d'affinage sont souvent nécessaires avant qu'une structure soit intégrée
dans une base de données. Elle s'inquiétait de la rumeur dans la communauté de
la crystallographie, qui prétendait que les chercheurs vendaient les
coordonnées à des compagnies privées plutôt que de les rendre publique et elle
soutenait que les revues devaient jouer un rôle dans le dépôt rapide des
coordonnées.[28]
Au-delà du questionnement sur la
nature des supports ou encore le temps d'intégration des données dans les
banques, ce qui est finalement mise en avant c'est le débat sur le financement
de la recherche et la valeur économique des résultats.
La mise en place du principe de
double publication qui concourt largement à l’évolution de la publication des
données électroniques relève d'une coopération entre les producteurs des
banques de données et les éditeurs. Les auteurs des séquences n’ont finalement
qu’à s’exécuter. Par exemple, Genbank demande aux chercheurs dont les travaux
sont issus de fonds publics (federal fund
aux USA) de soumettre leur séquence en même temps que leur article. Si cette
obligation de double publication peut heurter individuellement, elle présente
l’avantage de rendre publiques les données issues de fonds publics. Les
entreprises privées qui produisent des séquences génétiques ne sont, quant à
elles, pas soumises à cette obligation
mais peuvent bénéficier des séquences publiques.
On peut alors, légitimement,
s'interroger sur les effets de cette politique de publication. En effet, mettre
les résultats de la recherche dans le domaine public c'est aussi donner
gratuitement aux multinationales privées des informations qu'elles n'hésiteront
peut-être pas à transformer en innovations brevetées. Les organismes
scientifiques comme l'INRA, pour contrebalancer cette situation et favoriser la
valorisation des résultats de la recherche publique, sont favorables, sous
certaines conditions, à leur protection par brevets :
“[...] la détention de tel brevet par des organismes publics doit
permettre à la France et à l'Europe de tenir leur place -aux plans scientifique
et économique- dans le concert des Nations et favoriser, par le biais de
l'octroi de licences, l'accès à nos filières aux innovations concernées.”[29]
Mais cette situation n'est souvent
pas aussi contrastée et l'analyse ne peut pas s'arrêter à ce niveau. D'une
part, certaines entreprises privées rendent publiques leurs données
expérimentales après un délai de quelques mois et d'autre part, les programmes
de recherche en génomique se réalisent généralement dans le cadre d'un
financement conjoint entre le public et le privé. Sans investissement privé, de
nombreuses recherches ne pourraient aboutir;
fréquemment, la répartition public/privé se schématise ainsi : le
public propose ses “cerveaux” et des locaux, le privé contribue à la logistique
(matériel, frais de fonctionnement, CDD, …). Donc, il faut comprendre les
exigences de retour sur investissement imposées par le secteur privé, traduites
notamment ici par cette réserve de publication afin d'exploiter au mieux en
interne les résultats obtenus.
Il n'en reste pas moins que cette
mixité des fonds de financement d'un programme d'analyse de génome pose de
réelles interrogations aux chercheurs quand il appartient au secteur public et
désire publier ses résultats de recherche pour se valoriser. Selon les règles
établies, il ne peut communiquer qu’en “double-publiant” une séquence et
l’article afférent. Mais l’association public/privé stipule souvent que les
données sont la propriété du privé avec généralement une clause de “temps de
latence” qui donne la primeur des séquences et des résultats pendant quelques
mois (souvent 6 mois) à(ux) l’entreprise(s) qui finance(nt) le projet. Ainsi le
chercheur ne pourra partager ses résultats avec sa communauté scientifique que
quelques mois plus tard. Quelques mois qui peuvent rendre obsolètes (pour la
communauté scientifique) les connaissances construites, ainsi que le contenu de
l’article.
2.4 - De la qualité des données
La gratuité des ressources
informationnelles au travers des banques de séquences, des banques de documents
secondaires et l'apparition du texte intégral (ex. Pubmed Central) confère à la
génomique un statut particulier en terme de partage d'information par
hyperliens.
Néanmoins la qualité des données
des banques de séquences n'est pas sans reproche, les erreurs se propagent de collections
primaires (banques internationale comme Genbank, EMBL) en collections
secondaires (base de données spécifiques, sur un animal, une bactérie...) et
rejaillissent par liens sur l'ensemble des autres entrepôts de documents. Elles
doivent être contrôlées et nettoyées par des traitements de base, il faut
détecter les erreurs et éliminer la redondance, pour donner la meilleure
précision possible aux calculs. Les sources d'information et leurs mises à jour
doivent être identifiées et tracées: comment ont-elles été produites, par quel
type d'approche et par qui ? Ces erreurs relèvent d'annotations “mal
réalisées”, de problèmes de standardisation de noms d'entités biologiques. Bork
et Bairoch[30] décrivent des
erreurs de synonymie, d'homonymie, de saisie, de contamination dans les
séquences biologiques et les annotations qui les accompagnent.
Ainsi, des réflexions et des
travaux de standardisation sont à mettre en place pour améliorer la qualité des
données. Ces travaux sont tributaires d'une meilleure organisation de la
communauté scientifique, et ils sont nécessaires. En effet, alors que sont
envisagés des outils sophistiqués de raisonnement automatique, il n'y a pas
lieu d'en espérer des résultats satisfaisants, s'ils doivent procéder à partir
d'ensembles de données dont une fraction significative est erronée ou
approximative. La réponse à ces problèmes de qualité devrait être un bon
révélateur de l'état d'avancement des collaborations dans la communauté des
génomistes.[31]
III - L'appropriation de l'information
numérique par les chercheurs
Les résultats issus de l'analyse
effectuée au sein d'une communauté de microbiologistes révèlent deux types
d'appropriation de l'information numérique, découlant de deux activités, de
deux types d'appropriation des technologies de l'information et de la
communication (TIC)
- une appropriation profonde, une
assimilation de l'informatique par les chercheurs en génomique (les génomistes)
qui établit une symbiose entre la biologie et l'informatique. Cette symbiose
donne lieu à une nouvelle discipline : la bioinformatique (cf. supra) ;
- une appropriation “superficielle” cantonnée
au seul usage des outils de communication électronique, de bureautique et des
produits de la bioinformatique.
Ainsi, coexistent d'une part les
bioinformaticiens qui font de la recherche et du développement sur les
représentations des objets biologiques et mettent en place des artefacts
informationnels ; d'autre part les biologistes qui utilisent des outils
informatiques standards commercialisés ou distribués librement et les artefacts
informationnels mis en place par les bioinformaticiens. On peut en effet
distinguer un groupe qui manipule les outils informatiques de façon
professionnelle et crée des produits, et un autre groupe constitué de simples utilisateurs.
Aussi, dans un premier temps nous
scindons les dispositifs informationnels communs à l'ensembles des biologistes
et ceux construits par les bioinformaticiens, pour mieux analyser ensuite
l'ensemble de l'activité scientifique des génomistes.
3.1 - Le cycle de l'information
scientifique et technique et les dispositifs informationnels
La figure 4 détaille les
dispositifs informationnels utilisés par les chercheurs en insistant, pour la
collecte, le traitement et la diffusion de l'information scientifique et
technique (IST), sur les pratiques informatives qui font intervenir des
technologies de l'information et de la communication.
Figure 4 : le cycle de l'IST et les dispositifs
informationnels
Légende figure 4
: La partie gauche du schéma représente les sources et les entrepôts qui
alimentent ou sont alimentés par le processus informationnel scientifique
représenté par la collecte, le traitement et la diffusion de l'information
scientifique et technique essentiellement médiatisés par des réseaux et des
formats de données standardisés très utilisés. Les données issues de la
paillasse sont volontairement distinguées de cette dernière partie pour
signifier leur statut primaire et endogène aux laboratoires. La partie droite
du schéma présente les dispositifs de traitement de l'information en
distinguant ce qui relève du seul acte intellectuel du chercheur, puis des
logiciels et des techniques qui l'aident dans cette action.
Au delà de l'appropriation des
outils de bureautique et de messagerie électronique, finalement commune à la
plupart des activités professionnelles, la marque de l'influence des
technologies de l'information et de la communication sur les pratiques
informatives des chercheurs en génomique réside essentiellement dans le
processus de traitement des données factuelles : les résultats issus de
l'expérimentation (séquençage) sont sous forme numérique (stockés sur disque
dur), puis ils font l'objet de traitements et d'analyses à l'aide de logiciels
spécifiques en vue de leur annotation. Les résultats annotés sont publiés
(dépôts) dans les banques de données génomiques. Ces dépôts se réalisent par
courrier électronique ou par une interface de saisie sur le site web des
banques génomiques. Les banques génomiques diffusent l'ensemble des résultats
collectés sous forme de notices standardisées via un serveur web (une ou quelques de notices à la fois) ou un
serveur FTP (un ensemble de notices concernant un type d'organisme, les
bactéries par exemple). Les collections de notices servent l'analyse de
nouveaux résultats expérimentaux à travers leur traitement par des logiciels ad hoc. Les collections de notices
peuvent être aussi intégrées dans des systèmes d'informations (cf. infra, cycle de l'information
scientifique et technique en génomique), permettant ainsi une autre analyse,
une autre présentation, et une autre “lecture” des résultats expérimentaux.
Pour la littérature en génomique
l'influence des technologies de l'information et de la communication est
marquée par les références bibliographiques (enrichies des abtracts) disponibles (en partie) sur le web (cf. Pubmed), par le texte intégral des articles souvent accessible
en ligne sur le site des éditeurs et par de nombreux “portails” qui proposent
des info-services (cours, forum, présentations de techniques...). Néanmoins,
les revues “papier” existent toujours et continuent d'être une source
prépondérante de collecte de la littérature.
Comment
expliquer l'importance de l'influence des technologies de l'information et de
la communication sur les données factuelles par rapport à la littérature
scientifique ? Une première explication a trait à la gratuité des données
factuelles. Une deuxième explication est relative aux entrepôts de données
centralisés (et internationaux) que sont les banques génomiques. Cette
situation a favorisé l'informatisation et l'échange des données factuelles,
l'automatisation des tâches diminuant leur coût. Celle-ci a aussi appelé la
réalisation de projets bioinformatiques, qu'il s'agisse de création de programmes
informatiques ou de systèmes d'information. A
contrario, la non gratuité du texte intégral et la multiplicité des revues[32] ne
permettent pas encore de grands développements de traitement de l'information[33]. Néanmoins, la disponibilité des notices
Pubmed au format XML ou les réflexions entamées à travers des projets comme
Open Archive Initiative (OAI), CrossRef[34] présente des perspectives intéressantes en
matière de gestion des connaissances.
Si cette
analyse met en lumière l'aide des dispositifs informationnels apportée à
l’activité cognitive du chercheur en génomique, elle laisse de côté l'autre
activité de ces derniers qui consiste justement à construire ces dispositifs en
usant des technologies de l'information et de la communication.
3.2 - Le cycle de l'information
scientifique et technique médiatisé par un artefact informationnel
A travers l'exemple d'un système
d'information nommé MICADO[35], nous avons analysé l'appropriation de l'information
numérique par des bioinformaticiens (cf.
figure 5)
L'appellation “base de donnée intégrative” attribuée à ce système d'information
par les bioinformaticiens dans les premiers temps, résume bien le processus
d'intégration physique des données en un seul site. Elle dénote la volonté de
collecter l'information scientifique et technique présente dans de nombreuses
banques de données sur Internet. Elle reflète l'idée de posséder de manière
exhaustive l'information relative à des organismes spécifiques (ex : la
bactérie Bacillus Subtilis) et de
l'organiser pour faciliter le traitement de cette somme d'informations. Mais
cette appellation ne prend pas en considération l’ensemble du processus de
collecte de traitement et de diffusion de l’information scientifique et
technique. En effet l'organisation de l'information, sa manipulation, puis sa
restitution sous forme de documents disponibles à travers une interface web
relèvent d'une suite de processus techniques qui confèrent à cette “base de
données intégrative” le statut de système d'information[36]. Les entrées sont caractérisées par les notices des
banques et les sorties par des documents hypermédia. La combinatoire des
techniques composant ce système[37] opère donc une
médiation informationnelle. Elle permet de transmettre l'information des
producteurs vers les usagers. Mais, le seul fait de transmettre de
l'information ne suffit pas à parler de “médiation”. Il doit y avoir une action
de “négociation”. Ce système “négocie” entre l'information (brute) des
producteurs et la demande d'information des chercheurs, en transformant des
données génomiques en documents “prêts à lire”. Il régule ainsi le flux
informationnel des données génomiques. A l'instar de l'homéostasie des
organismes qu'ils étudient, ce système permet aux chercheurs de maintenir dans
un état de stabilité leurs connaissances. Si ce système d'information manipule
essentiellement les données factuelles, des travaux concernant l'exploitation
de la littérature (données textuelles) sont en cours. Déjà commencé avec le
traitement de co-citations d'objets biologiques et la création d'outils
sémantiques qui s'attachent à détecter leurs relations dans des résumés,
l'exploitation automatisée du texte intégral viendra, sous peu, compléter
certainement le dispositif informationnel des chercheurs.
Figure 5: l'activité scientifique
médiatisée par un système d'information
Légende figure 5 :
ce schéma présente un processus informationnel guidé par des technologies de
l'information et de la communication. des chercheurs à l'aide d'outils de
traitement disponibles (cf. figure 4)
construisent un artefact qui médiatise en partie leur activité scientifique.
Ainsi la partie gauche représente les entrées et les sorties de l'artefact, la
partie droite le dispositif technique nécessaire à son fonctionnement et à son développement.
Ce système d’informations
globalise au mieux l’ensemble de l’information d’un domaine et fait l’objet de
développements techniques incessants. Avec d’autres systèmes similaires, il est
le reflet de l’influence des technologies de l'information et de la
communication sur l’activité des chercheurs en génomique et contribue aux
changements de leurs pratiques informatives. Il est un instrument évolutif et
polymorphe. Evolutif parce que l'organisation in silico du vivant peut être adaptée à un grand nombre
d'organismes. Polymorphe, parce que son agencement peut agréger de nouvelles
techniques ou de nouvelles applications qui permettront de nouvelles collectes,
de nouveaux traitements, d'autres interfaces de visualisation et d'autres
documents à diffuser. C'est un système modulaire et modulable qui peut être
valorisé dans d'autres activités scientifiques
3.3 - Le cycle de l'information
scientifique et technique en génomique
Figure 6 : Le cycle de l'information
scientifique et technique en génomique
Légende figure 6 : Ce schéma à pour objectif de globaliser l'activité
scientifique des génomistes à travers des dispositifs informationnels
génériques (partie inférieure) et médiatisé par des artefacts informationnels
dédiés (partie supérieure).
L'adjonction des figures 4 et 5
exposées précédemment, permet de présenter l'ensemble des actants qui
interviennent dans le processus de construction des connaissances en génomique.
Les chercheurs sont au coeur de ce schéma puisqu'il s'agit de leur activité scientifique.
La mise en évidence d’une “liaison de type social” [1] permet d’insister sur ce fait, le(s) chercheur(s) doit(vent)
disposer et se servir des ressources informationnelles et des techniques
disponibles (partie inférieure du schéma) pour construire des artefacts
informationnels (partie supérieure du schéma) capables de les aider dans leurs
pratiques informatives. Dans cette lecture nous retrouvons les deux catégories
de chercheurs évoquées plus haut, ceux qui usent des outils construits pour eux
et ceux qui usent des outils construits par eux. Dans les laboratoires où ces
deux catégories de chercheurs se retrouvent cette distinction ne tient pas. De
leur interaction continuelle émerge une nouvelle catégorie : “les
usagers-constructeurs”.
La mise en évidence d’une “liaison
de type technique” [2] souligne le
fait que la disponibilité et la maîtrise de techniques d’information permettent
une technologie qui débouche sur la construction d’artefacts informationnels ad hoc. La mise en évidence d’une
“liaison de type documentaire” [3]
indique que la réalisation d’artefacts informationnels ad hoc, par et pour un groupe de chercheurs, permet aussi la mise à
disposition d’un ensemble de documents pour une communauté scientifique plus
large.
IV - Illustration de l'influence
des dispositifs informationnels sur la production des connaissances
La productivité mesure le rapport la
quantité de biens produits aux facteurs nécessaires pour cette production,
c'est-à-dire ici le rapport de la quantité d'information produite aux facteurs
techniques d'information et de temps[38]
Ainsi la productivité dépend directement de la façon dont se
déroule le cycle de l’information scientifique et technique en génomique : de
la façon dont les documents sont collectés, de la manière dont est extraite
l’information, des moyens de traitement de cette information, de la capacité à
produire des connaissances et de les “traduire” en information, des
possibilités d’édition et des canaux de communication utilisés. La corrélation
forte entre technologies de l'information et de la communication et production
de connaissance est mise en évidence par les courbes présentées ci-dessous.
Nous pensons toutefois que ce n'est pas le seul facteur explicatif. D'autres
facteurs (budgets des laboratoires, budgets de la recherche, politiques de
recherche, nombre de chercheurs travaillant sur le sujet...) devraient
également être mis en correspondance.
Pour vérifier cette corrélation,
une étude quantitative des données factuelles et bibliographiques contenues
dans Micado (cf. supra) nous a permis
de mesurer la productivité des chercheurs. Elle a permis, de suivre pour une
même communauté scientifique, les chercheurs qui travaillent sur Bacillus Subtilis, l’évolution des
productions d'information scientifique et technique dans le temps (hors
conférences, posters, etc.). Cette
évolution a été couplée avec l'évolution diachronique des techniques présentées
(cf. Part I, importance des techniques).
On met ainsi en lumière différentes périodes qui rendent compte de la relation
entre l'introduction de techniques / la généralisation des techniques / le
volume de production d'information scientifique et technique.
Le
génome de Bacillus subtilis
représente 4100 gènes pour quelques 4.2 millions de paires de bases. Il a été
séquencé par 35 équipes (28 européennes et 7 japonaises) en 7 ans[39]. Le séquençage a démarré en 1990 et s’est terminé en
juillet 1997 dans les laboratoires, pour être publié dans les banques de
séquences et faire l’objet d’un article en novembre 1997[40] (indexation intégrée
dans MedLine en décembre 1997). Aujourd’hui les séquenceurs permettent un
séquençage complet d’un génome de même importance en moins de deux ans par une
seule équipe. Le temps de recherche s’est considérablement raccourci, la
publication des données factuelles est quasi immédiate. Seule la publication
papier d’un article présente encore un délai qui varie entre 6 mois et un an.
Pour comprendre cette évolution, la figure ci-dessous[41] montre l’évolution
de la production scientifique liée aux séquences de Bacillus subtilis et les dispositifs informationnels prépondérants
qui l’ont influencé.
figure 7 :Évolution de la production scientifique et des
dispositifs informationnels.
Le cas de Bacillus Subtilis
Les
courbes présentent, année par année, la somme de données factuelles et des
publications relatives aux séquences de
Bacillus subtilis. Bien que des données sur d’autres organismes bactériens
soient disponibles dans Micado, le choix de cette bactérie s’est imposé, d’une
part, parce que le laboratoire étudié travaille plus particulièrement sur cet
organisme, d’autre part parce que son génome fut l’un des premiers à faire
l’objet d’un programme de séquençage suivi et réunissant des laboratoires
européens et japonais, et enfin parce qu'elle fut l'une des premières bactéries
à révéler son génome.
“Titles”
représente le nombre d’articles publiés, “Accessions” le nombre de séquences
(de notices), “Medline” le nombre d’articles référencés dans cette banque,
“Journals” le nombre de revues dans lesquelles les articles sont publiés et “Bp
cumulées” le nombre de paires de bases cumulées.
Les
périodes indiquées en [1], [2], [3] et [4] ont été
déterminées par paliers d’accroissement des données. En effet, pour déterminer
l’influence des technologies de l'information et de la communication une étude
année par année n’est pas signifiante, il faut prendre en compte l’émergence
d’une technique, ses premières appropriations par la communauté étudiée, puis
sa généralisation. L’échelle débute en 1984 avec les premières séquences (3
notices) enregistrées dans GenBank et se termine en 1998 (86 notices) afin
d’avoir les données complètes pour chaque année (l’année 1999 est donc exclue).
Les dispositifs
informationnels indiqués au-dessus des périodes portent sur les périodes de synchronie, entre les
événements informatiques et les événements en biologie moléculaire,
intitulées “adolescence” et “une
certaine maturité”.
On
remarque en premier lieu l’évolution concomitante de l’ensemble des données. Ce
fait s’explique par le principe de double publication qui impose aux chercheurs
la publication de la séquence dans les banques de séquences pour pouvoir
publier un article sur une séquence. Le pic de 1997 est relatif aux séquençages
complet de Bacillus subtilis, la
chute de 1998 s’explique par ce même phénomène. D’ailleurs on peut supposer que
les séquences encore publiées en 1998 sont relatives à une autre souche de Bacillus subtilis ou à des séquençages
de segments spécifiques de la molécule d’ADN.
La
production de données factuelles ou non factuelles (publications) est en constante progression sauf pour les années
1987 et 1994-1995 qui représentent des périodes de faible productivité. Les
trois sauts quantitatifs en 1989, 1992 et 1996 représentent l’appropriation de
nouvelles techniques et certainement l’apport de moyens financiers non étudiés
en détail dans ce travail.
L’accroissement
des données entre 1984 et 1986 [1]
marque le début du séquençage de masse avec les techniques de PFGE et de PCR et
l’apparition des premiers entrepôts qui servent à l’enregistrement des
résultats issus du séquençage : les banques de séquences.
La
relative chute de production de données en 1987 peut s’expliquer par
l’interrogation sur l’utilité du séquençage et sur les moyens techniques,
financiers et humains à mettre en œuvre pour décrypter des génomes entiers.
Le saut
quantitatif de 1989 est une réponse à cette interrogation. Le lancement du Human Genome Project a affirmé l’utilité
de décrypter l’ADN du vivant et a impulsé d’autres programmes de séquençage. La
volonté d’organismes essentiellement publics de financer ce type de programme a
eu un effet d’électrochoc sur les techniques ad hoc. Les séquenceurs informatisés ont fait leur apparition
permettant d’accroître le nombre de données factuelles pour un nombre quasi
identique de publications. La période [2]
voit la naissance du programme de séquençage de Bacillus subtilis, la forte évolution des données en 1992 illustre
ce fait, avec près de 130 000 paires de bases[42] en plus entre 1989[43] et 1992.
Pendant
la période [3] on distingue une
différence entre les données factuelles et les publications. Les séquences sont
plus nombreuses que les articles en 1992 et les articles sont plus nombreux que
les séquences en 1995. Ce phénomène s’explique par la production massive de
séquences en début de période[44], pour laquelle un certain nombre n’ont pas fait l’objet
d’une publication (direct submission),
ou qu’une publication faisait référence à plusieurs séquences à la fois. Les
raisons que l’on peut invoquer sont liées aux techniques de traitement de
représentation numérique des séquences. Les outils d’analyse de ces documents
n'étaient pas généralisés ou peu utilisés en 1992. La généralisation
d’Internet, du web et des micro-ordinateurs dans les laboratoires a permis une
diffusion plus large de ces outils, voir leur interfaçage sur des serveurs web.
Un autre point à relever en 1992 est la différence entre le nombre d’articles
et le nombre de notices MedLine. Une première explication se trouve dans
l’accroissement du nombre de revues[45] : des articles faisaient l’objet d’une publication
dans de nouvelles revues ou des revues considérées comme mineures, non
référencées par MedLine. Une seconde explication peut être avancée : la
publication de texte dans des ouvrages ou actes de colloques.
Enfin,
pendant la période [4], le saut
quantitatif en 1996 (séquences et publications) qui se poursuit jusqu’en 1997
(date du séquençage complet du génome) est lié à une appropriation affirmée des
outils informatiques et du perfectionnement des outils pour l’analyse de l’ADN.
Le décalage entre le nombre de publication et le nombre de séquences (débuté en
1994) montre que la production de données factuelles accumulées et gérées par
des technologies de l'information et de la communication permet une production
accrue des connaissances et marque l'importance de la bioinformatique.
La
croissance de la productivité des périodes [1]
et [2] résulte des techniques de
biologie, des impulsions politiques et financières de programmes d’analyse des
génomes, et de la mise en oeuvre du principe de double publication. La
croissance de la productivité de la période [3] s'explique en grande partie par l’introduction de
l’informatique dans les techniques en biologie et dans les laboratoires,
permettant ainsi d’accélérer la production de données factuelles, mais aussi,
du démarrage du programme d’analyse du génome de Bacillus subtilis. La croissance de la productivité de la période [4] s’explique par une utilisation
accrue des outils informatiques permettant ainsi d’automatiser une partie de
l’analyse du vivant, de favoriser les échanges entre chercheurs et d’opérer de
nouveau traitement sur l’information scientifique et technique en génomique.
Ainsi, les données factuelles sont produites plus rapidement, les documents
circulent plus vite et la construction des connaissances s’accélère.
Les
années de ralentissement de la productivité (1987 et 1994-1995 pour les données
factuelles) résultent de phénomènes plus ponctuels, mais tout aussi
conjoncturels. Ce sont pour 1987 des problèmes essentiellement liés aux
financements de projets de séquençage et pour les années 1994-1995
vraisemblablement des problèmes liés à la rapidité de l'annotation des
séquences.
Ainsi nous avons apporté quelques
éléments de réponses concernant les corrélations entre les technologies de l'information et de la communication et la production de connaissances en génomique. Néanmoins ces
corrélations ne doivent pas être détachées de leur contexte : des orientations
politiques de recherche fortes autour des génomes, donnant lieu à des budgets
de recherche conséquents.
Conclusion
Le travail scientifique en génomique et tout le processus éditorial des
résultats de la recherche ont largement été reconfigurés par les technologies de
l'information et de la communication.
Avec la production en masse de séquence d'ADN, le principe de double
publication s'est imposé, indiquant la voie d'une publication gratuite des
données factuelles. Néanmoins, toutes les données de l'analyse des génomes ne sont pas
obligatoirement enregistrées dans les banques publiques (Genbank, EMBL,
DDBJ...). Les résultats de recherches financées par des fonds privés peuvent
échapper à cette règle.
La situation des références
bibliographiques est plus simple: Medline qui indexe un nombre conséquent de
revues[46], est consultable gratuitement sur le web (Pubmed) et
satisfait largement les chercheurs. Il existe des liens croisés entre les
notices catalographiques et les enregistrements des données factuelles. Des
systèmes d'information dédiés (par exemple, Micado) ou plus généralistes (par
exemple, Entrez) mettent en évidence ces liens.
Finalement, seuls les articles
scientifiques relèvent encore essentiellement du secteur marchand. Pour quelles
raisons ? Quelques éléments de réponses concernent certainement l'organisation
de la fonction d'évaluation scientifique, les habitudes de lecture... Mais au
regard de la pensée non-marchande qui s'est développée dans les deux précédents
types de publication, il est probable que des projets comme Pubmed Central
impliqueront certaines reconfigurations, notamment parce que l'analyse des
données dites “textuelles” (les savoirs enregistrés dans les articles
scientifiques) est une prochaine étape de la recherche in silico[47].
Références
:
Benton
D., “ Bioinformatics -Principles and Potential of a New Multidiciplinary Tool
”, Trends in Biotechnology, vol. 14,
n° 8, 1996, p. 261-272.
Biaudet V., Samson F., Bessières P.,
“Micado: a Network Oriented Database for Microbial Genomes”, Computer Application in Biosciences,
vol. 13, n° 4, 1997, p. 431-438.
Blanquet M.F., Science de l’information et philosophie, Paris, ADBS éditions, 1997.
Bork P., Bairoch
A., “ Go Hunting in Sequence Database But Watch Out for the Traps ”, Trends in Genetics, Vol. 12, n°10, 1996,
p. 425-427
Briet S. Qu’est-ce que la documentation. Paris : Editions Documentaires
Industrielles et Techniques (EDIT), 1951.
Bucland M. K., “Information As Thing”, JASIS, Vol. 42, n°5, 1991, p. 351-360.
Bucland M. K., “What Is a Document ?”, JASIS, Vol. 48, n°9, 1997, p. 804-809.
Buttler D., “The
future of electronic scientific literature”, Nature 413, 2001, p.1-3
Buttler D., “ US Biologists Propose Launch of
Electronic Preprint Archive ”, Nature,
Vol. 397, jan. 1999, p.91.
Cacaly S. (sous la dir.), Dictionnaire
encyclopédique de l'information et de la documenation, Paris, Nathan
Université, 1997.
Cockerill
M., “ A Versatile Tool for Retrieving Molecular Sequences: Entrez ”, Trends in Biochemical Sciences, vol 9,
nº2, 1994, p. 94-96.
D.O.E., To Know
Ourselves. [en ligne],
[consultée en 02/98] URL http://www.ornl.gov/TechResources/Human_Genome/tko/
Danchin A. et al., “ Bacillus
subtilis dévoile ses gènes ”, Biofutur,
n°174, janvier 1998, pp.14-17.
Dujon
B., “ The Yeast Genome Project: What Did we Learn? ”, Trends in Genetics, vol. 12, n° 7, 1996, p. 263-270.
Flichy P., L’innovation technique : récents développements en sciences
sociales. Vers une théorie de l’innovation. Paris, Ed. la découverte, 1995.
Gallezot G., Sansom F., Brunaud V., Gas S.,
Bessière P., “ Normes et standards dans le processus de traitement du document
numérique en biologie moléculaire ”, Solaris,
nº6, 2000. [En ligne].
http://www.info.unicaen.fr/bnum/jelec/Solaris/d06/6gallezo.html.
Gallezot G., Techniques de l’information, usages de l’IST et construction des
connaissances des chercheurs en génomique, doctorat, Université de Paris 1,
sous la direction de S. Fayet-Scribe, 2000.
Gibbons et
al. The New
Production of Knowledge. The dynamic of Science and Research in Contemporary
Societies. London,
Sage publications, 1994.
Guinchat C. Skouri Y., Guide pratique des techniques documentaires,
Vanves, Edicef, 1996, vol.2.
Hieter
P., Boguski M., “ Functional genomics : it’s all how you read it ”, Science, Vol.278, 1997, p. 601-602.
Jordan B.,Voyage autour du génome : le tour du monde en 80 labos, Paris,
INSERM John Libbey Eurotext, 1993.
Kunst F. et al., “ The Complete
Genome Sequence of the Gram-positive Bacterium Bacillus subtilis”, Nature,
n°390, 1997, p. 249-256.
Le Coadic Y.-F., La science de l’information, Paris, PUF, Coll. Que sais-je, 1994.
Letovsky S.,“ Beyond the information maze ”, J Comput Biol, Vol.2, n°4, 1995 Winter,
p. 539-546.
Lomme L., “
L’information électronique en biologie moléculaire ”, Documentaliste-science de l’information, Vol.35, n°3, 1998, p.
179-185.
Meadows
A. J., Communicating Research,
Academic Press, 1998.
Morange M., “Bréve histoire de la
biologie moléculaire”, Biofutur,
1995, n°142, p.15-18
Nedellec C., Ould
Abdel Vetah M., Bessières P., “ Sentence filtering for information extraction
in genomics, a classification problem ”, PKDD'01
- Proceedings of the Conference on Practical Knowledge Discovery in Databases,
Springer Verlag, Freiburg, September 2001.
Schazt B.R., Chen H., “Digital Librairie:
Technological Advances and Social Impacts”,Computer
, fev, 1999, pp. 45-50.
Swynghedauw B., La
biologie moléculaire. Paris,
Nathan-Université, 1994, coll. 128 – Sciences.
Varmus H. [Consulté en mai 1999]. E-BIOMED : A Proposal
for Electronic Publication in the Biomedical Sciences. [En
ligne] http://www.nih.gov/welcome/director/ebiomed/ebi.htm
Weller A. C. “The Human Genome Project” In : Crawford S.Y., Hurd J.M., Weller A.C., From Print to Electronic, The Transformation of Scientific Communication, Medford, Information today Inc (Assis monograph series), Washington, USA, 1996, p. 46-73.
[1] [1]Néologisme qui signifie littéralement "dans le
silicium". Une recherche sur les titres et sommaires des articles
référencées dans Pubmed fait remonter sa première mention en 1991, par des
microbiologistes danois dans une revues de l'institut pasteur (Hansen et al. In
: Research in microbiology, vol. 142,
n°2-3, pp161-167). Trois articles l'emploient en 1993 et son usage se
généralise à partir de 1996.
[2] Laboration de génétique microbienne, INRA de
Jouy-en-Josas. Travail de thèse : Gallezot G., Techniques de l’information, usages de l’IST et construction des
connaissances des chercheurs en génomique, doctorat, Université de Paris 1,
sous la direction de S. Fayet-Scribe, 2000.
[3] Pour plus de détails sur ces concepts nous
renvoyons le lecteur à :
Blanquet
M.F., Science de l’information et
philosophie Paris, ADBS éditions, 1997.
Le
Coadic Y.-F., La science de l’information,
Paris, PUF, Coll. Que sais-je, 1994.
Meadows A. J., Communicating Research, Academic Press,
1998.
[4] Le terme “bouclage” désigne la réalisation des
différentes étapes du cycle, le passage de la collecte au traitement et du
traitement à la diffusion.
[5] Guinchat et Skouri dans [Guinchat C.et Skouri Y. Guide pratique des techniques documentaires, Vanves, Edicef, 1996, vol.2, p.44.] introduisent la notion "d'unité documentaire" pour indiquer qu'une partie d'un document comme une figure ou un paragraphe peuvent être référencés pour peut que ces extraits portent la mention de son origine. Nous introduisons ici la notion d'unité informationnelle pour signifier qu'un document peut être perçu comme un agrégat d'unités de connaissances mises en forme (in-formation) que l'on peut décomposer à souhait pour peut que le document de référence puisse être retrouvé (traçabilité).
[6] Morange
M., “Bréve histoire de la biologie moléculaire”, Biofutur, 1995, n°142, p.15.
[7] Les enzymes de restriction, le clonage,
l’électrophorèse, l’hybridation, la PCR (Polymerase
Chain Reaction), le séquençage, le transcriptome (filtres à hautes densité,
biopuces (DNAchips), et Micro Array), le protéome. (électrophorèse
bi-dimensionnelle), le double hybride (construction d'une carte d’interaction
entre les protéines, elle est basée sur un test biologique : l’activation ou
non de la transcription).
[8] Ordinateurs,
langages informatiques et systèmes d’exploitation , Internet (techniques, langage, protocoles), les
Systèmes de Gestion de Bases de Données (SGBD), ...
[9] Flichy P. L’innovation
technique : récents développements en sciences sociales. Vers une théorie
de l’innovation. Paris, Ed. la découverte, 1995.
[10] La
totalité de l’ADN des chromosomes propres à chaque espèce constitue le génome.
Le génome porte la quasi totalité de l’information requise pour définir les
propriétés d’un organisme.
[11] A la
sortie des séquenceurs, l’information est numérisée et stockée sur un support
magnétique (disquette ou disque dur).
[12] Editorial du premier numéro de la revue Genomics, en 1987, “Genomics: Structural
and Functional Studies of Genomes”, Genomics,
n°45,1997, p. 244-249.
[13] Dujon B., “The Yeast Genome Project: What Did
we Learn?”, Trends in Genetics, vol.
12, n° 7, 1996, p. 263-270.
[14] Hieter P., Boguski M., “Functional genomics :
it’s all how you read it”, Science,
Vol.278, 1997, p. 601-602.
[15] Weller A. C.,“ The Human Genome Project ” In :
Crawford S. Y., Hurd J. M., Weller A. C., From
Print to Electronic, The Transformation of Scientific Communication,
Medford, Information today Inc (Assis monograph series), Washington, USA, 1996,
p.70
[16] Benton D., “ Bioinformatics -Principles and
Potential of a New Multidiciplinary Tool ”, Trends
in Biotechnology, vol. 14, n° 8, 1996, p. 261-272.
[17] GenBank : Genetic sequences data Bank, EMBL
:European Molecular Biology Laboratory, DDBJ : DNA Data Bank of Japan
[18] Varmus H. [Consulté en mai 1999]. E-BIOMED : A Proposal for Electronic Publication in the Biomedical
Sciences. [En
ligne] http://www.nih.gov/welcome/director/ebiomed/ebi.htm
[19] The
DDBJ/EMBL/GenBank Feature Table Definition:
http://www.ncbi.nlm.nih.gov/collab/FT/
[20] eXtensible Markup language :
http://www.w3.org/XML/1999/XML-in-10-points
[21] Definition Type Document : <!DOCTYPE
PubmedArticleSet PUBLIC "-//NLM//DTD PubMedArticle, 9th May 2000//EN"
"http://www.nlm.nih.gov/databases/dtd/pubmed_000509.dtd">
[22] Bessières P., Nazarenko, Nedellec C., Apport de l'apprentissage à l'extraction d'information : le problème de l'identification d'interactions géniques. texte accepté pour CIDE'2001 -
Nedellec C., Ould Abdel
Vetah M., Bessières P., “ Sentence filtering for information extraction in
genomics, a classification problem ”, PKDD'01
- Proceedings of the Conference on Practical Knowledge Discovery in Databases,
Springer Verlag, Freiburg, September 2001.
[23] Avec Suzanne Briet [qu'est-ce que la documentation, Paris, EDIT, 1951] la notion de “preuve” est au cœur de la définition du document. Ainsi les notices des banques sont des documents parce qu'elles sont la preuve (première) de l'existence de séquences nucléotidiques ou protéiques d'un organisme vivant.
[24] DDBJ
: DNA Data Bank of Japan (http://www.ddbj.nig.ac.jp/), EMBL :European Molecular
Biology Laboratory (http://www.embl-heidelberg.de/), GenBank : Genetic
sequences data Bank (http://www2.ncbi.nlm.nih.gov/Genbank/index.html), MIPS :
Munich Information Center for Protein Sequences
(http://www.mips.biochem.mpg.de/)
[25] Les
notices des banques de données factuelles. A la sortie des séquenceurs,
l’information est numérisée et stockée sur un support magnétique (disquette ou
disque dur). La séquence fait ensuite l’objet d’analyses informatiques qui
cherchent à identifier les signaux associés aux gènes et à leur expression, et
comparent une nouvelle séquence avec celles déjà publiées, afin de tenter d’en
élucider la fonction, sur la base d’une relation de similarité de leurs textes.
Il existe deux niveaux de lecture : le texte de l’ADN, composé de quatre
lettres, les bases ou nucléotides (A, T, G et C), et celui des protéines,
produites par une "traduction" des gènes que porte l’ADN, et résultat
de leur expression, en un alphabet à vingt lettres (les acides aminés). Les
résultats des analyses informatiques sont ensuite associés à leurs séquences,
sous forme d’annotations textuelles structurées, qui en décrivent les propriétés,
par exemple, les coordonnées d’un gène, sa fonction prédite, et les signaux
(mots, motifs) qui conditionnent et régulent son expression. La séquence et ses
annotations sont ensuite déposées dans des banques de données internationales,
par l’intermédiaire du courrier électronique ou du WWW. Les administrateurs
formatent les données et renvoient un document avec un numéro d’enregistrement
("accession number" pour
GenBank par exemple) au chercheur pour vérification. Le chercheur, après ce
contrôle, décide de publier le document dans la banque, soit immédiatement,
soit avec un temps de latence pour l’associer à la publication d’un article.
L’article relatif à une séquence ne sera accepté par les éditeurs que s’il
existe le numéro d’enregistrement, preuve de sa prise en compte par les
administrateurs des banques. Ce dernier point a pour origine la limite en
volume de la revue sur papier, en effet l’impression d’un document relatif à
une séquence peut se compter aujourd’hui en dizaines de pages. Ainsi, pour
faciliter l’accès et le traitement des séquences biologiques, il y a eu
nécessité de les enregistrer dans les banques, désormais en ligne sur Internet.
[26] GenBank Accession Number, par exemple.
[27] DDBJ
: DNA Data Bank of Japan (http://www.ddbj.nig.ac.jp/), EMBL :European Molecular
Biology Laboratory (http://www.embl-heidelberg.de/), GenBank : Genetic
sequences data Bank (http://www2.ncbi.nlm.nih.gov/Genbank/index.html), MIPS :
Munich Information Center for Protein Sequences
(http://www.mips.biochem.mpg.de/)
[28] Weller
A.C., op. cit. p.46
[29] Hervieu
B., Guillou M., “la brevetabilité du vivant en débat” INRA Mensuel, n°110,
mai-juillet 2001, p.20.
[30] Bork
P., Bairoch A., “Go Hunting in Sequence Database But Watch Out for the Traps”, Trends in Genetics, Vol. 12, n°10, 1996,
p. 425-427
[31] Gallezot G., Sansom F., Brunaud V., Gas S., Bessière P., “Normes et standards dans le processus de traitement du document numérique en biologie moléculaire ”, Solaris, nº6, 2000. [En ligne]. http://www.info.unicaen.fr/bnum/jelec/Solaris/d06/6gallezo.html.
[32] Multiplicité
des supports, multiplicité des politiques d'accès aux contenus, multiplicité
des formats.
[33] Toutefois les projets Pubmed Central ou
E-biosci, permettront peut-être ce type de projets. Gallezot G., op. cit., pp137-144. L’Open
Archive Initiative participe à cette évolution avec notamment la mise en place
de la “Santa Fe convention”, http://www.openarchives.org.
[34] Buttler
D., “The future of electronic scientific literature”, Nature 413, 2001, p.1-3
[35] MICrobial
Advanced Database Organisation, système d'information maintenu par l'équipe MIG
(Mathématique, Informatique et Génome) de l'INRA
[36] Chaumier
J., Systèmes d'information, Paris,
Les Editions ESF, 1986. D’autres qualificatifs peuvent être proposés pour
compléter l’analyse de Micado, notamment ceux de Collaboratoire et Bibliothèque
numérique [Cf. Gallezot G., op. cit., pp145-154]
[37] Gallezot G., op.
cit., pp101-119
[38] Nous rappelons ici que nous définissons l'information comme la mise en forme des connaissances (in-formation). La description d'une séquence génétique est un niveau de connaissance sur un génome. Sa mise en forme à travers une notice d'une banque constitue une information. Ainsi en quantifiant les informations des notices des banques nous quantifions un niveau connaissance (la composition d'un génome)..
[39] Danchin
A. et al., “ Bacillus subtilis
dévoile ses gènes ”, Biofutur, n°174,
janvier 1998, pp.14-17.
[40] Kunst F. et al., “ The Complete
Genome Sequence of the Gram-positive Bacterium Bacillus subtilis”, Nature,
n°390, 1997, p. 249-256.
[41] Le
graphique est réalisé à partir d’extraction de données sur Micado (mise à jour du 1er mars
1999).
[42] Somme
des paires de bases de 1990 et 1991
[43] Lancement
du HGP
[44] Le
décalage entre le nombre de paires de base cumulées et le nombre de notice de
banques indique que les notices présentaient des séquences composées de peu de
paires de bases.
[45] 9
revues en 1991 contre 23 en 1992
[46] Le
22 mai 2001 Medline comptait quelques 4300 indexées. Source :
http://www.nlm.nih.gov/pubs/factsheets/medline.html
[47] En
effet, les connaissances biologiques (les interactions géniques par exemple) ne
sont pas uniquement décrites dans les notices des banques mais aussi dans les
articles scientifiques.