BASES DE DONNEES

Etude des bases de données pour la biologie moléculaire

0- Introduction

Il existe un grand nombre de bases de données d'intérêt biologique. Nous distinguerons deux types de banques, celles qui correspondent à une collecte des données la plus exhaustive possible et qui offrent finalement un ensemble plutôt hétérogène d'informations et celles qui correspondent à des données plus homogènes établies autour d'une thématique. Pour éviter toute confusion sémantique nous parlerons ici de banques de données ou bases de données généralistes (pour les premières) et spécialisées (pour les secondes).

C'est au début des années 80 que les premières banques de séquences sont apparues sous l'initiative de quelques équipes comme celle du Professeur Grantham à Lyon. Très rapidement avec les évolutions techniques du séquençage, la collecte et la gestion des données ont nécessité une organisation plus conséquente. Ainsi, plusieurs organismes ont pris en charge la production de telles bases de données.

En Europe, financée par l'EMBO (European Moleculary Biology Organisation), une équipe s'est constituée pour développer une banque de séquences nucléiques (EMBL data library) en 1986. Cette équipe travaille au sein du Laboratoire Européen de Biologie Moléculaire qui se trouve près de Cambridge au sein de l'EBI (European Bioinformatics Institute).

Du coté américain, soutenue par le NIH (National Institute of Health) une banque nucléique nommée GenBank a été créée à Los Alamosen 1986. Cette base de données est difusée maintenant par le NCBI (National Center for Biotechnology Information). La collaboration entre ces deux banques a commencé relativement tôt.

Elle s'est étendue en 1987 avec la participation de la DDBJ (Dna Data Bank of Japan) pour donner naissance finalement en 1990 à un format unique dans la description des caractéristiques biologiques qui accompagnent les séquences dans les banques de données nucléiques (The DDBJ/EMBL/GenBank feature table : Definitions, 1997).

Parallèlement, pour les protéines, deux banques principales ont été créées.

La première, sous l'influence du NBRF (National Biomedical Research Foundation) à Washington, produit maintenant une association de 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. Elle se nomme la PIR-NBRF (Protein Identification Ressource, 1986) .

La deuxième, Swissprot a été constituée à l'Université de Genève à partir de 1986 et regroupe entre autres des séquences annotées de la PIR-NBRF ainsi que des séquences codantes traduites de l'EMBL .

Devant la croissance quasi exponentielle des données (fig 0) et l'hétérogénéité des séquences contenues dans les principales bases de séquences généralistes, d'autres bases spécialisées sont apparues. Elles se sont constituées autour de thématiques biologiques ou tout simplement en vue de réunir les séquences d'une même espèce et d'en enrichir les annotations pour diminuer ou lever les ambiguïtés laissées par les grandes banques publiques.

1- Les banques généralistes

1.a- Pour les séquences nucléiques

Dans les banques de bases nucléiques suivantes, les séquences sont représentées par des groupes de 10 nucléotides (6 groupes par ligne), les nucléotides sont représentés :

Pour l’adénine : par a
Pour la thymine : par t
Pour la cytosine : par c
Pour la guanine : par g

1.a.i) EMBL

EMBL contient 3272064 entrées et 2355200790 nucléotides (une entrée, entry en anglais, contient la séquence et des informations sur cette séquence).

EMBL est constituée de 58 fichiers " flat ":

1 fichier . doc pour le manuel d’utilisation (usrman.doc).
1 fichier . doc pour les release notes (relnotes.doc).
3 fichiers concernant les formulaires pour la soumission de données ou la mise à jour de données (datasub.txt, datasub.doc, update.doc).
1 fichier .doc contenant la table des caractéristiques (ftable.doc).
6 fichiers index où les entrées sont indexées par leur numéro d’accession (acnumber.ndx), par leur citation (citation.ndx), par leur division (division.ndx), par leur mot-clé (keyword.ndx), par leur petit répertoire (shotdir.ndx) ou enfin par leur espèce (species.ndx).

Les index sont classés par ordre alphabétique.

48 fichiers d’entrées (entries) : les fichiers .dat contiennent chacun une liste d’entrées et ces entrées contiennent chacune une séquence et des indications sur cette séquence.

Ces fichiers classent les entrées selon des divisions, il existe 18 divisions :

Division	Code pour les entrées	Nombre et noms des fichiers associés
ESTs	EST	22 fichiers : estJ.dat, J=1..22
Bacteriophages	PHG	1 fichier : phg.dat
Fungi	FUN	1 fichier : fun.dat
Genome Survey	GSS	6 fichiers : gssJ.dat, J=1..6
High Through Genome, HTGs	HTG	1 fichier : htg.dat
Humans	HUM	2 fichiers : humJ.dat, J=1,2
Invertebrates	INV	1 fichier : inv.dat
Organelles	ORG	1 fichier : org.dat
Other mammals	MAM	1 fichier : mam.dat
Other vertebrate	VRT	1 fichier : vrt.dat
Patents	PATENT	1 fichier : patent.dat
Plants	PLN	1 fichier : pln.dat
Procaryotes	PRO	2 fichiers : proJ.dat, J=1,2
Rodents	ROD	1 fichier : rod.dat
Synthetics	SYN	1 fichier : syn.dat
STSs	STS	1 fichier : sts.dat
Unclassified	UNC	1 fichier : unc.dat
Viral	VRL	1 fichier : vrl.dat

Chaque entrée de la base EMBL est composée de lignes ou champs qui commencent par un code à 2 caractères indiquant le type d’information contenue dans la ligne.

Exemple d'entrée de la base EMBL

Ci-dessous le tableau des codes et leurs significations :

Code	Signification, contenu de la ligne	Nombre/entrée
ID	C’est l’identificateur de l’entrée contenant la séquence. Cette ligne a la structure suivante : nom de l’entrée classe de la donnée ; molécule (DNA, RNA, RNAm, XXX si l’entrée n’a pas été annotée) ; division ; longueur de la séquence en paire de bases (BP).	1
XX	Cette ligne est une ligne vide qui sert à limiter les différents champs de l’entrée et à clarifier sa lecture.	Plusieurs
NI	Indique l’identificateur de l’acide nucléique.	1
AC	Donne le numéro d’accession de l’entrée.	>=1
DT	Donne la date d’incorporation dans la base (1^ère ligne) et la date de la dernière mise à jour de l’entrée (2^ème ligne).	>=1
DE	Contient des informations descriptives sur la séquence : comme la région du génome dont elle est issue …	>=1
KW	Donne le(s) mot(s)-clé(s) qui peuvent être utilisés pour retrouver l’entrée dans la base. Les mots-clés, séparés par des ; , sont rangés par ordre alphabétique.	>=1
Code	Signification, contenu de la ligne	Nombre/entrée
OS	Spécifie l’organisme d’où provient la séquence ; le plus souvent on donne le nom latin suivi du nom anglais entre parenthèses. Dans le cas d’hybrides, les lignes OC/OS sont spécifiées pour chaque organisme de l’hybride.	>=1
OC	1^ère ligne : Donne le nom scientifique de l’organisme. 2^ème ligne :Donne la classification taxonomique de l’organisme avec le groupe le plus général en premier, chaque groupe est séparé par un ;. Cette classification peut s’étendre sur plusieurs lignes OC.	>=1
OG	Indique la localisation sub-cellulaire des séquences non nucléaires.	0 ou 1
RN	Donne le numéro unique attribué à chaque référence bibliographique de l’entrée. Ce numéro est utilisé pour désigner la référence dans les commentaires (CC) et dans la table des caractéristiques (FT).	>=1
RC	Donne des commentaires sur la référence.	>=0
RX	Donne la région pour laquelle la référence bibliographique est associée.	>=0
RP	Donne les références associées aux différentes régions de la séquence.	>=1
RA	Indique les auteurs de l’article ou du travail cité, ils sont inscrits dans l’ordre donné dans la publication.	>=1
RT	Indique le titre de l’article, si la séquence a été soumise à la base et non publiée, la ligne ne contiendra qu’un point virgule.	>=1
RL	Donne d’une manière abrégée, les références du journal.	>=1
DR	Etablit des liaisons avec d’autres bases de données qui contiennent une information en relation avec cette entrée. Par exemple, si la traduction protéique d’une séquence existe dans la banques de données Swiss-Prot, la ligne DR pointera sur l’entrée correspondante dans Swiss-Prot.	>=0
FH	Sert à améliorer la lecture d’une entrée : c’est l’en-tête du champ FT	0 ou 2
FT	Enumère les caractéristiques de la séquence, elle répond aux abréviations utilisées dans " the feature table ".	>=0
SQ	Donne la longueur de la séquence en paire de bases (bp) ainsi que le résumé de son contenu.	1
CC	Donne les commentaires sur la séquence.	>=0
	Des blancs pour introduire la séquence.	>=1
//	Indique la fin de l’entrée.	1

1.a.j) GenBank

GenBank contient 3525418 entrées et 2569578208 nucléotides.

GenBank est constituée de 64 fichiers " flat ".

Tous ces fichiers ont une entête, elle occupe les 9 premières lignes et précise le nom et la nature du fichier, la date et le numéro de la dernière publication (release), les nombres d’ " entries ", de bases et de séquences.

Exemple d’entête :

GBACC.IDX Genetic Sequence Data Bank

15 December 1993

GenBank Flat File Release 80.0

Accession Number Index

150744 loci, 163802597 bases, from 150744 reported sequence

Les 64 fichiers sont :

1 fichier .txt qui décrit le contenu des fichiers, les formats, les statistiques et diverses informations (gbrel.txt).

1 fichier .txt qui contient une brève description de toutes les séquences, ces descriptions sont répertoriées dans 15 parties qui correspondent à 15 groupes : PRIMATE, RODENT, OTHER MAMMAL, OTHER VERTEBRATE, INVERTEBRATE, PLANT, BACTERIAL, STRUCTURAL RNA, VIRAL, PHAGE, SYNTHETIC, UNANNOTATED, EXPRESSED SEQUENCE TAG, PATENT, SEQUENCE TAGGED SITE).

Le nom de chaque groupe est inscrit à partir de la position 21, suivi d’une ligne vide et des indications sur l es séquences appartenant au groupe : Nom de l’entrée, description et longueur de la séquence (gbsdr.txt).

3 fichiers annexes .txt qui contiennent les entrées supprimées, les entrées mises à jour et les nouvelles entrées depuis la dernière release (gbchg.txt pour les mises à jour, gbdel.txt pour les supprimées et gbnew.txt pour les nouvelles).

5 fichiers index .idx où les entrées sont indexées selon les numéros d’accession (gbacc.idx), les phrases-clés (gbkey.idx), les auteurs (gbaut.idx), les citations de journaux (gbjou.idx) ou par les noms des gènes (gbgen.idx). Le contenu des fichiers index est classé par ordre alphabétique.

1 fichier .frm , c’est un formulaire qui permet de soumettre des séquences ou des corrections à GenBank (gbdat.frm).
56 fichiers .seq qui contiennent chacun une liste d’entrées et ces entrées contiennent chacune une séquence et des indications sur cette séquence.
Exemple d'entrée de la base GenBank

Ces fichiers classent les entrées selon 17 divisions :

Division	Code pour le LOCUS des entrées	Nom et nombre de fichiers associés
Primate	PRI	3 fichiers : gbpriI.seq, I=1..3
Rodent	ROD	1 fichier :gbrod.seq
Other mammalian	MAM	1 fichier : gbmam.seq
Other vertebrate	VRT	1 fichier :gbvrt.seq
Invertebrate	INV	2 fichiers : gbinvI.seq, I=1,2
Plant	PLN	2 fichiers : gbplnI.seq, I=1,2
Bacterial	BCT	2 fichiers : gbbctI.seq, I=1,2
Structural RNA	RNA	1 fichier : gbrna.seq
Viral	VRL	1 fichier : gbvrl.seq
Phage	PHG	1 fichier : gbphg.seq
Synthétic and chimeric	SYN	1 fichier : gbsyn.seq
Unnanoted	UNA	1 fichier : gbuna.seq
Expressed Sequence Tag	EST	29 fichiers : gbestI.seq, I=1..29
Patent	PAT	1 fichier : gbpat.seq
Sequence Tagged Site	STS	1 fichier : gbsts.seq
Genome Survey Sequence	GSS	6 fichiers : gbgssI.seq, I=1..6
High Throughput Genomic Sequencing	HTG	2 fichiers : gbhtgI.seq, I=1,2

Tous les fichiers .seq ont la même structure, ils comportent 2 parties : l’entête et une 2^ème partie où chaque ligne peut se décomposer en 2 :

Une étiquette de la position 1 à 10
Ce qui correspond à l’étiquette de la position 11 à 80

L’étiquette peut être :

Un mot-clé (position 1)
Un sous mot-clé (position 3)
Des blancs : ils indiquent que cette ligne a la même étiquette que la précédente

Un code caractéristique (position 5) : à l’intérieur du mot-clé FEATURES, ce code répond aux abréviations de " features table ".

Un numéro (position 9) indique à quel endroit on se situe dans la chaîne
Un double slashes (//) marque la fin d’une entrée de séquence

Mot-clé	Sous mot-clé	Signification et contenu de la ligne	Lignes/entrée
LOCUS		C’est l’identificateur de l’entrée contenant la séquence. Cette ligne a la structure suivante : nom de l’entrée classe de la donnée ; molécule (ADN, ARN ou ADNc, XXX si l’entrée n’a pas été annotée) ; division ; longueur de la séquence en paire de bases (BP) ; date.	1
DEFINITION		Contient des informations descriptives sur la séquence : comme la région du génome dont elle est issue …	>=1
ACCESSION		Donne le numéro d’accession de l’entrée.	>=1
NID		Indique l’identificateur de l’acide nucléique.	1
VERSION		C’est un nouveau champ, il indique la version de l’entrée.	1
KEYWORDS		Donne le(s) mot(s)-clé(s) qui peuvent être utilisés pour retrouver l’entrée dans la base. Les mots-clés, séparés par des ; , sont rangés par ordre alphabétique.	>=1
SEGMENT		Indique la localisation de la séquence dans la molécule.	0 ou 1
SOURCE		Spécifie l’organisme d’où provient la séquence ; le plus souvent on donne le nom latin suivi du nom anglais entre parenthèses. Dans le cas d’hybrides, les lignes OC/OS sont spécifiées pour chaque organisme de l’hybride.	>=1
	ORGANISM	1^ère ligne : Donne le nom scientifique de l’organisme. 2^ème ligne :Donne la classification taxonomique de l’organisme avec le groupe le plus général en premier, chaque groupe est séparé par un ;. Cette classification peut s’étendre sur plusieurs lignes.	>=2
REFERENCE (mot-clé qui peut apparaître plusieurs fois dans une entrée)		Donne le numéro unique attribué à chaque référence bibliographique de l’entrée. Ce numéro est utilisé pour désigner la référence dans les commentaires et dans la table des caractéristiques.	>=1
	AUTHORS	Indique les auteurs de l’article ou du travail cité, ils sont inscrits dans l’ordre donné dans la publication.	>=1
	TITLE	Indique le titre de l’article, si la séquence a été soumise à la base et non publiée, la ligne ne contiendra qu’un point virgule.	>=0
	JOURNAL	Donne d’une manière abrégée, les références du journal.	>=1
	MEDLINE	Donne l’identifiant de la citation.	0 ou 1
Mot-clé	Sous mot-clé	Signification et contenu de la ligne	Lignes/entrée
	REMARK	Donne des commentaires sur la référence.	>=0
COMMENT		Donne les commentaires sur la séquences.	>=0
FEATURES		Enumère les caractéristiques de la séquence, elle répond aux abréviations utilisées dans " the feature table ".	1
BASE COUNT		Donne la longueur de la séquence en paire de bases (bp) ainsi que le résumé de son contenu.	1
ORIGIN		Sert à améliorer la lecture d’une entrée, introduit la séquence.	1

4.1.a.k) DDBJ

Cette banque contient 3311627 entrées (voir annexe E) et 2375261951 bases .

La DDBJ partagent ses séquences en 18 catégories :

Catégorie	Code
Bacterial	Bct
Expressed sequence tag	Est
Genome survey sequence	Gss
High throughput genomic	Htg
Human	Hum
Invertebrate	Inv
Other mammalian	Mam
Patent	Pat
Phage	Phg
Plant	Pln
Primate	Pri
Structural RNA	Rna
Rodent	Rod
Sequence tagged site	Sts
Synthetic and chimeric	Syn
Unnanotated	Una
Viral	Vrl
Other vertebrate	Vrt

DDBJ est constituée de :

1 fichier qui contient la dernière release note : ddbjrel.txt

5 fichiers index où les entrées sont indexées par numéro d’accession (ddbjacc.idx), par phrase clé (ddbjkey.idx), par nom d’auteur (ddbjaut.idx), par citation de journaux (ddbjjou.idx), ou par nom de gènes (ddbjgen.idx).

Des fichiers ddbjXXX.acc qui contient tous les numéros d’accès de la catégorie XXX.

Des fichiers ddbjXXX.aut qui contient tous les auteurs de la catégorie XXX.

Des fichiers ddbjXXX.jou qui contient tous les journaux de la catégorie XXX.

Des fichiers ddbjXXX.key qui contient tous les mots clés de la catégorie XXX.

Des fichiers ddbjXXX.org qui contient tous les noms d’espèce de la catégorie XXX.

Des fichiers ddbjXXX.sdr qui contient tous les descriptions des entrées de Genbank de la catégorie XXX.

Des fichiers ddbjXXX.seq qui contient les entrées de la catégorie XXX.

Les fichiers de DDBJ ont une entête équivalente à celle de GenBank et les entrées de la DDBJ ont la même forme que les entrées de la GenBank avec les mêmes mots-clés, les mêmes sous mots-clés …

Exemple d'entrée de la base DDBJ

1.b- Pour les séquences protéiques

1.b.i) Swiss-Prot

Les codes utilisés pour les acides aminés utilisés par Swiss-Prot ont été adoptés la commission pour la nomenclature biochimique de IUPAC-IUB.

A	Ala	Alanine
R	Arg	Arginine
N	Asn	Asparagine
D	Asp	Aspartic acid
C	Cys	Cystéine
Q	Gln	Glutamine
E	Glu	Glutamic acid
G	Gly	Glycine
H	His	Histidine
I	Ile	Isoleucine
L	Leu	Leucine
K	Lys	Lysine
M	Met	Méthionine
F	Phe	Phénylalanine
P	Pro	Proline
S	Ser	Sérine
T	Thr	Thréonine
W	Trp	Tryptophan
Y	Tyr	Tyrosine
V	Val	Valine
B	Asx	Aspartic acid ou Asparagine
Z	Glx	Glutamine ou Glutamic acid
X	Xaa	N’importe quel acide aminé

Swiss-Prot contient 77977 entrées et 28268293 acides aminés.

Elle est constituée de 73 fichiers .txt et de fichiers .seq qui contiennent toutes les entrées.

Les 73 fichiers .txt sont répartis de la manière suivante :

1 fichier userman.txt pour le manuel d’utilisateur

2 fichiers pour les 2 dernières release notes : relnotes.txt et oldrlnotes.txt

1 fichier qui contient une brève description des entrées : shortdes.txt

5 fichiers qui contiennent les listes des mots-clés (keywlist.txt), des codes d’identification des organismes (speclist.txt), des tissus (tisslist.txt), des abréviations de journaux (jourlist.txt) et des spécialistes en ligne (experts.txt).

1 fichier qui contient le formulaire de soumission d’une séquence (submit.txt)

6 fichiers index : 1 pour les numéros d’accession (acindex.txt), 1 pour les auteurs (autindex.txt), 1 pour les citations (citindex.txt), 1 pour les mots-clé (keyindex.txt), 1 pour les espèces (speindex.txt) et 1 pour les numéros d’accession supprimés (deleteac.txt).

Les 57 autres fichiers concernent des fichiers index où les entrées sont indexées par catégories.

Chaque entrée de la base Swiss-Prot est composée de lignes ou champs qui commencent par un code à 2 caractères indiquant le type d’information contenue dans la ligne. Dans les entrées, les séquences d’acides aminés sont une suite de groupe de 10 acides aminés (6 groupes/ligne).

Exemple d'entrée de la base Swiss-Prot

Ci-dessous le tableau des codes et leurs significations :

Code	Signification, contenu de la ligne	Nombre/entrée
ID	C’est l’identificateur de l’entrée contenant la séquence. Cette ligne a la structure suivante : nom de l’entrée classe de la donnée ; molécule (PRT, XXX si l’entrée n’a pas été annotée) ; division ; longueur de la séquence en nombre d’acides aminés, suivie de AA.	1
AC	Donne le numéro d’accession de l’entrée	>=1
DT	Donne la date d’incorporation dans la base (1^ère ligne), la date de la dernière mise à jour de la séquence (2^ème ligne) et la date de la dernière mise à jour des caractéristiques de cette séquence (3^ème ligne).	>=1
DE	Contient des informations descriptives sur la séquence : comme la région du génome dont elle est issue …	>=1
KW	Donne le(s) mot(s)-clé(s) qui peuvent être utilisés pour retrouver l’entrée dans la base. Les mots-clés, séparés par des ; , sont rangés par ordre alphabétique.	>=1
GN	Noms des gènes codant pour la séquence de protéine.	>=1
OS	Spécifie le ou les organismes d’où provient la séquence ; le plus souvent on donne le nom latin suivi du nom anglais entre parenthèses. Dans le cas d’hybrides, les lignes OC/OS sont spécifiées pour chaque organisme de l’hybride.	>=1
OC	Donne la classification taxonomique de l’organisme avec le groupe le plus général en premier, chaque groupe est séparé par un ;. Cette classification peut s’étendre sur plusieurs lignes OC.	>=1
OG	Indique la localisation cellulaire des gènes qui codent pour la séquence.	0 ou 1
RN	Donne le numéro unique attribué à chaque référence bibliographique de l’entrée. Ce numéro est utilisé pour désigner la référence dans les commentaires (CC) et dans la table des caractéristiques (FT).	>=1
RC	Donne des commentaires sur la référence.	>=0
RX	Donne la région pour laquelle la référence bibliographique est associée.	>=0
RP	Donne les références associées aux différentes régions de la séquence.	>=1
RA	Indique les auteurs de l’article ou du travail cité, ils sont inscrits dans l’ordre donné dans la publication.	>=1
RT	Indique le titre de l’article, si la séquence a été soumise à la base et non publiée, la ligne ne contiendra qu’un point virgule.	>=1
RL	Donne d’une manière abrégée, les références du journal.	>=1
DR	Etablit des liaisons avec d’autres bases de données qui contiennent une information en relation avec cette entrée.	>=0
FT	Enumère les caractéristiques de la séquence, elle répond aux abréviations utilisées dans l’ancienne table des caractéristiques de l’EMBL.	>=0
SQ	Donne la longueur de la séquence (AA) ainsi que le poids de la molécule (MW) et sa valeur CRC 32.	1
CC	Donne les commentaires sur la séquence.	>=0
	Des blancs pour introduire la séquence.	>=1
//	Indique la fin de l’entrée.	1

1.b.j) PIR-NBRF

Les codes utilisés pour les acides aminés sont les mêmes que pour Swiss-prot.

Cette banque contient 122810 entrées et de 40065486 acides aminés.

Elle est constituée de 4 sortes de fichiers :

4 fichiers de documentation (prnbrf.txt, prindx.lis, protein.txt, nrl_3D.txt)
Des fichiers .seq qui contiennent le titre et la séquence de chaque entrée.
Des fichiers .ref qui contiennent le titre et les informations et annotations des entrées.
Des fichiers .inx qui sont des fichiers index pour les fichiers .seq et pour les fichiers .ref.

Dans les fichiers .seq et .ref , les entrées sont répertoriées par catégories comme pour les autres banques.

2- Les banques spécialisées

Pour des besoins spécifiques, de nombreuses bases de données spécialisées ont été créées au sein des laboratoires. Certaines ont continué d'être développées, d'autres n'ont pas été mises à jour et ont disparu car elles correspondaient à un besoin ponctuel. D'autres enfin sont inconnues ou mal connues et attendent qu'on les exploite davantage. Toutes ces bases de données spécialisées sont d'intérêt très divers et la masse des données qu'elles représentent peut varier considérablement d'une base à une autre. Elles ont pour but de recenser des familles de séquences autour de caractéristiques biologiques précises comme les gènes identiques issus d'espèces différentes. Elle peuvent aussi regrouper des classes spécifiques de séquences comme les enzymes de restriction, ou toutes les séquences d'un même génome. En fait très souvent ces bases correspondent à des améliorations ou à des regroupements par rapport aux données issues des bases généralistes.

A titre d'exemple on peut citer la base sur les séquences nucléiques d'Eschérichia coli ECD, la base NRL3D des séquences protéiques dont la structure a été déterminée ou bien encore des bases de motifs nucléiques ou proteiques telle que PROSITE .

3- Conclusion

Le nombre de données dans le domaine de la biologie ne cesse d'augmenter en particulier avec le séquençage des génomes de différents organismes mais l'on assiste également à une grande diversification des informations produites (séquences primaires, structures moléculaires, cartographie, collection de souches ou de clones...). Toutes ces données sont regroupées dans des banques de données très variées dans leur volume et leur nature.

Ici, nous avons étudié essentiellement les grandes banques car malgré leurs imperfections, ce sont les plus utilisées du fait de leur compatibilité avec des logiciels comme BLAST et FASTA. Pour que les bases de données soient plus facilement exploitables, et que les utilisateurs puissent extraire les sous-ensembles de séquences qui les intéressent, des logiciels leur sont généralement offerts soit localement, soit sur les nombreux serveurs publics : les systèmes d’interrogation dédiés qui sont programmés exclusivement pour la manipulation de séquences biologiques. Mais ils sont généralement adaptés aux principales bases de données (EMBL, Genbank …). On peut citer parmi eux des logiciels comme ACNUC ou SRS.

Cependant le recensement et la description de toutes les bases publiques généralistes et spécialisées liées à la structure primaire des séquences mais aussi liées à d'autres caractéristiques biologiques peuvent être consultée dans des bases de données spécifiques qui donnent des listes actualisées des différentes banques d'intérêt biologique comme LIMB (Listing of Molecular Biology Databases) ou DBCAT.