Integration of biological data on transcriptome

A major concern in modern biology and medical research consists of the use of a “high flow” technology named bio-arrays or DNA chips that allows the study of thousands of genes simultaneously. The medical research institute, INSERM U522, specialized in the liver, uses the transcriptome techniques to diagnose liver disease states and to point the way towards new therapies. For this sake, the design of a bioinformatic integrated environment, named Gedaw (Gene Expression DAta Warehouse) has been initiated for storing, managing and analyzing such specific data. As an object-oriented data warehouse, it includes knowledge and complex data on genes expressed in the liver. The concept of ontology is the keystone of the application for integrating both genomic data available on public databanks, as well as experimental data on genes delivered from laboratory experiments and clinical statements. This paper describes the data modeling and processing that allow (i) to capture data from public databanks on genes (e.g., GenBank) (ii) to extract relevant information by selecting objects imported in XML format (iii) to make them persistent into the objectoriented warehouse. RÉSUMÉ: De nouvelles techniques d'analyse biologique, dites "à haut débit" génèrent une masse considérable de données qu'il est nécessaire d'organiser, de stocker et de gérer. L'unité de recherche U522 de l'INSERM, utilisant ces techniques pour l'étude du transcriptome hépatique, a initié le développement d'un environnement intégré nommé Gedaw (Gene Expression DAta Warehouse), dédié à la gestion, à l'intégration et à l'analyse de ces nombreuses données. Entrepôt de données orienté objet, il regroupe des connaissances et des données complexes sur les gènes du foie. Le concept d'ontologie, au centre de l'application, permet d'intégrer à la fois les données sur les séquences génomiques issues des banques de données publiques, ainsi que les données issues des expériences du laboratoire et des relevés cliniques. Cet article présente la problématique de l'intégration des données biologiques liées au transcriptome. Il décrit le modèle de données associé à ce cas d'application et implanté sous forme de classes d’objets persistants au sein d'une base orientée objet. La chaîne de traitements développée dans Gedaw permet : (i) d'intégrer les données génomiques à partir de banques publiques (telles que GenBank) (ii) d’extraire les informations pertinentes par sélection d'objets au format XML (iii) de les rendre persistantes dans l'entrepôt. 2 Ingénierie des Systèmes d'Information. Volume X n°X/2002 KEY-WORDS: data integration, biological data, ontology, object-oriented data warehouse, XML, transcriptome. MOTS-CLÉS: intégration, données biologiques, ontologie, entrepôt de données objet, XML, transcriptome.