Mots-Clés
Graphe de connaissances, intégration de données, ontologies biologiques et environnementales
Langages et outil de développement : Neo4j, Python, RDF, conteneur Docker ou Singularity/Apptainer, GNU
Description
Un des enjeux de la biologie végétale est d’étudier, voire de prédire la capacité à s’adapter à des stress à partir de données génétiques, génomiques et environnementales. Pour y parvenir les chercheurs étudient des collections de ressources génétiques représentant la diversité existante d’une espèce et souhaitent disposer de connaissances intégrées aussi exhaustives que possible sur chacune des accessions de ces collections.
L’URGI est une unité de recherche basée sur le centre INRAE de Versailles-Saclay, dont un agent est missionné au sein du CNRGV sur le centre INRAE de Toulouse. Elle développe des approches basées sur les graphes de connaissances permettant d’intégrer des données hétérogènes dans l’optique d’apporter un appui efficace et rapide en termes d’exploration de données à la communauté scientifique.
L’objectif du stage proposé sera de compléter le graphe de données existant qui permet pour le moment de collecter et interroger les données et métadonnées génomiques et génétiques d'un large panel d'espèces de plantes d'intérêt agronomique ou représentatives de leur famille botanique. Cette extension se fera sous deux angles :
- L’introduction dans le graphe de données d’informations sur les accessions des collections chez le blé (variétés et accessions[1] de plantes, synonymie, caractérisation primaire et phénotypique sur la base d'ontologie ou du thésaurus INRAE[2] à faire évoluer, provenance des données) ainsi que l’intégration avec d’autres données disponibles dans le système d'information GnpIS[3][4] (génotypage, phénotypage, génomes et annotations, données omiques) pour permettre une exploration de la diversité intra-spécifique. L’intérêt de représenter dans le graphe l’héritage ou l’apparentement des accessions sera étudié.
- La mise en place d'un processus semi-automatisé permettant de réaliser un catalogue de génomes d'intérêt le plus exhaustif possible et associé à des métadonnées riches (lien vers les séquences assemblées et annotations, leurs paramètres de qualité, auteurs, métadonnées de l'échantillon séquencé, ...). Cela passerait par l’évaluation et le choix de certains outils (BioCypher, Data2Service, Monarch Initiative) qui réalisent déjà partiellement ce travail, sur des critères de performance, prise en main, documentation, maintenabilité, éventail de services, communauté de développeurs et d'utilisateurs. Un effort particulier sera attendu sur l'automatisation des processus de collecte, notamment sur la mise à jour et l'ajout de nouvelles données. Nombre d’entre elles sont disponibles dans les bases de données de référence (EBI/NCBI, Phytozome-JGI...), d'autres le sont sous des formats tabulés, enfin des références croisées permettent de lier vers d'autres ressources externes, en partie de la bibliographie.
Quel que soit le lieu d’exercice, le ou la candidate aura sur place un encadrant expérimenté.
[1] Une même variété peut être reproduite dans plusieurs Centres de Ressources Biologiques (CRB), avec leur propre numéro d’accession, le matériel biologique ayant évolué depuis leur diffusion dans chaque CRB
[2] Thésaurus INRAE : https://consultation.vocabulaires-ouverts.inrae.fr/thesaurus-inrae/fr/
[3] C. Pommier et al. Applying FAIR Principles to Plant Phenotypic Data Management in GnpIS. Plant Phenomics. 2019;2019:1671403. DOI:10.34133/2019/1671403