SeqDigger — Moteur de recherche de donne´es de se´quenc¸age en ge´nomique environnementale

Nous assistons actuellement à une profonde révolution des connaissances en raison de la disponibilité de bases de données de séquences en expansion exponentielle rendue possible par l'accélération continue du débit des techniques de séquençage. Cette tendance est mise en évidence, par exemple, dans le projet "Earth Bio-Genome Project" qui a été présenté lors du Forum économique mondial Davos 2018 - ce projet vise à "utiliser la génomique pour aider à découvrir les 80 à 90 % d'espèces qui restent actuellement cachées à la science". Les données de séquençage s'accumulent plus rapidement que la loi de Moore, apportant de nouvelles connaissances biologiques fondamentales, de nouvelles conjectures et une meilleure compréhension, avec des impacts sur la médecine, l'agronomie et l'écologie. Les principaux objectifs ont été d'assembler de nouveaux génomes afin de comparer des organismes spécifiques à des espèces de référence représentatives, en mettant en évidence les variations génomiques qui révèlent des propriétés génétiques en corrélation avec des marqueurs écologiques, agronomiques ou cliniques. Aujourd'hui, l'"International Nucleotide Sequence Database Collaboration" (INSDC) "Sequence Read Archive" (SRA) stocke plus de 10000 Peta nucléotides sous forme de courtes séquences (<1000 bp), qui représentent des fragments génomiques généralement inconnus (des "lectures" échantillonnées au hasard dans des projets de séquençage). Toutefois, l'écrasante majorité de ces séquences n'ont été analysées que dans le cadre d'un projet unique, chacune ne portant que sur une petite fraction de la ressource totale. Il est donc primordial de maintenir un modèle de diversité pour les méta-analyses à l'avenir et de développer des technologies permettant d'interroger les données au-delà des frontières de chaque projet. L'accès à des ensembles de données "sans-frontière" plutôt qu'à un nombre unique ou limité d'ensembles de données offrirait aux chercheurs des possibilités inégalées pour faire de nouvelles découvertes. Malheureusement, les séquences brutes stockées dans des banques de données génomiques telles que SRA ne sont pas indexées et ne peuvent donc pas être interrogées efficacement. Souvent, ces ensembles de données ne sont jamais revisités en raison de l'énorme surcharge que représente la manipulation de données aussi volumineuses. Aujourd'hui, il serait impensable d'accéder à Internet sans des moteurs de recherche puissants. Cependant, c'est précisément la situation actuelle pour les archives de données génomiques brutes, où des données précieuses dorment dans des tiroirs rarement ouverts. L'objectif central de notre projet est de fournir un moteur de recherche ultra rapide et convivial permettant de requêter une séquence, typiquement une lecture ou un gène (ou un petit ensemble de telles séquences), avec l'ensemble exhaustif de toutes les données disponibles correspondant à un ou plusieurs projets de séquençage métagénomique à grande échelle, tels que le métagénome de New York, le projet de microbiome humain (HMP ou MetaHIT), le projet Tara Oceans, Airborne Environnement, etc. Ce serait la toute première fois qu'un outil aussi complet serait mis au point, et la communauté scientifique en bénéficierait grandement, de la génomique environnementale à la biomédecine.