Dans ce document, nous explorons les différents mots-clefs et la syntaxe à utiliser pour construire des recherches afin de trouver un ensemble de séquences nucléotidiques présentes dans la base de données et correspondant à des critères précis.
Les bases de données de séquences ENA (European Nucleotide Archive) et GenBank (base de données du NCBI aux États-Unis) sont, avec la japonaise DDBJ (DNA DataBank of Japan), regroupées dans le consortium international INSDC (très littéralement International Nucleotide Sequence Database Collaboration). Les trois bases de données échangent des données de façon quotidienne, de manière à ce que leur contenu soit synchronisé et donc identique. Ainsi, quelle que soit la base de données de séquences nucléotidiques qu'on interroge, on doit obtenir les mêmes résultats. Ceci dit, la façon d'écrire des requêtes interrogeant ces bases de données diffère d'une base à l'autre, et c'est ce que nous allons voir ici. Comme la plupart des chercheurs en Europe et en Afrique utilisent soit ENA, soit GenBank, c'est sur ces deux bases que nous allons nous focaliser.
En ce qui concerne ENA, la page d'accueil de la base permet de faire des recherches simples en utilisant l'un ou l'autre des deux champs en blanc en haut à droite de la page d'accueil, dans le bandeau vert. Le champ du haut, avec "Enter text search terms" en grisé, permet de lancer des recherches simples à base de mots-clefs séparés par des espaces, sans mise en forme particulière. Le champ situé immédiatement en dessous, montrant "Enter accession" en grisé, permet de rechercher un enregistrement précis dans la base de données, correspondant à une séquence, à un projet, ou à un échantillon. Il faut pour cela connaître à l'avance le numéro d'accession exact.
Les recherches structurées (dites "avancées") à travers ENA se font à partir du module de recherche avancée accessible à travers les menus Search > Advanced Search depuis la page d'accueil d'ENA. Après avoir renseigné le "Data type" comme étant "Nucleotide sequences" (le type de données le plus générique englobant toutes les séquences nucléotidiques) et après avoir cliqué sur le bouton "Next" en bas à droite de la page, on atterrit sur la page avec le champ "Query:" au milieu, dans lequel on pourra entrer les requêtes complexes que nous allons voir ci-après.
En ce qui concerne GenBank, les choses sont plus simples: la page d'accueil de la base contient un seul champ de recherche en haut de page, dans lequel on peut rentrer soit des mots-clefs "désarticulés" séparés par des espaces, soit des requêtes plus structurées comme celles que nous allons voir plus loin.
Pour faire des recherches avancées, nous allons construire des combinaisons logiques associant des termes de recherche ou sous-requêtes plus simples : par exemple, on pourra vouloir chercher les séquences correspondant à un gène donné au sein d'un groupe d'espèces données et ayant une longueur minimale donnée. Lorsque j'écris ça, je sous-entend que je souhaite trouver les séquences satisfaisant simultanément ces trois critères. C'est donc un "ET" logique que je devrai employer. De la même manière, on peut souhaiter trouver des séquences de chien ou bien de chat, et alors c'est un "OU" logique qu'on emploiera pour lier nos deux sous-requêtes.
Il faudra utiliser l’opérateur AND pour construire des ET logiques (satisfaction de toutes les conditions simultanément) ou l’opérateur OR pour des OU logiques.
La négation s’écrit seulement NOT en préfixe chez GenBank (e.g "Canis lupus"[ORGN] NOT 1997:2000[PDAT]), alors que chez ENA il faut obligatoirement faire précéder le mot-clef “NOT” d’un “AND” ou d’un “OR”.
Avec ENA, on peut aussi utiliser l’opérateur “!=” pour dire “différent de”.
On décrit dans ce qui suit la syntaxe des requêtes GenBank et ENA, dans plusieurs sections organisées selon la nature du filtrage effectué dans la base de données. Dans les tableaux qui suivent, chaque ligne contient des requêtes ENA et GenBank sémantiquement identiques.
Il est à noter qu'ENA n'accepte que des dates exactes, au format AAAA-MM-JJ. GenBank, en revanche, accepte des dates partiellement spécifiées, en n'indiquant que l'année. Si vous utilisez des dates exactes avec GenBank, notez que la syntaxe est AAAA/MM/JJ (avec des barres obliques et non des tirets comme avec ENA.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
first_public <= 2000-12-31 AND first_public >= 1997-01-01 |
1997:2000[PDAT] |
séquences publiées entre 1997 et 2000 |
first_public <= 2021-04-01 AND first_public >= 2021-05-07 |
2021/04/01:2021/05/07[PDAT] |
séquences publiées entre le 1er avril et le 7 mai 2021 |
Il arrive que des séquences publiées soient modifiées par la suite, lorsque par exemple l'équipe qui les a publiées s'est rendu compte d'une erreur. Dans ce cas, le numéro d'accession en principal ne change pas, mais le numéro de version se trouve incrémenté. Par exemple, on passe de l'accession FR682468.1 à l'accession FR682468.2. On peut vouloir chercher des séquences en fonction de leur date de dernière modification :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
last_updated >= 2021-04-01 AND last_updated <= 2021-04-27 |
2021/04/01:2021/04/27[MDAT] |
séquences dont l’enregistrement a été modifié pour la dernière fois entre le 1er et le 27 avril 2021 |
On peut vouloir ne retenir que des séquences plus longues (ou plus courtes) qu'une certaine longueur. Les longueurs de séquences sont toujours exprimées en nombre de nucléotides (en ce qui concerne les séquences nucléotidiques, bien sûr, qui sont les seules dont nous parlons ici. Pour les séquences protéiques, la longueur serait exprimée en nombre d'acides aminés). On peut aussi donner une plage de tailles de séquence.
D'ailleurs, les requêtes GenBank doivent toujours être écrites avec une plage de tailles de séquence : si l'on ne donne qu'une valeur, alors les résultats de la requête ne produiront que des séquences de longueur exactement égale à ladite valeur. Ainsi, pour simuler avec GenBank une recherche avec seulement une borne inférieure, on droit donner une plage de valeurs avec une borne supérieure arbitrairement élevée, comme ci-dessous.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
base_count > 500 |
501:10000000[SLEN] |
séquences de longueur au moins 501 nucléotides |
base_count >= 5000 AND base_count <= 10000 |
5000:10000[SLEN] |
séquences de longueur comprise entre 5kb et 10kb |
base_count <= 5000 |
0:5000[SLEN] |
séquences de longueur inférieure ou égale à 5kb |
Les bases de données INSDC contiennent un certain nombre de grandes divisions taxonomiques. À chacune de ces divisions correspond un code sur trois caractères, et chaque séquence publiée apparaît dans une et une seule division. Cette dernière apparaît sur la première ligne (ID) d'un fichier au format EMBL, ou sur la premirère ligne (LOCUS) d'une fichier au format GenBank. Par exemple, le code "VRL" dans le fichier EMBL ou dans le fichier GenBank de la séquence d'accession MK940252 nous indique qu'il s'agit d'une séquence de virus.
Les divisions taxonomiques des bases INSDC doivent beaucoup à l'historique de la formation de GenBank, et ne sont pas destinées à inclure un nombre égal de taxa contemporains. Elles sont comme suit :
| code à trois lettres | division taxonomique |
|---|---|
| PRI | tous les primates, y compris Homo sapiens |
| ROD | rongeurs ("rodents") : souris, rats, etc |
| MAM | tous les autres mammifères |
| VRT | tous les autres vertébrés (non mammifères) |
| INV | invertébrés |
| PLN | plantes et champignons (fungi) |
| BCT | bactéries |
| PHG | bactériophages |
| VRL | tous les autres virus ("virological") |
| ENV | séquences environnementales (métagénomique) |
| SYN | séquences synthétiques et chimériques |
| PAT | séquences brevetées (brevet = "patent" en anglais) |
| UNA | séquences non annotées (rare) |
La syntaxe pour effectuer une recherche en fonction de la division taxonomique des séquences est un peu plus scabreuse avec GenBank qu'avec ENA :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
tax_division="VRL" |
gbdiv_vrl[PROP] |
séquences virales hors bactériophages |
tax_division="PLN" |
gbdiv_pln[PROP] |
séquences de plantes et de champignons |
La manière la plus intuitive de faire des recherches par taxon consiste à indiquer le nom scientifique latin (dit "binomial") du taxon. Par exemple, le chien domestique et le loup sont regroupés au sein de l'espèce Canis lupus. Dans les requêtes GenBank, le mot-clef ORGN vient du mot "organism" ("organisme" en français) :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
tax_name("Canis lupus") |
"Canis lupus"[ORGN] |
séquences pour lesquelles un nom de taxon source contient “Canis lupus” |
Attention ! La requête ENA tax_name("Canis lupus") est strictement équivalente à tax_eq(9612) (voir ci-dessous) : le nom fourni doit correspondre exactement à celui d’un taxon, alors que Genbank fait du pattern matching. C'est-à-dire que “Canis lupus lycaon” est inclus dans les résultats de la requête NCBI, pas dans ceux de la requête ENA telle qu’écrite ici.
D'autre part, dans le cas où il y a plusieurs organismes sources (par exemple dans le cas d'une séquence ADN de synthèse), le mot-clef GenBank PORGN désigne l'"organisme" source cité en premier lieu dans le fichier GenBank (par exemple "synthetic construct"), alors que ORGN désigne le ou l'un des "donneur(s)" d'ADN. Dans tous les autres cas, PORGN est strictement identique à ORGN. Un exemple d'une telle séquence synthétique, obtenue de GenBank par la recherche "Homo sapiens"[ORGN] NOT "Homo sapiens"[PORGN], est la séquence d'accession MG272208.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
| ? | "Canis lupus"[PORGN] |
séquences pour lesquelles le nom de taxon source primaire contient “Canis lupus” |
Tout taxon, quelle que soit sa position dans l'arbre du Vivant, possède un code numérique l'identifiant de manière non équivoque. On peut obtenir un tel code via une recherche dans NCBI Taxonomy. Une fois le code connu, on peut demander les séquences correspondant exactement à notre taxon.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
tax_eq(1773) |
? | séquences issues de Mycobacterium tuberculosis, espèce dont le taxid est 1773 |
Attention ! Les requêtes formées à l'aide du prédicat tax_eq() ne renvoient pas les séquences taxonomiquement “en dessous” du taxon donné (ci-dessus Mycobacterium tuberculosis, dont l'ID taxonomique est 1773). Par exemple la requête ci-dessus ne produira pas les séquences de “Mycobacterium tuberculosis variant bovis”. Voir ci-dessous pour une autre requête renvoyant toutes les séquences correspondant à tout un clade phylogénétique.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
tax_tree(1773) |
zzz[orgn:__txid1773] |
séquences issues de Mycobacterium tuberculosis et de tout le clade dont M. tb est la racine |
Notez bien que dans la requête Genbank, ce qu’on écrit à gauche du crochet n’a pas d’importance, mais il faut qu’il y ait quelque chose.
Tous les enregistrements INSDC contiennnent un champ descriptif en texte libre. C'est le champ apparaissant dans un fichier EMBL à la balise "DE", ou sur la ligne "DEFINITION" d'un fichier au format GenBank, aussi appelé parfois le champ de "titre" d'un enregistrement. On peut rechercher un mot-dlef dans ce champ à l'aide des requêtes ci-dessous.
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
description="*RPOB*" |
RPOB[TITL] |
séquences avec “RPOB” (recherche insensible à la casse des caractères) apparaissant n’importe où dans le champ de description (“titre”) |
Chez les eukaryotes, la plupart du matériel génétique se trouve dans le noyau, mais il y a aussi selon le cas de l'ADN dans les mitochondries, dans les plasmides, etc. On peut demander à voir uniquement les séquences correspondant à un compartiment cellulaire bien précis :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
organelle="mitochondrion" |
gene_in_mitochondrion[PROP] |
séquences d'ADN mitochondrial et non nucléaire |
organelle != "mitochondrion" AND mol_type="genomic DNA" |
gene_in_genomic[PROP] |
séquences d'ADN du noyau |
On peut vouloir exclure les données RefSeq, déjà présentes ailleurs dans GenBank mais constituant un sous-ensemble très sélectif de séquences de référence, ou bien demander les séquences qui ont été initialement publiées ou bien dans GenBank, ou bien dans ENA, ou bien dans DDBJ :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
| ? | srcdb_genbank[PROP] |
ne prendre que les données initialement soumises via Genbank |
| ? | NOT refseq[FILTER] |
ne pas inclure les données du jeu RefSeq (ce qui est déjà le comportement par défaut pour les requêtes ENA) |
| ? | srcdb_ddbj/embl/genbank[PROP] |
un peu la même chose que de filtrer par NOT refseq[FILTER] : séquences originales |
Dans ENA, les séquences publiées le sont nécessairement au sein d'un projet ou étude ("study"). Ainsi, on peut demander à voir toutes les séquences publiées dans le cadre d'une telle étude :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
study_accession="PRJEB402" |
? | trouver toutes les séquences issues du projet d’identifiant PRJEB402 |
Voilà, nous avons fait un bref tour d'horizon des requêtes dans ENA et dans GenBank. Comme nous l'avions annoncé en ouverture de ce document, on peut construire des requêtes de base en combinant les opérateurs avec des "ET" ou des "OU" logiques :
| syntaxe ENA (Advanced Search) | syntaxe GenBank | signification |
|---|---|---|
tax_name("Sus scrofa") AND organelle="mitochondrion" AND base_count > 10000 AND description="*complete*" |
séquences mitochondriales de porc d'au moins 10kb et contenant le mot "complete" dans leur description |