UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TAGNY NGOMPE GILDAS LE PROJET “AGRONOMIC LINKED DATA (AGROLD)” DỰ ÁN AGROLD (MÔ HÌNH DỮ LIỆU AGRONOMIC) MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE HANOI – 2015 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com UNIVERSITE NATIONALE DU VIETNAM, HANOI INSTITUT FRANCOPHONE INTERNATIONAL TAGNY NGOMPE GILDAS LE PROJET “AGRONOMIC LINKED DATA (AGROLD)” DỰ ÁN AGROLD (MÔ HÌNH DỮ LIỆU AGRONOMIC) Spécialité: Systèmes Intelligents et Multimédia Code: Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE Sous la direction de: Dr. Pierre LARMANDE – Ingénieur IRD, responsable de l’AXE Intégration de Données de l’Institut de Biologie Computationnelle Dr. Aravind VENKATESAN - Chercheur post-doctorant, IBC HANOI – 2015 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ATTESTATION SUR L’HONNEUR J’atteste sur l’honneur que ce mémoire a été réalisé par moi-même et que les données et les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs. La source des informations citées dans ce mémoire a été bien précisée.
LỜI CAM ĐOAN Tôi cam đoan đây là công trình nghiên cứu của riêng tôi. Các số liệu, kết quả nêu trong Luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác. Các thông tin trích dẫn trong Luận văn đã được chỉ rõ nguồn gốc. TAGNY NGOMPE GILDAS LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Table des matières Table des matières v Remerciements vi Résumé vii Abstract viii Liste des figures x Liste des tableaux xi INTRODUCTION 1 Chapitre 1 PROBLÉMATIQUE DU PROJET AGROLD 3 1.3 Problématique du sujet .4 Contraintes et résultats attendus.
6 Chapitre 2 PUBLICATION DES DONNÉES LIÉES ET OUVERTES 7 2.1 Le web des données liées et ouvertes .2 Publication de données des sciences du vivant .3 Systèmes d’interrogation du web des données .1 Aide à la construction de requêtes .2 Recherche d’informations spécifiques .4 Intégration de données de sources multiples. 17 Chapitre 3 SOLUTION PROPOSÉE 20 3.1 Paradigmes de recherche sémantique .1 Intégration et adaptation de systèmes existants .2 Développement de nouvelles fonctionnalités. 23 iv LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Chapitre 4 EXPÉRIMENTATIONS ET ANALYSE DES RÉSULTATS 28 4.1 Utilisation de l’application web AgroLD par des utilisateurs humains .1 Entrée des requêtes et expressivité .2 Exécution des requêtes et temps de réponse .3 Présentation des résultats .2 Utilisation des informations de la base AgroLD dans des applications .1 Utilisation de l’API pour la programmation .2 Utilisation de l’API dans les workflows. 33 CONCLUSION 36 Références 37 Annexes 40 Glossaire 40 v LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Remerciements Nous adressons nos remerciements à tous ceux qui ont contribué à la réalisation du travail présenté dans ce document, en particulier : — à Pierre LARMANDE et Aravind VENKATESAN, nos superviseurs de stage ; — aux responsables et membres du personnel de notre établissement l’Institut Fran- cophone International ; — aux structures qui nous ont encadré : l’Université Nationale du Vietnam à Hanoï (UNVH), l’Université de Montpellier, l’Institut de Recherche pour le Dévelop- pement (IRD), l’Institut de Biologie Computationnelle (IBC), le Laboratoire d’In- formatique, de Robotique et de Micro-électronique de Montpellier (LIRMM), le Centre de coopération International en Recherche Agronomique pour le Déve- loppement (CIRAD) ; — à Nordine El Hassouni, ingénieur du CIRAD.
vi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Résumé Le web des données liées offre une grande opportunité d’intégration de données de sources et domaines divers. Cependant, il présente une rareté des données issue de la recherche en biologie des plantes. Des chercheurs de l’IBC construisent actuel- lement la base de connaissance AgroLD en convertissant les données de la base de données SouthGreen qu’ils lient à des ontologies et d’autres sources de données du web des données. AgroLD est destinée à l’usage des biologistes et des bioinformati- ciens.
Ces groupes d’utilisateurs présentent des niveaux de compétences variées par rapport aux technologies du web sémantique. Il s’agissait principalement pour nous de leur proposer des moyens pour faciliter la recherche d’information dans AgroLD et dans des services externes. Notre solution est de mettre à leur disposition sur une même plateforme plusieurs fonctionnalités d’utilisabilité et d’expressivité différentes. Les utilisateurs pourront choisir les systèmes de recherche qui leur conviennent et pas- ser facilement de l’un à l’autre.
Il a été aussi pris en compte l’activité de développement d’applications des bioinformaticiens. Nous avons proposé une API de services REST pour exposer les informations correspondant à des questions biologiques. Cette API présente l’atout d’être facilement utilisable pour la programmation d’application et dans le gestionnaire de workflows bioinformatiques Galaxy. Nous avons notamment utilisé cette API et d’autres services web pour faire de l’agrégation de connaissances au sein d’un formulaire dynamique dans notre prototype.
Mots clés : Intégration de données agronomiques, agrégation de connaissance, sys- tèmes de recherche sémantique, interaction homme-machine, services REST vii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Abstract The web of linked data provides great data integration opportunity from various sources and areas. However, it lacks data of research in plant biology. IBC’s researchers are currently building the knowledge base AgroLD converting data base SouthGreen data they bind to ontologies and other sources of web of data. AgroLD is intended for use by biologists and bioinformaticians.
These users groups have different levels of skills by compared to semantic web technologies. For us, It were about to suggest to them, ways to facilitate the search for information in AgroLD and external services. Our solution is to provide them, on the same platform, several features with different usability and expressivity. Users can choose which search systems that suit them and easily switch from one to another.
It was also considered the applications development activity of bioinformaticians. We have proposed a REST service API to expose the in- formation corresponding to biological questions. This API has the advantage of being easily usable for application programming and in bioinformatics workflows manager Galaxy. We have particularly use the API and other web services to make knowledge aggregation in a dynamic form in our prototype.
Keywords : Integration of agronomic data, aggregation of knowledge, semantic search systems, human-computer interaction, REST services viii LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des figures 1.1 Lien entre deux ressources de sources distantes et différentes sur AgroLD 5 1.2 uri non déréférencé participant à des triplets dans AgroLD .1 Exemple de graphe de données liées (source : http://linkedlifedata.2 Ensembles de données des sciences de la vie dans le nuage des données liées et ouvertes (source : http://lod-cloud.3 Ressources biologiques RDF liées à UniProtKB (uniprot.rdf), la base prin- cipale de UniProt .4 Différence entre les filtres et la navigation à facettes .5 Avantages des services RESTful sur les services basées sur SOAP (WS-*) 16 2.6 Architecture d’Open PHACTS Discovery Plateform .7 Architecture standard des applications de données liées et ouvertes .1 Architecture proposée pour l’application web d’AgroLD .2 Editeur de requêtes textuelles SPARQL .3 Module serveur de l’API d’AgroLD .4 Activités de navigation avec le formulaire dynamique .1 Scénario 1 : entrée de la requête .2 Scénario 2 : entrée de la requête dans le fomulaire dynamique .3 Scénario 2 : entrée de la requête dans l’éditeur de requête SPARQL .4 Scénario 3 : entrée de la requête dans le fomulaire dynamique .5 Scénario 4 : entrée de la requête .6 Scénario 1 : présentation des résultats avec la recherche rapide par mot-clé 31 4.7 Scénario 2 : présentation des résultats .8 Scénario 3 : présentation des résultats .9 Scénario 4 : Relations découvertes entre le gène "adenosylmethionine de- carboxylase" (AT3G25570) et les deux pathways "spermine biosynthesis" et "spermidine biosynthesis" .10 Utilisation du service de recherche de gène par mot-clé dans un pro- gramme JavaScript .11 documentation du service de recherche des protéines associées à un iden- tifiant ontologique. 34 ix LUAN VAN CHAT LUONG download : add luanvanchat@agmail.12 Intégration de la liste des gènes participant au pathway CALVIN-PWY dans Galaxy .13 Workflow d’extraction des colonnes 1, 2 et 4 d’un tableau dans Galaxy .14 Résultat de l’extraction des colonnes "geneId", "geneName" et "taxon_name" 35 x LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Liste des tableaux 2.1 Catégories et exemples d’API .1 Comparaison de clients SPARQL. 40 xi LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com INTRODUCTION L’activité principale du projet IBC est le développement de méthodes et logiciels innovants pour analyser, intégrer et contextualiser des données biologiques à grande échelle dans le domaine de la santé, de l’agronomie et de l’environnement. Une des principales problématiques abordées est l’intégration des données biologiques et en particulier celles des plantes.
Par l’intégration de données provenant de plusieurs sources, les experts biologistes peuvent obtenir une information plus riche à laquelle ils peuvent lier leurs propres résultats pour la compléter. La difficulté d’intégration intervient régulièrement. Les sources de données étant indépendantes et isolées, les fournisseurs n’adoptent pas tou- jours les mêmes formats de description, types d’information, et modèles de données lors de la conception des bases de connaissance. Ceci introduit des hétérogénéités [1,2] structurelles, sémantiques et syntaxiques entre les sources de données.
L’import dans un entrepôt central des données des sources différentes (intégration matérialisée) et la fédération de requêtes vers des sources aux structures différentes au moyen d’inter- face de médiation (intégration dématérialisée) sont les principales solutions jusqu’alors appliquées. Malheureusement, elles conservent toujours les données fermées et se fo- calisent généralement sur un domaine particulier. Cette situation a poussé le W3C à proposer une évolution du web avec des tech- nologies standards devant faciliter l’accès et l’intégration des données disponibles sur internet. Cette évolution du web est appelé le web des données ouvertes et liées [3].
Elle vise non seulement le libre accès aux données mais surtout une description sémantique explicite de tout entité concrète ou abstraite. Les technologies proposées dans ce sens ont pour but de permettre aux fournisseurs de données, la possibilité de structurer de manière standard leur base de données et par là de faciliter la liaison des données à d’autres données de sources distantes, et l’automatisation de leur interprétation et de l’extraction de l’information. Pour plusieurs disciplines scientifiques, des sources de données ont été converties en RDF et liées à d’autres sources. Des ontologies RDFS et OWL ont été définies pour formaliser explicitement la sémantique des ressources et des liens existant entre elles.
Malheureusement, ce travail est presque inexistant pour les données sur les plantes. La base de connaissance AgroLD est donc conçue pour palier à cette rareté de données liées et ouvertes agronomiques. La question principale à l’origine de notre travail est celle de savoir comment fa- 1 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com ciliter l’utilisation d’AgroLD par les potentiels utilisateurs de la base de connaissance. La solution doit leur permettre d’obtenir l’information significative et riche possible.
Les critères à prendre en compte sont principalement leur contexte d’utilisation (work- flow par exemple), le type d’information recherchée et leur niveau de connaissance des technologies du web sémantique. Plus précisément, d’une part, il était question de proposer un ensemble de services sur une plateforme web permettant non seulement une recherche plus aisée des infor- mations mais aussi un développement plus facile de nouvelles applications répondant aux besoins des experts. D’autre part, notre travail devait contribuer à la construction de la base de connaissance en l’enrichissant automatiquement avec de nouvelles don- nées et en corrigeant les URI non résolus dans la base. Nous essayons donc d’évaluer les résultats de notre travail sur des aspects tels que le temps et la séquence d’actions nécessaires pour une recherche, et la satisfaction de l’utilisateur par rapport aux résultats retournés et son utilisation du système.
Ce mémoire est divisé en quatre chapitres. Le premier donne plus de détails concer- nant le contexte et la problématique du sujet. Le second fait un état de l’art de la re- cherche d’information dans le web des données. Ensuite, le troisième chapitre décrit l’architecture proposée, les outils choisis et l’implémentation réalisée.
Enfin, le dernier chapitre présente l’expérimentation et l’analyse des résultats obtenus.