Des données très humaines

  
«Regardez-moi cette petite merveille ! Douze Megaoctets de mémoire vive, un disque dur de 500 mégaoctets, tableur intégré et un modem qui transmet à plus de 28 000 bits par seconde !» Nous sommes en 1995 lorsque Chandler Bing, personnage de la série Friends, présente ainsi son nouvel ordinateur portable, une machine plus épaisse qu’une boîte à pizza. On pourrait être tenté de se moquer, si cette situation n’était pas emblématique de la vitesse folle à laquelle nos moyens numériques se sont développés. Depuis Friends, la mémoire de travail dont disposent nos smartphones a été multipliée par plus de mille alors qu’on ne pourrait même pas stocker un épisode de The Crown sur l’ordinateur de Chandler – sans parler de réussir à le visionner.

Ce que l’on nomme les Big Data, littéralement les «grosses données», se trouve à la confluence d’au moins 2 accélérations: celle de la puissance de calcul des ordinateurs, et celle des dispositifs de stockage. Quelque part au cours des 15 dernières années, il est devenu possible à la fois d’emmagasiner quantité et quantité de données, et de les traiter via des algorithmes pour en tirer des informations pertinentes. C’est le cas bien sûr des réseaux sociaux, de la finance mondiale, des transports en commun, mais également de la recherche scientifique. 

Dans le laboratoire de bioinformatique de l’ULB‑VUB, IB², les Big Data ont pris le nom d’omique, néologisme qui regroupe l’ensemble des groupes de molécules étudiées. «La génomique correspond à l’étude de l’ensemble du génome d’un organisme, résume le Pr Matthieu Defrance, bioinformaticien et directeur d’IB². Mais nous nous sommes rendu compte que séquencer le génome n’apportait que peu d’informations sur les processus en cours au sein d’une cellule, et c’est pourquoi nous le croisons désormais avec le transcriptome, soit l’ensemble des produits de transcription de l’ADN, le protéome, et même l’épigénome, c’est-à-dire les modifications qui influencent l’expression même des gènes.»

Difficile pour notre esprit de concevoir la quantité astronomique de données que cela représente. «Le génome humain est composé d’environ 3 milliards de paires de bases, les fameux nucléotides ATCG, ce qui est déjà un challenge en soi, alors qu’il n’est même pas le plus grand du vivant, détaille Matthieu Defrance. Mais la complexité se trouve ailleurs, car contrairement au génome, les autres ensembles que nous mesurons sont très dynamiques. Ils varient en fonction des conditions de l’expérience, de la température, du moment de la journée…» Et du type cellulaire ! Car si au sein d’un individu, un neurone et une cellule musculaire possèdent le même génome, leur transcriptome et leur épigénome sont très différents.

En plus du développement spectaculaire de l’informatique, ces nouvelles disciplines doivent leur succès au développement des NGS (Next Generation Sequencing), une technologie qui permet de séquencer massivement en parallèle de courtes séquences d’ADN. «Même divisé en plusieurs chromosomes, le génome est trop grand pour être lu d’une traite, révèle Matthieu Defrance. Nous devons d’abord le fragmenter, ce qui revient un peu à devoir scanner un livre en ayant uniquement accès à des morceaux de pages, pour devoir ensuite tout remettre dans l’ordre.»

C’est à ce moment que les algorithmes de traitement de l’information rentrent en jeu, car seul un programme peut traiter ces immenses jeux de données. «La machine produit en réalité une image remplie de points lumineux les uns à côté des autres, chacun étant associé à un nucléotide, précise le bioinformaticien. Cette image est traitée afin de convertir le signal lumineux en information. Vient ensuite le temps de les mettre dans l’ordre, ce qui peut se révéler ardu si le génome est connu ou non, car le traitement algorithmique est alors très différent. En cas de génome inconnu, ne sachant pas ce que l’on doit trouver, on ne peut comparer les résultats à un éventuel étalon.»

Et là encore, l’exhaustivité de la collecte de données fait que ces dernières se comptent en millions, voire en milliards. «Le nuage de points de la Cathédrale Saint-Paul à Liège compte entre 20 et 30 milliards de points, estime Pierre Hallot, mais en réalité, la taille de l’objet importe peu. Nous avons ainsi réalisé un modèle en 3D d’une pièce d’orfèvrerie médiévale, conservée dans un musée de Saint-Omer en France, avec un jeu de données de taille quasi comparable.»

À l’instar du bioinformaticien qui doit intégrer des informations hétérogènes car issues de plusieurs ensembles différents, voire de plusieurs organismes, le spécialiste en numérisation du patrimoine doit s’adapter à différents matériaux, ce qui nécessite un ajustement constant des instruments de mesure. «Le bois ou la pierre n’ont pas la même signature spectrale, explique Pierre Hallot, ce qui signifie que le laser n’est pas renvoyé de la même manière. Face à du verre, il pénètre dans la matière et fausse les mesures. Quant au métal, il est souvent réfléchissant, ce qui rend le laser inopérant. Cela nous a poussé, notamment dans le cas des pièces d’orfèvrerie, à développer d’autres techniques de numérisation, tout en préservant la colorimétrie de l’objet.»

La taille des jeux de données émis par ces nouvelles techniques pose immédiatement la question de leur stockage. Car un des piliers fondamentaux de la science aujourd’hui consiste à produire des résultats reproductibles. Les données doivent donc pouvoir être accessibles afin d’être comparées ultérieurement à de nouveaux résultats. Un défi considérable, quand les capacités de stockage ne sont pas illimitées. «On a atteint réellement un point de rupture, car les techniques de génération de données à partir du vivant ont évolué encore plus vite que les capacités de stockage, confirme Matthieu Defrance. On se pose désormais la question de ne plus stocker nos données de façon permanente. Les séquences de nucléotides sont déposées sur des bases de données européennes et américaines, mais quantité de données intermédiaires sont supprimées.»

Reste que la biologie possède une caractéristique qui lui est propre, celle de jongler avec le code génétique d’êtres humains en chair et en os. Un problème éthique, à l’heure où il existe une volonté générale d’un accès libre aux publications scientifiques. «L’accès libre aux données de recherche n’est valable que dans le cadre de données non-humaines, témoigne Matthieu Defrance. Ces dernières comportant des informations sur les individus, elles sont très strictement protégées par la loi. Ainsi, même au cours de la recherche, les données humaines ne peuvent quitter des machines sécurisées, qui ne sont accessibles que par quelques personnes.»