Le GEML,
un langage pour décrire le génome

Christine BOUCHET

1er février 2001

Le format GEML (Genetic Expression Markup Language), basé sur la technologie XML, permet de décrire les gènes humains. S'il est adopté par la communauté scientifique, il pourra devenir un standard utilisé dans la recherche sur le génome, comme le HTML est devenu un standard sur le Web.

Le besoin d'une représentation harmonisée des connaissances sur le génome

Le langage GEML a été créé par la société américaine Rosetta Inpharmatics, qui a mis en place la "GEML community", une communauté scientifique destinée à développer et promouvoir le standard. Elle comprend des leaders de la recherche génétique comme Europroteome, la Harvard University , Agilent Technology et Spotfire. Le prestigieux groupe de publication Nature a rejoint récemment la GEML community.

Le "Human Genom Project" dont l'objectif est de cartographier l'ensemble des gènes humains a connu des avancées significatives. L'enjeu est maintenant de parvenir à une présentation harmonisée des résultats, afin que les chercheurs du monde entier impliqués dans ce type de travaux puissent bénéficier des résultats acquis.

Le format GEML répond à ce besoin en permettant de formaliser les informations sur la structure de l'ADN et sur l'expression des gènes.

Un format basé sur le métalangage XML

Le GEML est basé sur le langage XML (eXtensible Markup Language), qui est présenté comme le successeur de l'HTML sur le Web et est en voie de devenir le format universel pour l'échange de données structurées. C'est un profil d'application de la norme SGML (Standard Generalized Markup Language), langage normalisé avec une sémantique riche, mais complexe.

L'objectif du langage XML est d'associer la facilité de HTML et la richesse sémantique de SGML. C'est un format d'échange de données normalisé, indépendant de la plate-forme et du SGBD. Il permet de décrire la structure et le contenu de tout type de document. XML est qualifié de métalangage, c'est à dire un langage permettant de définir d'autres langages.

XML a émergé début 96 par la réunion d'un groupe de travail spécialisé du consortium W3. Le même consortium a publié une recommandation en février 98, XML est donc devenu une norme industrielle de fait.

Le principe du langage XML est d'utiliser des balises qui donnent du sens à l'information plutôt que de lui donner un aspect particulier. XML sépare le contenu et les instructions de traitement, y compris le formatage. L'intérêt de cette séparation de la sémantique et de la structure est de rendre l'information facilement réutilisable.

Le GEML met à profit la flexibilité du XML pour définir une structure qui doit être hiérarchique, compréhensible par l'homme et par la machine, et compatible avec les standards industriels. Le format doit permettre d'insérer des annotations exhaustives.

Ainsi, GEML permet de séparer les informations sur les données et la méthodologie utilisée pour recueillir ces données. Comme en XML on définit des DTD (Document Type Definition) spécifiant les balises, les attributs, et les conventions d'imbrication des balises. En pratique il y aura deux DTD, une "Pattern DTD" qui décrit les gènes et une "Profile DTD" qui décrit l'expression des gènes. Le format est indépendant d'une plate forme matérielle ou d'un logiciel.

Des projets concurrents

D'autres sociétés ont proposé des réponses au problème de standardisation du génome. Lion Biosciences a développé son propre standard, et le département sciences de la vie d'IBM travaille sur une base de données virtuelle, nommée DiscoveryLink, qui permettra aux chercheurs de retrouver de l'information de toute nature (texte, graphique ou image), sur les gènes et les protéines.

Physiome Sciences a également développé un langage basée sur le XML, CellML, qui permet de modéliser différents types de cellules et de simuler les effets des médicaments.

La valeur ajoutée de ce type de langage est surtout liée aux nombres de chercheurs qui l'utilisent. La prestigieuse revue scientifique Nature et sa petite sœur Nature Genetics, références majeures dans le domaine, ont adopté le langage GEML en décembre 2000. Les chercheurs qui voudront publier dans Nature devront dorénavant l'utiliser le GEML qui va donc probablement s'imposer comme un standard de fait.

Retrouvez tous les articles de la rubrique Systèmes
d'information hospitaliers.