Atelier ‘Bases de données’ du GDR PARIS 7-8 avril 2004 Strasbourg Les bases de données chimiques en France Claude Laurenço Laboratoire des Systèmes d’Information Chimique UMR 5076 Hétérochimie moléculaire et macromoléculaire École Nationale Supérieure de Chimie de Montpellier laurenco@enscm.fr ; http://sic.enscm.fr Laboratoire d’Informatique, de Robotique et de Microélectronique de Montpellier UMR 5506 Université Montpellier II cl@lirmm.fr ; http://www.lirmm.fr

Un peu d’histoire

Vannevar BUSH, "As We May Think" Atlantic Monthly, 1945 MEMEX Vannevar BUSH, "As We May Think" Atlantic Monthly, 1945 http://www.theatlantic.com/flashbks/bushf.htm The memex is a device in which an individual stores all his books, records, and communications, and which is mechanized so that it may be consulted with exceeding speed and flexibility .... Wholly new forms of encyclopedias will appear, ready made with a mesh of associative trails running through them, ready to be dropped into the memex and there amplified .... The chemist, struggling with the synthesis of an organic compound, has all the chemical literature before him in his laboratory, with trails following the analogies of compounds, and side trails to their physical and chemical behavior ....

Évolution de l’information chimique http://www.cas.org/EO/casstats.pdf

Évolution de l’information chimique

Quelques dates Années 60 Années 70 Producteurs d’abstracts et d’index http://www.chemheritage.org/explore/timeline/ELECTRON.HTM http://www.chemheritage.org/explore/timeline/CC1950.HTM Années 60 Producteurs d’abstracts et d’index CAS, VINITI, ISI … Sociétés industrielles ICI (Crossbow), Hoechst, BASF (IDC) … Années 70 CA Search (1976) Cambridge Structural Database (1977) MDL (1978) -> MACCS (1979)

Quelques dates Années 80 Années 90 J. Med. Chem. (1980) DARC (1981) REACCS (1982) CAS file (1983) Beilstein Online (1988) Années 90 ISIS ; Gmelin Database (1991) Beilstein CrossFire (1994) SciFinder (1995)

Sources d’information chimique Sources primaires Articles de journaux, actes de congrès, thèses, brevets, rapports … Sources secondaires Index et résumés des sources primaires : Chemical Abstracts, Current Contents … Sources tertiaires Information sélectionnée et évaluée : mises au point, livres, encyclopédies …

Comment accéder aux bases de données chimiques en France

Moyens d’accès aux bases de données chimiques Moyens ‘institutionnels’ Serveur TITANE & INIST SciFinder Scholar COUPERIN Autres moyens Abonnements online Abonnements Inhouse CD Rom WEB

Serveur national TITANE http://www.inist.fr/titanesciences Créé en 1995 par le dpt des Sciences Chimiques du CNRS dans le cadre du GDR « Traitement informatique de la connaissance en chimie organique » Installé à l’Université Marseille III sous la responsabilité de A. Baldy Partenariat avec le Ministère de l’Éducation Nationale Transféré à l’INIST en 2002 Gestion par INIST-Diffusion Bases de données ‘tertiaires’ ; requêtes structurales, sous-structurales, par mots clés, propriétés, références … analyse des résultats Formation à l’utilisation des bases par LSIC-ENSCM

Serveur national TITANE Système MDL®ISIS http://www.mdli.com/products ISIS/Host ; client : ISIS/Base + ISIS/Draw Bases de données de molécules Available Chemicals Directory (250 000) Comprehensive Medicinal Chemistry (8 000) Drug Data Report (132 000) National Cancer Institute Databases (213 000) Toxicity Database (158 000) Metabolite Database (40 000 + 64 000 transformations)

Serveur national TITANE Système MDL®ISIS http://www.mdli.com/products ISIS/Host ; client : ISIS/Base + ISIS/Draw Bases de données de réactions (chimie organique) ChemInform Reaction Lib. depuis 1992 (978 000) Reference Library 1900-1991 (209 000) Current Synthetic Methodology (75 300) Derwent Journal of Synthetic Methods (73 300) Solid-Phase Organic Reactions (17 500) ORGSYN Database (5 600)

Serveur national TITANE CrossFire (MDL http://www.mdli.com/products ) Beilstein (ref. depuis 1771) 8 millions de composés organiques ; 9 millions de réactions 37 millions de propriétés physiques, chimiques et biologiques associées (350 champs) 750 000 abstracts et titres indexés de la littérature primaire de la chimie organique depuis 1980 500 000 molécules bioactives Gmelin (ref. depuis 1772) 1,6 millions de composés organométalliques et inorganiques ; 1,3 millions de réactions Propriétés physiques et chimiques associées (800 champs) Recherche de catalyseurs et leurs activités

Serveur national TITANE Cambridge Structural Database Cambridge Crystallographic Data Centre : http://www.ccdc.cam.ac.uk Information cristallographique sur 250 000 composés organiques et organométalliques Interface graphique d’interrogation, visualisation 3D, calculs : analyses numériques, statistiques et graphiques

INIST-Bibliosciences http://www.inist.fr/bibliosciences Bases de données PASCAL (INIST) multidisciplinaire, dont 5% de chimie = 775 000 références depuis 1987 CURRENT CONTENTS Search (ISI/SilverPlatter) SIGLE (EAGLE) multidisciplinaire ; couvre la littérature grise en Europe; 781 000 références depuis 1980 INIS (AIEA) couvre le domaine des sciences et technologies nucléaires; 2,2 millions de références depuis 1970 ; chimie, matériaux, sciences de la Terre, de la vie et de l’environnement, rayonnement, ingénierie et technologies, physique …

SciFinder Scholar Depuis 2002 http://www.cas.org/SCIFINDER/SCHOLAR Depuis 2002 À l’initiative du Ministère de l’Éducation Nationale, en partenariat avec le dpt SC du CNRS Gestion juridique et financière par l’ABES Gestion locale par les BIU Interrogation croisée de 4 bases de données produites ou diffusées par CAS CAplus MEDLINE CAS REGISTRY CASREACT

SciFinder Scholar Bases de données bibliographiques CAplus 23,6 millions d’enregistrements depuis 1907; analyse de 1500 journaux essentiels en chimie et surveillance de 9000 journaux ; actes de congrès ; rapports ; thèses ; brevets … Tous les domaines de la chimie et du génie chimique MEDLINE (US National Library of Medecine) 13 millions de références depuis 1958 ; 3900 journaux du domaine biomédical Requêtes en langage naturel ; procédures de tri des résultats selon différents points de vue …

SciFinder Scholar Bases de données de molécules & de réactions CAS REGISTRY 23 millions de substances organiques et inorganiques et 41 millions de bioséquences, depuis 1907 Structures 2D, noms CAS et autres, CAS RN, propriétés calculées CASREACT (CAS, VINITI, ZIC, INPI) 7,7 millions de réactions organiques, mono et multi-étapes 426 000 publications Requêtes structurales et sous-structurales, par RN, par nom, par rôle …

COnsortium Universitaire de PERIodiques Numériques COUPERIN COnsortium Universitaire de PERIodiques Numériques http://couperin.cines.fr Créé en 1999 pour : Mutualiser les moyens des bibliothèques universitaires Négocier avec les éditeurs de périodiques numériques L’accès aux journaux en ligne permet l’utilisation des services ChemPort dans SciFinder Scholar LitLink dans ISIS (n’est pas disponible actuellement sur TITANE)

Coûts d’accès à l’information Facturation de l’INIST en 2004 aux laboratoires ou groupes de laboratoires Beilstein : 3450 € HT pour 4 postes, 540 € HT par poste supplémentaire Gmelin : 1025 € HT par poste ISIS : 3125 € HT pour 3 postes, 438 € HT par poste supplémentaire Y compris 10% de gestion par INIST-Diffusion Abonnement des BIU à SciFinder en 2004 $ 57 712 HT moins 37 % de prise en charge par le Ministère et le CNRS soit : $ 36 358 HT pour 3 accès simultanés $ 15 596 HT pour le passage de 3 à 5 accès simultanés

Chez nos voisins Grande Bretagne Chemical Database Service (créé en 1992) Service analogue à TITANE En plus : données spectroscopiques : SpecInfo/SpecSurf Données physicochimiques : Detherm et ELYS MIMAS Beilstein et Gmelin CrossFire ISI Web of knowledge JISC = Joint Information Systems Commitee Libre accès pour les universitaires britanniques

Chez nos voisins Pays-Bas Centre for Molecular and Biomolecular Informatics (créé en 1985) Service analogue à TITANE pour la chimie En plus : Planification de synthèse : LHASA Modélisation moléculaire Chimie théorique Moyens de visualisation des structures Consortium de 10 universités néerlandaises Libre accès pour les universitaires

Autres moyens d’accès aux bases de données chimiques Abonnements Online STN, Questel-Orbit, Dialog, SilverPlatter, THOMSON, Wiley, Thieme Verlag …. Abonnements Inhouse Accelrys, Chemical Concepts, ADC/Labs … CD Rom RSC, INRS Accès gratuit sur le WEB

STN International Scientific & Technical Information Network http://www.stn-international.de Scientific & Technical Information Network FIZ, ACS, JST Plus de 210 bases de données Cluster chimie : 45 bases Cluster métaux : 22 bases Cluster brevets : 24 bases MARPAT recherche par formules de Markush STN Express et langage Messenger STN Easy, STN on the WEB Représenté en France par CAPADOC http://www.capadoc.com

THOMSON Derwent World Index http://thomsonderwent.com/products/ Semble la base de données la plus complète sur les brevets dans tous les domaines 11 millions d’enregistrements ; 1,5 millions ajoutés par an Recherche par structure de Markush Accès par différentes voies : STN, Dialog, etc. ISI Web of Knowledge http://www.isinet.com ISI Web of Science ( … Citation Index) plus ISI Chemistry (Reaction Center & Compound Center)

Thieme Verlag Science of Synthesis http://www.science-of-synthesis.com Version électronique de Houben-Weyl 48 volumes, 39 000 pages 5 000 méthodes 15 000 schémas de réactions 150 000 exemples de réactions

Accelrys Protecting groups Failed reactions Systèmes ISIS et Accord http://www.accelrys.com Protecting groups Littérature depuis 1913 Protection, déprotection et transprotection des groupes fonctionnels Chemo et régio-sélectivité 39 000 réactions Failed reactions 14 000 réactions Systèmes ISIS et Accord

Chemical Concepts SpecInfo Inhouse, SpecInfo Internet http://www.chemicalconcepts.com SpecInfo Inhouse, SpecInfo Internet Bases de données de plus de 660 000 spectres de RMN, IR et Masse Outils de élucidation de structures

------------------------------------------------- ACD/Labs http://www.acdlabs.com Bases de données spectrales Outils de prédiction ------------------------------------------------- Inventaire des bases de données spectrales http://www.lohninger.com/spectroscopy/dbsurvey.html

Accès gratuit sur le Web Métabases de données Université de Sheffield http://www.chemdex.org Chemical Database Service http://cds.dl.ac.uk/cds/other_info_and_links/cheminf.html Université de Liverpool, section chimie de la www.virtual Library : http://www.liv.ac.uk/Chemistry La page ‘Chemical Databases’ pointe sur 107 URL Répertoire Galaxy http://www.galaxy.com/Science/Chemistry Université de Haute-Alsace http://www.scd.uha.fr/info_net_sciences.html Bibliothèque Nationale de France http://www.bnf.fr/pages/liens/d3/chim-d3.html URFIST de Lyon, répertoire des bases de données gratuites disponibles sur internet http://dadi.enssib.fr/ ChemWeb http://www.chemweb.com IUPAC http://www.chem.qmul.ac.uk/iupac http://www.iupac.org Glossaires, Gold Book ….

Accès gratuit sur le Web NIST (National Institute of Standards and Technology) Portail donnant accès à plus de 80 bases de données http://www.nist.gov/srd/chemistry.html Données physico-chimiques : thermodynamique et cinétique chimiques, spectres d’IR, de masse, d’UV-visible, etc. Constantes physiques. Base IUPAC-NIST des solubilités (30 000 mesures, 1028 substances …) NCSM (National Center for Manufacturing Sciences) SOLV-DB http://solvdb.ncms.org Propriétés physiques et chimiques, catégories, sécurité, risques, fournisseurs …. Brevets ‘Patent Information on the Internet’ http://www.chimia.ch/issues/toc/0005/Stauffer_Etscher_Litscher.pdf Office européen des brevets http://ep.espacenet.com http://www.delphion http://www.uspto.gov/patft

Coût de la base de données Beilstein Réalisée par l’Institut Beilstein de 1983 à 1992 avec des fonds de l’État Fédéral Allemand (BMFT) = 31 M€ Base + infrastructure = 28,6 M€ 1ère implantation sur STN = 2,3 M€ E. Zass, J. Chem. Inf. Comput. Sci. 1996, 36, 942-948 R. Luckenbach, J. Chem. Inf. Comput. Sci. 1996, 36, 923-929

Bases de données chimiques réalisées en France

Bases de données chimiques françaises THERMODATA (avec INPG et UMS818 du CNRS ‘TherMa’) depuis 1974 http://thermodata.online.fr/thermafr/activite.html 5 bases de données thermochimiques et suite logicielle ThermoSuite permettant d’accéder aux propriétés thermodynamiques de 5000 substances et d’effectuer des calculs d’équilibres de phases dans des systèmes complexes. Thermochemical Database Project (TDB) http://www.nea.fr/html/dbtdb Agence pour l’énergie nucléaire de l’OCDE Common Thermodynamic Database Project (CTDP) http://ctdp.ensmp.fr Ensmp, CEA, EDF, IFP, IRSN, TOTAL BASSIST base de données thermodynamiques (radionucléides), CEA

Bases de données chimiques françaises SXD (UMR 7551) http://ulpchim.u-strasbg.fr/~sxd/pub Base de données expérimentales sur l’extraction liquide-liquide des métaux Database of Palladium Chemistry Réactions, cycles catalytiques, paramètres chimiques Développée par J.-L. Malleron et A. Juin (Aventis Pharma) Distribuée en CD Rom par Elsevier/Academic Press http://intl.elsevierhealth.com/catalogue Bases de données structurales sur les saccharides (CERMAV-CNRS) http://www.cermav.cnrs.fr

Bases de données chimiques françaises Chirbase (ENSSPICAMM-Université Marseille III) http://chirbase.u-3mrs.fr Bases de données sur les séparations chirales d’énantiomères par chromatographie (95 000 séparations, 30 000 structures moléculaires) Système ISIS Diverses bases de données sur la gestion des produits chimiques Voir ‘Profil français pour évaluer les capacités nationales de gestion des produits chimiques’ http://www.industrie.gouv.fr/pratique/conseil/pdf/profil2000.pdf Notamment l ’annexe 2 sur les bases de données (cf. bases de l’INRS) http://www.industrie.gouv.fr/pratique/conseil/pdf/a2-prof2.pdf

Bases de données chimiques françaises Projet EuroSpec (INRA et partenaires européens) http://www.eurospec.org Développer une base de données spectroscopiques issues de publications Obtenir le soutien des éditeurs Financement européen NMRShiftDB (Max-Planck-Institute) http://www.nmrshiftdb.org Open-source & open-content database

Quelques défauts des bases de données de réactions Le modèle de la réaction chimique adopté est trop imprécis : les données sont hétérogènes car les schémas représentent indistinctement des réactions mono-étape et multi-étapes Le modèle n’est pas hiérarchique : les données sont ‘à plat’ et relatives à des réactions particulières Certains algorithmes sont défectueux ou inadaptés : notamment la détermination automatique du ‘mapping’ Le contenu des bases reflète-t-il l’état actuel des connaissances? Exhaustivité? Résultats négatifs? J. Coste, O. Gien, A. Dietz et C. Laurenço , L’Actualité Chimique (1999)

Quels progrès? Conception de nouveaux systèmes ingénierie des connaissances : modèles, ontologies … technologies Web construction de bases de données à partir d’expérimentations programmées Amélioration des systèmes existants modèles extraction de connaissances à partir des bases de données ; organisation des données ; métadonnées

Extraction de connaissances à partir de bases de données interprétation/ évaluation connaissances fouille de données transformation modèles pré-traitement données transformées sélection données pré-traitées données cibles analyste base de données

Une (?) réaction dans une base de données ISIS

Une (?) réaction dans une base de données ISIS

l’exemple de la Chimiothèque Nationale du CNRS

La Chimiothèque Nationale « Groupement de Service » créé en juillet 2003 par une convention entre le CNRS et 17 établissements de l'enseignement supérieur et de la recherche publique Mission : fédérer et valoriser les collections de produits de synthèse et d'extraits de substances naturelles existants dans les laboratoires publics français Plus de 20.000 substances répertoriées mi-2003 http://chimiotheque-nationale.ujf-grenoble.fr/GDS/index.html

La Chimiothèque Nationale Objectifs rapidement : Diffusion via le web de la disponibilité des substances (requêtes structurales et sous-structurales) à terme : Enrichissement par des descripteurs structuraux Couplage chimiothèque-ciblothèque Criblage virtuel Etc.

La Chimiothèque Nationale système d’information et flux de données laboratoire Utilisateur 5 Base de données locale 1 WEB Traitement des requêtes 6 Format Standard (SDF normalisé) 2 Fusion des données Fichier log diffusion 4 7 Base de données nationale 3 serveur national

La Chimiothèque Nationale synthèse des solutions étudiées Solution MDL (licence par nb d’utilisateurs nommés) Solution ACCELRYS (licence par nb d’utilisateurs nommés) Solution ID-BS (licence par nb d’utilisateurs nommés) MDL Draw + devt à façon Accord Dev. Studio Pro Accord Grid Control Pro MDL Draw + devt à façon Client Serveur Couche métier SGBD Plate-forme Windows Appl. Server BEA Weblogic JSP Apache + ASP MDL FrameWork Accord Enterprise Activity Base ORACLE Windows Server Windows Server ou Solaris Linux Redhat

SGBD pour la chimie : principales solutions commerciales Domaines couverts architecture autonome 2,3,5,6,9,11,12,18 25,26 1,2,3,4,6,7,8,13, 14,15,17,18,19,23 synthèse Client/Serveur 1,4,7,8,9,10,15,16, 17,19,20,21,23 3,4,6,7,8,10,11,23 Analyse API 1,3,4,6,7,8,11,13, 14,15,16,17,18 3,4,5,6,7,8,9,10,11, 20 modélisation 1,2,4,5,6,7,8,9,11, 12,13,14,15,16,17, 18,19,20,21,22 QSAR 1) Accord Enterprise (accelrys.com) 2) DS Accord for Excel (accelrys.com) 3) Chemfolder (acdlabs.com) 4) Web Librarian (acdlabs.com) 5) KnowItAll (knowitall.com) 6) ChemOffice (camsoft.com) 7) ChemOffice Ent. (camsoft.com) 8) JchemBase (chemaxon.com) 9) MOE Database (chemcomp.com) 10) SpecInfo (chemicalconcepts.com) 11) Hyperchem (chemistrysoftware.com) 12) MOLSEARCH (molsearch.com) 13) DayCart (daylight.com) 14) THOR / MERLIN (daylight.com) 15) ActivityBase (idbs.co.uk) 16) SciDex (lci-publisher.com) 17) Isentris (mdli.com) 18) ISIS/Desktop (mdli.com) 19) ISIS/Host (mdli.com) 20) C@rol (mol-net.de) 21) misearch toolkit (cheminspiration.com) 22) ChemTK (sageinformatics.com) 23) Ched (timtec.com)

Futur? Internet  Interspace : infrastructure d’information permettant de naviguer d’un concept à un autre (plutôt que d’un document à un autre) à travers des réseaux d’entrepôts de données maintenus par des communautés scientifiques spécialisées dans des domaines plus ou moins restreints. R.B. Schatz, Computer, 2002, 54-62 Problème de l’information chimique Production, diffusion, conservation, exploitation Libre accès à l’information scientifique Normalisation des données, développement d’ontologies de la chimie Cahiers de laboratoire électroniques http://pubs.acs.org/hotartcl/ci/00/jan/inet.html ….

Remerciements à Ph. Jauffret & J. Coste