Publier des données dérivées de l’ADN sur les plateformes de données sur la biodiversité

Andersson AF, Bissett A, Finstad AG, Fossøy F, Grosjean M, Hope M, Jeppesen TS, Kõljalg U, Lundin D, Nilsson RN, Prager M, Svenningsen C & Schigel D (2021) Publishing DNA-derived data through biodiversity data platforms. v1.0 Copenhagen: GBIF Secretariat. https://doi.org/10.35035/doc-vf1a-nr22.

De précieuses discussions avec les membres des réseaux ELIXIR, iBOL, GGBN, GLOMICON et OBIS ont contribué à la compilation de ce projet. Nous sommes particulièrement reconnaissants pour les contributions et les encouragements d’Andrew Bentley, Matt Blissett, Pier Luigi Buttigieg, Kyle Copas, Camila A. Plata Corredor, Gabriele Dröge, Torbjørn Ekrem, Birgit Gemeinholzer, Quentin Groom, Tim Hirsch, Donald Hobern, Hamish Holewa, Corinne Martin, Raissa Meyer, Chris Mungall, Daniel Noesgaard, Corinna Paeper, Tim Robertson, Maxime Sweetlove, Andrew Young, John Waller, Ramona Walls, John Wieczorek, Lucie Zinger qui ont contribué au processus de révision de la communauté GBIF.

Le document Publier des données dérivées de l’ADN sur les plateformes de données sur la biodiversité est sous licence Creative Commons Attribution-ShareAlike 4.0 Unported License.

https://doi.org/10.35035/doc-vf1a-nr22

Version 1.3.0 publiée sur 7 June 2023.

Cette version ajoute un paragraphe à propos des jeux de données marines et l' Ocean Biodiversity Information System (OBIS), ainsi que quelques modifications mineures du texte.

Lorsque des informations génétiques sont utilisées pour décrire ou classer un taxon, la plupart des utilisateurs prévoient son utilisation dans le contexte de l’écologie moléculaire ou de la recherche phylogénétique. Il est important de se rendre compte qu’une séquence avec des coordonnées et une date/heure est une occurrence de biodiversité précieuse, qui est utile dans un contexte beaucoup plus large que son objectif initial. Pour réaliser ce potentiel, les données dérivées de l’ADN doivent être visibles sur les plateformes de données sur la biodiversité. Ce guide vous enseignera les principes et les approches afin d’exposer les « séquences avec dates et coordonnées » dans le contexte plus large des données sur la biodiversité. Le guide couvre les choix de schémas et de termes particuliers, les pièges communs et les bonnes pratiques, sans toutefois entrer dans les détails spécifiques à une plateforme. Il aidera toute personne intéressée par une meilleure exposition des données dérivées de l’ADN sur des plateformes générales de données sur la biodiversité, y compris les portails nationaux sur la biodiversité.

Les 20 dernières années ont permis de mieux comprendre l’immense pouvoir des méthodes moléculaires pour documenter la diversité de la vie sur terre. Des substrats apparemment sans vie et banals, tels que le sol et l’eau de mer, s’avèrent regorger de vie, même si ce n’est pas d’une manière que l’observateur occasionnel pourrait immédiatement apprécier. Des études basées sur l’ADN ont montré que des groupes d’organismes tels que les champignons, les insectes, les oomycètes, les bactéries et les archaea sont partout, même si nous ne pouvons souvent pas les observer physiquement (Debroas et al. 2017). Les avantages des méthodes moléculaires ne se limitent pas au monde microscopique : il existe de nombreux organismes, tels que certaines espèces de poissons, qui peuvent, au moins théoriquement, être observés physiquement, mais pour lesquels il est très coûteux, laborieux et peut-être invasif de le faire (Boussarie et al. 2018). Dans de telles situations, les données ADN nous permettent d’enregistrer la présence (et la présence passée) de ces organismes de manière non invasive et avec un minimum d’effort. Ces développements signifient qu’il n’est pas toujours nécessaire d’avoir des manifestations tangibles et physiques de tous les organismes présents sur un site donné pour les enregistrer. Tous les organismes, qu’ils soient ou non physiquement observables, peuvent être importants pour comprendre la biodiversité, l’écologie et la conservation biologique.

Les données dérivées de l’ADN nous permettent d’enregistrer des taxons peu visibles ou autrement inobservables qui passent sous le radar de protocoles reconnus pour le travail de terrain, les checklists, les dépôts dans les collections de sciences naturelles, etc. La maturité actuelle des méthodes d’analyse de l’ADN permet d’enregistrer la présence de ces organismes à un niveau de détail qui dépasse celui des observations macroscopiques des organismes en général. Toutefois, compte tenu du fait que les méthodes basées sur l’ADN s’accompagnent de leurs propres problèmes et biais, il est important de profiter de cette occasion pour définir et convenir de la manière dont nous devrions enregistrer et signaler la présence d’un organisme dans un substrat ou une localité donnée au moyen de données moléculaires. Cela permettra d’éviter les inefficacités importantes qui ont été signalées dans d’autres domaines, où l’absence de normes et d’orientations a conduit à des jeux de données très hétérogènes et largement incomparables (Berry et al. 2021 ; Leebens-Mack et al. 2006 ; Yilmaz et al. 2011 ; Nilsson et al. 2012 ; Shea et al. 2023). En outre, une documentation claire du traitement informatique, depuis la lecture de séquences brutes jusqu’à l’observation des espèces déduites, permettra de procéder à une nouvelle analyse lorsque des méthodes améliorées apparaîtront.

Les données d’occurrence des espèces dérivées de l’ADN devraient être aussi normalisées et reproductibles que possible, que les espèces détectées aient ou non des noms scientifiques formels. Dans certains cas, ces relevés d’occurrences indiqueront des propriétés géographiques et écologiques des espèces décrites précédemment inconnues, enrichissant ainsi notre corpus de connaissances sur ces taxons. Dans d’autres cas, les données peuvent nous permettre de fusionner et de visualiser des informations sur les espèces actuellement non décrites, ce qui peut éventuellement accélérer leur description formelle. La capacité de collecter des données utilisables, même pour les espèces sans nom, ajoute de manière significative aux nombreuses façons dont le GBIF et d’autres plateformes de données sur la biodiversité indexent le monde vivant et rendent ces connaissances disponibles à tous et à des fins diverses, y compris la conservation de la biodiversité. Selon des estimations récentes, au moins 85 % de toutes les espèces existantes ne sont pas décrites (Mora et al. 2011; Tedesco et al. 2014). Les standards de données existants ont été conçus pour la minorité de taxons décrits. Les bonnes pratiques pour traiter les données dérivées de l’ADN aideront à caractériser les occurrences de tous les organismes, qu’ils soient décrits ou non.

Ce guide explique comment les données d’occurrence dérivées de l’ADN doivent être rapportées pour être intégrées dans GBIF et dans d’autres plateformes de données sur la biodiversité. Il n’exprime aucune opinion sur la question de l’accès et du partage des bénéfices pour l’information sur les séquences numériques, qui a fait l’objet de discussions approfondies dans le cadre de Convention sur la diversité biologique (CBD). Toutefois, il convient de noter que les codes-barres génétiques et les métacodes-barres sont généralement des gènes ou des fragments d’ADN non codant, qui ne se prêtent pas à l’exploitation commerciale. Comme l’archivage des séquences via Collaboration internationale de base de données sur la séquence des nucléotides (INDSC) est une norme répandue dans la recherche basée sur le séquençage de l’ADN, la publication de données d’occurrence issues de séquences n’implique pas la publication de nouvelles séquences. Dans la plupart des cas, celles-ci ont déjà été placées dans un répositoire génétique public. Ce guide aborde donc la valeur ajoutée possible de la dérivation des données spatio-temporelles d’occurrence et des noms basés sur l’ADN plutôt que la valeur de l’information génétique elle-même. En plus de traiter les données dérivées des séquences ADN, ce guide contient également des suggestions pour la publication de données sur les occurrences d’espèces dérivées d’analyses qPCR ou (d)PCR.

Signaler les occurrences dérivées de l’ADN de manière ouverte et reproductible apporte de nombreux avantages : notamment, cela accroit la citabilité, met en évidence les taxons concernés dans le contexte de la conservation biologique et contribue aux connaissances taxonomiques et écologiques. De plus, ça fournit également un mécanisme pour stocker les occurrences d’espèces non décrites. Quand ce taxon, qui n’est pas encore décrit, est enfin lié à un nouveau nom linnéen, tous les enregistrements d’occurrences qui lui sont liés seront immédiatement disponibles. Chacun de ces avantages justifie fortement l’adoption par les professionnels des pratiques décrites dans ce guide, qui les aideront à mettre en évidence une part importante de la biodiversité existante, à accélérer sa découverte et à l’intégrer dans la conservation biologique et l’élaboration des politiques.

Ce guide a été élaboré à l’intention de plusieurs publics cibles : les étudiants qui planifient une première étude basée sur l’ADN, les chercheurs qui possèdent d’anciennes séquences et d’anciens tableaux d’abondance qu’ils souhaitent faire revivre ou préserver, les spécialistes des données sur la biodiversité qui s’initient aux occurrences dérivées de l’ADN, et les bioinformaticiens qui sont familiers avec les séquences ADN, mais qui ne connaissent pas les plateformes de données sur la biodiversité. Le guide ne s’adresse pas directement aux utilisateurs des données moléculaires dans les plateformes de données sur la biodiversité, mais ces utilisateurs pourront trouver un intérêt particulier à la section 1.7 en Résultats sur la sortie des données. L’intention des auteurs est de conseiller et d’instruire sur la publication des données et des attributs associés aux séquences génétiques par le biais de plateformes générales de données sur la biodiversité.

Le diagramme décrit les étapes de traitement nécessaires à la publication de données de biodiversité moléculaire dans des référentiels tels que le GBIF et les plateformes nationales de données sur la biodiversité, y compris celles construites sur la plateforme ALA. Ce guide se concentre principalement sur les étapes qui suivent l’acquisition des séquences brutes FASTQ issues de l’étape de séquençage. En se familiarisant avec le diagramme — et en notant toute étape qui semble familière ou peu claire — les utilisateurs seront en mesure de voguer dans les contenus de ce guide.

Les auteurs se sont efforcés de rendre les informations de ce guide utiles à chacun des publics décrits ci-dessus, mais des lectures plus approfondies (par exemple GBIF quick guide to data publishing) peuvent être nécessaires dans certains cas.

Les données d’occurrence biologique dérivées de l’ADN comprennent des informations dérivées de l’ADN d’organismes individuels, mais aussi de l’ADN environnemental (eDNA, c’est-à-dire l’ADN extrait d’échantillons environnementaux, (Thomsen & Willerslev 2015) et d’échantillons en vrac comprenant de nombreux individus (par exemple, des échantillons de plancton ou des échantillons de pièges Malaise constitués de plusieurs individus de nombreuses espèces). Actuellement, le plus grand volume de données d’occurrence dérivées de l’ADN provient de l’ADN environnemental. Étant donné que les méthodes d’analyse et les produits finaux sont largement similaires pour toutes les sources d’échantillons, la discussion ci-dessous se concentrera sur l’ADN environnemental ([catégorie-i] et [catégorie-ii]), tout en notant que les grandes lignes sont applicables aux autres sources. Les études utilisent souvent le séquençage ciblé de marqueurs génétiques informatifs sur le plan taxonomique et phylogénétique, mais peuvent également utiliser, par exemple, des approches basées sur la qPCR qui n’aboutissent pas directement à des données de séquence d’ADN ([catégorie-iii] et [mapping-ddpcr-qpcr-data]). Ce guide peut sembler lourd en termes liés à l’ADN ; si c’est le cas, veuillez consulter le Glossaire.

La publication des données sur la biodiversité consiste en grande partie à rendre les données d’occurrence des espèces identifiables, accessibles, interopérables et réutilisables, conformément aux principes FAIR (Wilkinson et al. 2016). Les plateformes de données sur la biodiversité aident à exposer et à découvrir les données de séquences ADN, en tant que registres d’occurrence de la biodiversité en parallèle avec d’autres types de données sur la biodiversité, tels que les spécimens de collections de musées, les observations issues de la science citoyenne et les études classiques de terrain. La structure, la gestion et le stockage de chaque source originale de données varient en fonction des besoins de chaque communauté. Les plateformes de données sur la biodiversité favorisent la découverte, l’accès et la réutilisation des données en rendant ces ensembles de données compatibles entre eux, et en palliant aux incohérences taxonomiques, spatiales et autres dans les données disponibles sur la biodiversité. Les points d’accès uniques qui mettent les données à disposition favorisent la recherche, la gestion et la politique à grande échelle. La compatibilité entre les jeux de données est obtenue grâce au processus de normalisation.

Un certain nombre de standards de données sont utilisés pour les données générales sur la biodiversité (https://www.gbif.org/standards) et un ensemble distinct de standards sont utilisés pour les données sur les séquences génétiques (voir MIxS et GGBN). Ce guide reflète les efforts en cours pour améliorer la compatibilité entre les standards relatifs aux données générales sur la biodiversité et aux données génétiques. Les standards mettent souvent en évidence les sous-ensembles de champs les plus importants ou les plus fréquemment applicables. Ces sous-ensembles peuvent être appelés "cores". Le format préféré pour la publication des données dans les réseaux GBIF et ALA est actuellement le Darwin Core Archive (DwC-A) qui utilise le standard de données Darwin Core (DwC). En pratique, il s’agit d’un dossier compressé (un fichier zip) contenant des fichiers de données, dans un format texte standard délimité par des virgules ou des tabulations, un fichier de métadonnées (eml.xml) qui décrit la ressource de données, et un métafichier (meta.xml) qui spécifie la structure des fichiers et des champs de données inclus dans l’archive. La préparation normalisée garantit que les données peuvent circuler entre les systèmes en utilisant des protocoles d’échange de données spécifiques. La Section 2 de ce guide fournit des recommandations pour le mapping des fichiers de données, tandis que des lignes directrices et des outils pour la construction des fichiers xml peuvent être trouvés ici : TDWG, GBIF, et ALA.

Un élément central du processus de normalisation est le mapping des informations, qui est nécessaire pour transformer la structure originale des informations (colonnes) d’un export de données source en une structure standardisée des informations. La normalisation peut également affecter les informations contenues dans chaque enregistrement, par exemple en recalculant les coordonnées selon un système commun, en réorganisant les éléments de date ou en faisant correspondre le contenu des champs à un ensemble standard de valeurs, souvent appelé vocabulaire. Le processus de normalisation offre également la possibilité d’améliorer la qualité des données, par exemple en comblant les omissions, en corrigeant les fautes de frappe et les espaces inutiles et en gérant l’utilisation incohérente des informations. De telles améliorations rehaussent la qualité des données et augmentent leur aptitude à la réutilisation, mais quoi qu’il en soit, des données publiées dans n’importe quel état sont meilleures que des données qui restent non publiées et inaccessibles. La normalisation est généralement appliquée à une copie ou à un export des données source, laissant l’original intact.

Une fois qu’un jeu de données a été soumis aux processus de normalisation et d’amélioration de la qualité des données, il doit être placé à un endroit accessible en ligne et associé à des métadonnées pertinentes. Les métadonnées – données ou informations sur le jeu de données – comprennent des paramètres clés qui décrivent le jeu de données et améliorent encore son accessibilité et sa réutilisation. Les métadonnées devraient inclure d’autres éléments importants tels que les auteurs, les identifiants d’objets numériques (DOI), les affiliations institutionnelles et d’autres informations sur la provenance des données, ainsi que des informations sur les procédures et méthodes liés au traitement du jeu de données. Nous encourageons à ce qu’une description des détails et des versions du flux de travail, y compris des contrôles de qualité, soit fournie dans la section méthodes du fichier EML.

Les jeux de données et les métadonnées associées sont indexés par chaque portail de données : ce processus permet aux utilisateurs d’interroger, de filtrer et de traiter les données à travers les API et les portails web. Contrairement aux publications scientifiques, les jeux de données peuvent être des produits dynamiques qui passent par de multiples versions, avec un nombre évolutif d’enregistrements et de métadonnées remplaçables sous le même titre et le même DOI.

Il convient de noter que les détenteurs de données de séquences génétiques sont censés les soumettre et les déposer dans des archives de données de séquences brutes tels que le SRA, EMBL’s ENA ou le DDBJ. Le sujet à propos de l’archivage des séquences n’est pas abordé ici, mais à titre d’exemple, Penev et al. (2017) donnent un aperçu général de l’importance de la soumission des données et des directives en lien avec la publication scientifique. Les plateformes de données sur la biodiversité telles que l’ALA, le GBIF et la plupart des portails nationaux sur la biodiversité ne sont pas des archives pour les reads de séquences brutes et les fichiers associés. Nous soulignons toutefois l’importance de maintenir des liens entre ces données primaires et les occurrences dérivées dans la Section 2.

Les données de métabarcoding peuvent être produites à partir de différentes plateformes de séquençage (Illumina, PacBio, Oxford Nanopore, Ion Torrent, etc.), qui s’appuient sur différents principes pour la lecture et la génération de données qui se distinguent en ce qui concerne la longueur des séquences et le profil d’erreur, que les séquences soient simples ou à double-sens, etc. Actuellement, la plateforme Illumina à lecture courte est la plus largement adoptée et, en tant que telle, est à la base des descriptions ici. Cependant, le traitement bioinformatique des données suit les mêmes principes généraux (contrôle de la qualité, suppression du bruit - denoising, classification) indépendamment de la technologie de séquençage utilisée (Hugerth et al. 2017, Figure 2).

Généralement, les séquences ADN sont d’abord prétraitées en supprimant les séquences des amorces (triming) et, en fonction de la méthode de séquençage utilisée, les bases de faible qualité, généralement vers les extrémités 5' et 3' de la séquence. Les séquences qui ne satisfont pas aux exigences de longueur, de qualité globale, de présence d’amorces, d’étiquettes, etc. sont enlevées.

Les séquences prétraitées peuvent ensuite être attribuées à un taxon en les comparant à des bases de données de référence. Lorsque les bases de données de référence sont incomplètes, la classification des séquences peut se faire sans identification taxonomique, soit en regroupant les séquences en unités taxonomiques opérationnelles sur la base de leur similarité (OTU ; Blaxter et al. 2005), soit en faisant un denoising des données, c’est-à-dire en détectant et en excluant explicitement les séquences comportant des erreurs de PCR/séquençage pour produire des variants de séquence d’amplicon (ASV ; également appelés OTU à rayon zéro (zOTU)). Le denoising tente de corriger les erreurs qui ont été introduites dans les étapes de PCR et/ou de séquençage, de sorte que les séquences représentent l’ensemble des séquences uniques biologiquement réelles présentes dans l’ensemble de séquences d’origine. Dans le cas de séquençage double-sens, le denoising des séquences directe et inverse peut être fait séparément avant d’être assemblées ou les séquences peuvent être assemblées avant le denoising. Les ASV de l’ensemble résultant peuvent différer d’aussi peu qu’une base, ce qui indique une variation de séquence inter- ou intraspécifique. D’un point de vue opérationnel, les ASV peuvent être considérés comme des OTU sans rayon défini et, bien que les algorithmes de denoising soient généralement très bons, ils n’éliminent pas entièrement les problèmes liés au fractionnement ou agrégation excessif des séquences.

La PCR utilisée pour générer la librairie de séquençage peut entraîner la génération de séquences artefactuelles sous la forme de chimères, c’est-à-dire une séquence unique issue de plusieurs séquences parentales. Ces séquences peuvent être détectées de manière bioinformatique et supprimées, ce qui est généralement fait après le denoising.

Enfin, les séquences prétraitées, OTUs ou ASVs, sont classées taxonomiquement en les comparant à une base de données de séquences annotées (souvent appelées bibliothèques de références, voir §1.6). Comme pour les étapes précédentes, plusieurs méthodes alternatives sont disponibles. La plupart d’entre elles sont basés soit sur l’alignement des séquences de métabarcoding sur les séquences de référence, soit sur le nombre de k-mers partagées (séquences courtes exactes).

Plusieurs outils et algorithmes open source existent pour le traitement bioinformatique des données de métabarcoding (QIIME2 (Bolyen et al. 2019), DADA2 (Callahan et al. 2016), SWARM https://doi.org/10.7717/peerj.593 [(Mahé et al. 2014)^], USEARCH (Edgar 2010), Mothur (Schloss et al. 2009), LULU (Frøslev et al. 2017), PROTAX (Somervuo et al. 2016), VSEARCH (Rognes et al. 2016)). Étant donnée l’existence de nombreux flux de travail populaires et bien utilisés, nous formulons ci-dessous quelques recommandations sur l’analyse des données en vue de leur soumission aux plateformes de données sur la biodiversité. Il ne s’agit pas de suggérer que ce sont les meilleures méthodes ou qu’elles sont les plus appropriées à toute fin, mais d’encourager la soumission de données relativement standardisées qui peuvent être facilement comparées par le biais des plateformes. Si possible, il convient d’utiliser un flux de travail bien documenté et mis à jour (par exemple, nf-core/ampliseq pipeline). Les métadonnées doivent inclure les détails et les versions du flux de travail, soit dans les étapes de la méthode des métadonnées, soit en tant que référence dans le champ SOP de l’extension des données dérivées de l’ADN (voir la correspondance dans le tableau 4). Les données de séquence doivent être déposées dans une archive de nucléotides appropriée (NCBI’s SRA : Leinonen et al. 2011) ou EMBL’s ENA (Amid et al. 2020)) et les données soumises à la plateforme de biodiversité doivent inclure l’ID de l’échantillon biologique obtenu à partir de l’archive (voir le mapping des données dans [data-mapping]). L’utilisation de ces identifiants d’échantillons réduira les risques de duplication et garantira que les données de séquences ADN soient facilement accessibles si des opportunités de réanalyse se présentent, à mesure que les bibliothèques de référence et les outils bioinformatiques s’améliorent. Le principal produit final de ces pipelines est généralement un fichier contenant le nombre d’OTUs ou d’ASVs individuels dans chaque échantillon, ainsi que la taxonomie qui leur a été attribuée. Ce fichier est généré soit sous forme de tableau, soit sous forme de BIOM (McDonald et.al 2012). Les séquences d’OTU ou d’ASV sont également souvent fournies au format FASTA (Pearson & Lipman 1988).

L’annotation taxonomique des séquences est une étape critique dans le traitement des jeux de données de biodiversité moléculaire, car les noms scientifiques sont essentiels pour accéder et communiquer des informations sur les organismes observés. La précision et l’exactitude de cette annotation de séquences dépendront de la disponibilité de bases de données de référence et de bibliothèques fiables à travers toutes les branches de l’arbre de vie, qui, à son tour, nécessitera des efforts conjoints des taxonomistes et des écologistes moléculaires. Les bases de données de séquences publiques devraient toujours être utilisées en prenant conscience du fait qu’elles souffrent de diverses lacunes, par ex. la fiabilité taxonomique et le manque de vocabulaires normalisés de métadonnées (Hofstetter et al. 2019; Durkin et al. 2020).

Les espèces, telles que décrites par les taxonomistes, sont primordiales en biologie et les tentatives de caractérisation de la biodiversité peuvent donc utiliser les résultats de la recherche taxonomique. Cependant, contrairement aux données de séquences d’ADN, les résultats taxonomiques ne sont pas toujours exploitables par des algorithmes directs ou des interprétations informatiques : la taxonomie classique est un processus dirigé par l’homme qui comprend les étapes manuelles de la délimitation des taxons, de description et de désignation, aboutissant à une publication formelle conforme aux Codes internationaux de Nomenclature. Comme discuté dans les chapitres précédents, les analyses basées sur les séquences d’ADN sont très efficaces pour détecter les espèces difficiles à observer et identifieront souvent la présence d’organismes actuellement en dehors des connaissances taxonomiques linnéennes traditionnelles. Bien que ces lignes directrices n’abordent pas la publication de listes d’espèces alternatives dérivées de données de séquences, la déconnexion entre la taxonomie traditionnelle et les efforts basés sur le eDNA n’est pas souhaitable. En conséquence, nous proposons aux lecteurs de ce guide les recommandations suivantes.

La taxonomie étant au cœur de la découverte de données sur la biodiversité, il est fortement recommandé que les efforts de séquençage eDNA cherche à inclure l’expertise taxonomique pertinente pour l’étude en question. Il serait également bénéfique que les projets de séquençage d’eDNA puissent allouer une partie de leur budget à la génération et à la publication de séquences de référence à partir de spécimens types non séquencés ou d’autres éléments de référence importants à partir des herbiers, musées ou collections biologiques locales. Les taxonomistes peuvent également contribuer à cet objectif en incluant toujours des séquences d’ADN pertinentes avec chaque nouvelle description d’espèce (Miralles et al. 2020) et en ciblant les nombreuses entités biologiques découvertes par les efforts d’eDNA (par exemple Tedersoo et al. 2017).

La plupart des plateformes actuelles de données sur la biodiversité sont organisées autour de listes de noms et d’index taxonomiques traditionnels. Étant donné que les occurrences dérivées de séquences ADN deviennent rapidement une source importante de données sur la biodiversité, et comme la taxonomie et la nomenclature officielles pour ce type de données manquent, il est recommandé que les fournisseurs et les plateformes de données continuent d’explorer et d’inclure des représentations plus souples de la taxonomie dans leur squelette taxonomique. Ces nouvelles représentations comprennent des bases de référence de données moléculaires (par exemple, GTDB, BOLD, UNITE) qui reconnaissent les données de séquences comme matériel de référence pour les organismes non classifiés précédemment. En outre, nous suggérons que d’autres bases de données moléculaires couramment utilisées (par ex. PR2, RDP, SILVA) développent des identifiants stables pour les taxa et rendent disponibles les séquences de référence pour ces taxa, afin de permettre leur utilisation comme références taxonomiques.

Contrairement à la taxonomie classique, qui est un processus fortement manuel, le regroupement des séquences d’ADN en concepts taxonomiques repose sur l’analyse algorithmique de la similarité et d’autres signaux (tels que la phylogénie et la probabilité), ainsi que sur une certaine édition humaine. Les OTU qui en résultent varient en termes de stabilité, de présence de séquences de référence et de matériel physique, d’alignements et de valeurs de cut-off, ainsi que d’identifiants d’OTU tels que les DOI (Nilsson et al. 2019). Plus important encore, elles varient en termes d’échelle, des bibliothèques locales spécifiques à une étude ou à un projet aux bases de données mondiales qui permettent une comparaison plus large entre les études. Contrairement à la centralisation et à la codification des taxons linnéens qui sont formellement décrits dans les publications de recherche, les OTU sont répartis dans de multiples bibliothèques de référence numériques évolutives qui diffèrent par leur focus taxonomique, leurs gènes de code-barres et d’autres facteurs. En associant des séquences standard à des spécimens de référence identifiés, BOLD et UNITE établissent une couche de correspondance essentielle pour relier les ASV et les OTU à la taxonomie linnéenne. La taxonomie de base du GBIF comprend des identifiants pour les hypothèses d’espèces UNITE (SH) ainsi que des numéros d’index de code-barres (BIN) qui permettent d’indexer les données d’occurrence d’espèces annotées taxonomiquement au niveau de l’OTU, principalement pour les champignons et les animaux (GBIF secretariat 2018, Grosjean 2019).

Les algorithmes d’annotation taxonomique de l’eDNA attribuent généralement chaque séquence unique au groupe taxonomique le plus proche dans un ensemble de référence, sur la base de certains critères de parenté et de confiance. Pour les groupes d’organismes mal connus, tels que les procaryotes, les insectes et les champignons, l’annotation pour un taxon (basé sur un cluster) peut être un nom de réserve non linnéen (c’est-à-dire l’ID/le numéro du SH ou du BIN concerné), et ce taxon peut représenter une espèce ou même une unité taxonomique supérieure au niveau de l’espèce. Aucune base de données de référence ne contient toutes les espèces d’un groupe donné en raison du grand nombre d’espèces inconnues, non identifiées et non décrites sur terre. L’ignorance fréquente de ce fait a été la source de nombreuses erreurs d’identification taxonomique au cours des 30 dernières années.

Lors de l’importation dans la plateforme de biodiversité (par exemple GBIF ou OBIS), la résolution taxonomique de ces occurrences dérivées de l’ADN peut être encore plus réduite, étant donné que les noms/ID obtenus par comparaison avec la base de données de référence (par exemple UNITE, BOLD) peuvent ne pas être tous inclus dans l’index taxonomique de la plateforme utilisée au moment de la publication. Toutefois, l’inclusion de la séquence OTU ou ASV sous-jacente pour chaque enregistrement permettra aux futurs utilisateurs d’identifier potentiellement la séquence à un niveau de granularité plus élevé, notamment parce que les bibliothèques de référence s’améliorent au fil du temps. C’est pourquoi nous recommandons également de publier toutes les séquences d’une étude - y compris celles qui sont actuellement entièrement non classifiées - car il pourrait être possible de les identifier grâce à l’amélioration des bases de données de référence. Dans les cas où la séquence sous-jacente ne peut pas être incluse dans les données soumises, nous préconisons le dépôt d’un nom (scientifique ou de réserve) du taxon (par exemple BOLD BIN ou UNITE SH) plus une somme de contrôle MD5 de la séquence en tant qu’identifiant unique du taxon (voir [data-mapping]). Les sommes de contrôle MD5 sont des algorithmes de hachage unidirectionnels couramment utilisés pour vérifier l’intégrité des fichiers. Dans ce cas, elles fournissent une représentation unique et reproductible de la séquence originale qui ne permet cependant pas de récupérer la séquence elle-même. Cela peut être nécessaire dans les cas où l’accès est sensible. Les sommes de contrôle MD5 permettent une interrogation efficace pour déterminer si la même séquence exacte a été récupérée dans d’autres efforts d’eDNA, mais il ne s’agit pas d’un remplacement complet de la séquence, car les MD5 ne permettent pas d’effectuer d’autres analyses. Deux séquences différant d’une seule base obtiendront deux sommes de contrôle MD5 complètement différentes, de sorte que les recherches de similarité de séquence de type BLAST ne fonctionneront pas.

L’objectif d’exposer des données dérivées de l’ADN par l’intermédiaire des plateformes de biodiversité est de permettre la réutilisation de ces données en combinaison avec d’autres types de données sur la biodiversité. Il est très important de garder cette réutilisation à l’esprit lorsque vous préparez vos données pour la publication. Idéalement, les métadonnées et les données devraient raconter une histoire complète de telle sorte que de nouveaux utilisateurs non informés puissent utiliser ces évidences sans aucune consultation ou correspondance supplémentaire. Les plateformes de données sur la biodiversité offrent des fonctionnalités de recherche, de filtrage, de navigation, de visualisation, d’accès et de citation des données. Pour les données de métabarcoding, nous encourageons les utilisateurs à configurer les filtres pour l’abondance minimale absolue et relative des reads afin d’effectuer un filtrage approprié des données. En définissant une abondance minimale de reads par OTU ou ASV (à l’aide du champ organismQuantity), les singletons ou toute occurrence dont le nombre absolu de reads est inférieur à une certaine valeur peuvent être filtrés. En définissant une valeur minimale de la quantité relative d’organismes, calculée à partir des reads détectés (organismQuantity) et des reads totales dans l’échantillon correspondant (sampleSizeValue) ([mapping-metabarcoding-edna-and-barcoding-data]), les occurrences dont l’abondance relative des reads est inférieure à un seuil sélectionné peuvent être éliminées. L’utilisateur peut souvent choisir les formats de sortie des données (par exemple DwC-A, CSV) et ensuite traiter, nettoyer et transformer les données dans la forme et le format requis pour ses analyses.

Sur GBIF.org ou via l’API GBIF, les utilisateurs enregistrés peuvent chercher, filtrer et télécharger des données sur la biodiversité dans les trois formats suivants :

Quel que soit le format sélectionné, chaque téléchargement d’utilisateur du GBIF reçoit un lien réutilisable vers la requête et une citation des données incluant un DOI. Ce système de référence basé sur le DOI fournit un moyen permettant de reconnaître et de créditer les utilisations des jeux de données et des fournisseurs de données, améliorant à la fois la crédibilité et la transparence des résultats basés sur ces données. Il est essentiel de suivre les recommandations de citation de données et d’utiliser les DOIs, une bonne culture de citation de données n’étant pas seulement la norme académique, mais aussi un mécanisme puissant pour créditer, reconnaitre et, par conséquent, encourager les éditeurs de données.

Pour la finalité de ce guide, nous classons les données en cinq catégories, reliées par un champ d’identification clé (eventID), qui correspondent aux standards applicables aux données générales sur la biodiversité, en incluant des champs pertinents pour les données dérivées de l’ADN (voir §2.2, “Mapping des données”). Ces cinq catégories représentent les approches moléculaires les plus couramment utilisées pour la caractérisation de la biodiversité et sont les suivantes : I) occurrences dérivées de l’ADN, II) occurrences enrichies, III) détection ciblée d’espèces, IV) références de noms et V) métadonnées. Examinez l’arbre de décision ci-dessous et allez directement à la section qui correspond à vos données.

Alors que les fichiers de base stockent des données omniprésentes sur le "quoi, où et quand" d’un enregistrement, les fichiers d’extension sont utilisés pour décrire les spécificités d’un certain type d’observation. Nous proposons d’utiliser DNA derived data extension pour compléter les données d’occurrence dérivées soit du barcoding, du métabarcoding (eDNA) ou de la qPCR / (d)dPCR. L’extension des données dérivées de l’ADN s’appuie sur Minimum information standards développés par le Genomic Standards Consortium (GSC) et appliqués par ENA pour submission of eDNA sample metadata, par exemple. Nous suivons et avons contribué aux directives proposées par Sustainable DwC-MIxS interoperability task group under TDWG. Afin d’améliorer l’indexation et la recherche, nous avons choisi de séparer certains termes MIxS, par exemple en partageant les séquences et les noms des amorces forward et reverse. De plus, afin de rendre le système applicable à un large éventail de données, nous avons inclus certains champs des standards GGBN, et des champs de MIQE (informations minimales pour la publication de la PCR quantitative en temps réel) pour les données qPCR et (d)dPCR.

La première étape de la préparation de vos données pour la publication consiste à assurer que les noms des champs et les en-têtes des colonnes soient conformes à https://dwc.tdwg.org/terms/ [Darwin Core data standard]. Dans de nombreux cas, c’est assez simple, comme par exemple renommer votre champ lat ou latitude en decimalLatitude. Cependant, le Darwin Core Standard est assez flexible et certains termes sont utilisés de différentes manières, en fonction du type de données. Les champs organismQuantity et organismQuantityType en sont un exemple. Ils peuvent être utilisés pour décrire le nombre d’individus, le pourcentage de biomasse ou un score sur l’échelle de Braun-Blanquet, ainsi que le nombre de reads d’un ASV dans un échantillon. C’est pourquoi nous fournissons ici des tableaux des champs obligatoires et recommandés avec des descriptions et des exemples (Table 1, Table 2, Table 3 et Table 4). La recommandation d’utiliser le core Occurrence pour les données dérivées de l’ADN découle de la volonté de partager la séquence pour aider à qualifier la détermination. Des champs supplémentaires et des extensions (tels que extended Measurement or Fact (eMoF)) sont applicables - à la fois au core Occurrences et au core Evénements. Lorsqu’une séquence est dérivée d’un organisme (par exemple un parasite, le contenu d’un intestin, un épibionte, etc.), l’observation peut être liée à l’observation de l’organisme hôte. Ceci peut être réalisé en utilisant l’extension (Resource Relation extension) de Darwin Core (par exemple https://www.gbif.org/species/143610775/verbatim). La recommandation la plus importante est peut-être d’utiliser des identifiants uniques au niveau mondial (lorsqu’ils sont disponibles) et d’autres identifiants permanents pour le plus grand nombre possible de champs de données et de paramètres (dans tous les champs ID des tableaux ci-dessous).

Lorsqu’on travaille avec des jeux de données provenant de l’environnement marin, il est recommandé de publier les informations dans Ocean Biodiversity Information System (OBIS) en plus de GBIF. L’OBIS est une base de données mondiale sur la biodiversité, spécialisée dans la mise à disposition de données fiables et accessibles sur la vie marine, qui fait partie de la COI-UNESCO. Comme GBIF et ALA, OBIS utilise le format DwC-A pour l’indexation et la publication des données. En publiant des jeux de données marines par l’intermédiaire d’OBIS, en plus d’autres bases de données sur la biodiversité, les données peuvent atteindre un public plus large et divers groupes travaillant dans le domaine de la biodiversité marine, car les jeux de données d’OBIS sont souvent utilisés dans le cadre de processus des Nations unies. Avec un accent sur les jeux de données marines, des contrôles rigoureux de qualité augmentent la fiabilité des données et conduisent à de petites différences dans les informations requises pour la publication dans l’OBIS par rapport à GBIF.

Afin d’assurer une nomenclature taxonomique cohérente, OBIS utilise le World Register of Marine Species (WoRMS) comme seule base de référence taxonomique. C’est également le cas pour les occurrences dérivées de données génétiques ; un nom scientifique lié à un ID de nom scientifique de WoRMS est une information fortement recommandée pour la publication. Si un ID de nom scientifique n’est pas fourni, OBIS essaiera de faire correspondre le nom scientifique avec WoRMS pendant l’indexation, mais cela devrait être évité dans la mesure du possible. Les noms scientifiques non répertoriés dans le WoRMS sont acceptables et seront soumis à WoRMS pour examen et éventuelle inclusion dans le registre. Il est recommandé de classer les séquences entièrement non classées comme "incertae sedis", avec le WoRMS scientificNameID urn:lsid:marinespecies.org:taxname:12. Cela garantira une interprétation correcte par GBIF et OBIS. En outre, il est recommandé d’ajouter les identifiants de séquence des bases de données de référence utilisées (par exemple les numéros d’index de code-barres : BINs de BOLD) dans le champ taxonConceptID du core occurrences. De cette manière, OBIS conservera son système taxonomique basée sur WoRMS, tout en permettant l’établissement de liens avec des bases de données de séquences de référence disparates. Les noms provenant de bases de données de référence qui ne sont pas strictement des noms scientifiques peuvent être ajoutés en tant que verbatimIdentification. La classification automatique des noms d’espèces peut souvent être réalisée grâce aux services de correspondance de taxons de WoRMS et des packages R, tels que worrms et taxize. A l’avenir, OBIS prévoit de rechercher et de mettre à jour périodiquement les assignations taxonomiques des séquences soumises, au fur et à mesure que les bases de données de référence se développent, donc l’enregistrement des informations de séquences ADN liées à chaque occurrence est fortement recommandé.

Les coordonnées géographiques sont un autre champ obligatoire dans les données soumises à l’OBIS. L’OBIS effectue des contrôles de qualité supplémentaires pour les données marines, pour assurer, par exemple, que les coordonnées des espèces strictement marines ne se trouvent pas sur la terre ferme et que la profondeur indiquée se situe dans une fourchette raisonnable. Enfin, il convient de mentionner que l’OBIS permet également l’utilisation de extended Measurement or Fact (eMoF). Cette extension permet de relier les données environnementales et les informations d’échantillonnage aux événements d’échantillonnage ou aux occurrences, ainsi que les mesures biologiques aux occurrences d’une manière souple et normalisée. OBIS dispose d’un exemple de jeu de données de métabarcoding d’eDNA avec des scripts pour le formatage des données disponibles à l’adresse https://github.com/iobis/dataset-edna.