7. Conclusion

Autrement dit, et contrairement à ce que l’on pourrait croire, au quotidien plutôt que gérer une grosse base de molécules à laquelle il manquera toujours quelque chose, nous avons intérêt à savoir très bien gérer de nombreuses petites collections de (typiquement moins de 100) molécules. D’autant plus que cela correspond bien à nos cycles de conception (théorie, synthèse, modélisation) courts. Un cycle de ce type concernera 80-100 molécules conçues et calculées, pour 30-40 à synthétiser et a tester in vitro ou ex vivo.

Et tout cela passe par un transcodage entre les différents identificateurs pour une molécule (ligand) donnée. Dans ces conditions l’utilisation de tables CSVM et un continuum CSVM-SDF sont d’un intérêt opérationnel tout à fait important. C’est un des objectifs des paquetages d’interfaces dans buildez.chem qui sont plus que des surcouches de OpenBabel/Pybel ou Rdkit mais les étendent pour faciliter la gestion des flots de données de ce type. Nous disposons de plusieurs approches dans l’écosystème CSVM. Soit (1) nous utilisons une table unique (un seul fichier) ou nous avons inclus plusieurs colonnes pour coder les différents systèmes d’identification, d’autres descripteurs et les formules développées (ex: au format SMILES). Ce type d’ilot de données est suffisant, la sérialisation en SDF n’aurant d’intérêt que pour la visualisation de formules 2D et les colonnes pour le transcodage ne sont pas forcément d’un intérêt évident pour les utilisateurs finaux. Soit (2) nous n’utilisons qu’une colonne d’identifiants dans la table CSVM, identifiants adaptés et pertinents pour les utilisateurs finaux, et nous disposons d’un dictionnaire CSVM (une autre fichier CSVM) utilisable pour le transcodage. Dans ce dernier cas, il faudra être rigoureux sur le nom des colonnes dans la table CSVM à finalité SDF et dans les informations correspondantes (éléments des ‘sets’) du dictionnaire.

Au final nous constatons qu’il y a un vrai travail d’ingénierie de la collecte des données à réaliser dans les laboratoires et que ce type de problème se retrouve très probablement dans beaucoup de disciplines expérimentales. Derrière les résultats scientifiques, il se cache donc toute une cuisine dans les laboratoires. Un vrai backoffice qui montre (même sur un exemple limité) qu’une manip in silicio demande autant de préparation (et de conservation non ambigüe des données) qu’une manipulation à la paillasse et peu de thématiciens  le soupçonnent.