Normes de métadonnées en génomique animale
Des descriptions de jeux de données selon DCAT en JSON-LD, avec vocabulaires contrôlés, correspondances ontologiques, schémas OCA et validation automatisée, pour que les jeux de données de génotypage publics soient curés une fois et réutilisés d’un projet à l’autre.
Un jeu de données n’est réutilisable que si quelqu’un d’extérieur au projet qui l’a produit peut le trouver et le comprendre. C’est ce que demandent les principes F.A.I.R. (faciles à trouver, accessibles, interopérables, réutilisables), et chez Genovalia, c’est mon travail.
Le modèle
J’ai conçu le modèle de métadonnées de Genovalia selon DCAT (la norme du W3C pour décrire des jeux de données dans des catalogues), en JSON-LD (du JSON où chaque champ renvoie à une définition partagée), avec des vocabulaires contrôlés et des correspondances vers des ontologies reconnues. La structure des données de chaque jeu est décrite par des schémas OCA (Overlays Capture Architecture). Le catalogue et l’API stockent, indexent et servent ce modèle directement, sans conversion entre les deux.
Pipelines de curation
Une bonne partie des données utiles existe déjà dans des dépôts publics comme Dryad, Zenodo et Borealis. Les pipelines que j’ai construits préparent ces jeux de données de génotypage pour le catalogue :
- les décrire selon DCAT,
- y rattacher leurs schémas OCA,
- tout valider automatiquement et produire un rapport de qualité,
- ingérer le résultat dans le catalogue.
Une fois un jeu de données curé de cette façon, le projet suivant peut le trouver et le réutiliser au lieu de repartir de zéro.