Base de données chimiques

Il existe deux techniques principales pour représenter les structures chimiques dans les bases numériques :

• tables de connexions / matrices d'adjacences / listes avec des informations supplémentaires sur la liaison chimique (arêtes) et données atomiques (nœuds) comme :

  MDL Molfile, PDB, CML

• notation linéaire basée sur un parcours en largeur ou un parcours en profondeur :

  SMILES/SMARTS, SLN, WLN, InChI

Ces approches ont été raffinées afin de permettre la représentation de différences stéréochimiques, de charges ainsi que des types spéciaux de liaisons comme celles des composés organométalliques. L'avantage principale d'une représentation informatique est la possibilité d'un stockage croissant et d'une recherche rapide et flexible.

Les chimistes peuvent faire une recherche dans les bases en utilisant des parties de structures, des parties des nomenclatures IUPAC ou des contraintes imposées sur les propriétés. Les bases de données chimiques sont particulièrement différentes des autres bases de données plus générales dans leur façon de procéder à la recherche sur des sous-structures. Ce type de recherche est menée en recherchant un isomorphisme de sous-graphe (parfois aussi appelé monomorphisme) et est une application largement étudiée de la théorie des graphes. Les algorithmes de recherche sont intensif numériquement, parfois de complexité temporelle O (n³) or O (n⁴) (où n est le nombre d'atomes impliqués). La composante intensive de recherche est appelée recherche atome par atome (en anglais atom-by-atom-searching - ABAS). La recherche ABAS utilise habituellement l'algorithme d'Ullman ou ses variations. Des gains en vitesse sont obtenus par amortissement temporel, qui consiste à économiser du temps par utilisation d'information pré-calculée. Ce pré-calcul implique typiquement la création de séquence de bits représentant la présence ou l'absence de fragments moléculaires. En surveillant les fragments présents, il est possible dans une recherche de structure d'éliminer le besoin d'une comparaison ABAS avec les molécules ou objets chimiques cibles ne possédant pas les fragments requis par la recherche structurale. Cette élimination est appelée écrantage (en anglais screening, à ne pas confondre avec les procédures d'écrantage utilisées dans la recherche pharmaceutique ou avec l'écrantage en atomistique). Les séquences de bits utilisées pour ces applications sont aussi appelées clés structurales. Les performances de telles clés dépendent du choix des fragments utilisés pour construire les clés et de leur probabilité de présence dans les molécules de la base de données. Un autre type de clé utilise des codes de hachage basés sur des fragments déterminés numériquement. Elles sont appelées « empreintes digitales » bien que le terme soit parfois utilisé comme synonyme de clés structurales. L'espace-mémoire nécessaire pour le stockage de ces clés structurales et empreintes digitales peut être réduit par « compactage », qui est produit en combinant des parties de clé en utilisant des opérations judicieuses sur les bits et réduisant ainsi leur longueur globale.

Toutes les propriétés « moléculaires » au-delà de la structure peuvent être séparées soit en caractéristiques physico-chimiques, soit en caractéristiques pharmacologiques, aussi appelées descripteurs. Par-dessus ce système, il existe de nombreux systèmes artificiels plus ou moins standardisés pour les molécules et objets chimiques qui produisent des dénominations plus ou moins ambigües et des synonymes. La nomenclature IUPAC est habituellement un bon choix pour la représentation des structures moléculaires à la fois lisible pour tout un chacun et constituant une chaîne de caractères bien que devenant peu pratique pour de grosses espèces. Les noms triviaux d'un autre côté abondent avec des homonymes et synonymes et sont par conséquent un mauvais choix de clé de définition de la base. Tandis que les descripteurs physico-chimiques comme la masse molaire, la charge (partielle), la solubilité, etc. peuvent être quasiment directement calculées en se basant sur la structure moléculaire, les descripteurs pharmacologiques ne peuvent être qu'indirectement déduits à partir de statistiques multivariationnelles ou de résultats expérimentaux (dépistage, essai biologique, etc.). Tous ces descripteurs peuvent être stockés avec la représentation de la molécule, pour des raisons de coûts de calculs, et le sont de manière courante.

Il n'existe pas de définition simple de la similarité entre deux objets chimiques, mais cependant, le concept peut être défini selon le contexte d'application et est parfois décrit comme l'inverse d'une mesure de distance dans l'espace des descripteurs. Deux objets pourraient par exemple ainsi être qualifiés de plus similaires entre eux que d'autres si la différence de leurs masses molaires respectives est plus faible que comparée à d'autres. Une variété d'autres mesures pourrait être combinée afin de produire une mesure de distance à variables multiples. Les mesures de distance sont parfois classées en mesures euclidiennes et les mesures non-euclidiennes selon le choix de l'inégalité triangulaire.
Les espèces des bases de données peuvent être ainsi regroupées par similarités. Des approches de regroupements hiérarchiques ou non-hiérarchiques peuvent être appliquées à des entités chimiques à attributs multiples. Ces attributs (ou propriétés moléculaires) peuvent être des descripteurs déterminés empiriquement ou déterminés numériquement. Une des approches de regroupement les plus courantes est l'algorithme des k plus proches voisins de Jarvis-Patrick.
Dans des bases orientées vers la pharmacologie, la similarité est définie habituellement en termes d'effets biologiques de composés (ADME/toxicité) qui peut être déduite de combinaisons similaires de descripteurs physico-chimiques en utilisant des méthodes QSAR.

Les systèmes pour maintenir des entrées uniques pour les composés chimiques dans les bases de données sont appelés systèmes d'enregistrement. Ils sont parfois utilisés pour l'indexation chimique, les systèmes de brevets et les bases de données industrielles.
Les systèmes d'enregistrement renforcent l'unicité des composés présentés dans la base de données par l'utilisation de représentations uniques. En appliquant des lois de prééminence pour la génération des notations séquencées, on peut obtenir des représentations uniques (ou canoniques) comme les SMILES canoniques. Certains systèmes d'enregistrement comme le système CAS font usage d'algorithmes spécifiques afin de générer un code de hachage afin d'atteindre le même objectif.
Une différence clé entre un système d'enregistrement et une simple base de données chimiques est la possibilité de repr'esenter précisément ce qui est connu, inconnu et partiellement connu. Par exemple, une base de données peut stocker une molécule avec une stéréochimie non spécifiée, alors qu'un système d'enregistrement chimique requiert de spécifier si la configuration stérique est inconnue, un mélange (connu) spécifique, ou un racémique. Chacune de ces spécifications constitueraient une entrée différente dans un système d'enregistrement chimique.
Les systèmes d'enregistrement préconditionnent les objets chimiques afin d'éviter la considération de différences triviales comme entre les ions halogénures dans les composés chimiques.
On pourra citer comme exemple le système d'enregistrement Chemical Abstracts Service (CAS). Voir aussi numéro CAS.

Les représentations numériques sont habituellement transparentes pour les chimistes, les données étant traduites graphiquement. L'entrée de données est aussi simplifiée par l'utilisation d'éditeurs de structures chimiques. Ces éditeurs convertissent en interne les données graphiques en représentations numériques.
Il existe aussi de nombreux algorithmes pour l'interconversion de formats variés de représentation. OpenBabel est, par exemple, un des utilitaires permettant d'effectuer cette tâche. Ces algorithmes de recherche et de conversion sont implémentés soit dans le système de base de données lui-même ou comme maintenant dans des composantes externes qui les adaptent pour les systèmes de bases de données relationnels standard. Les systèmes basés sur Oracle ou PostgreSQL font usage de la cartridge technologie permettant des types de données définis par l'utilisateur. Cela permet à l'utilisateur de faire des requêtes SQL avec des conditions chimiques sur les recherches. Par exemple une requête sur les entrées présentant un cycle benzénique dans leur structure représenté comme une séquence SMILES dans une colonne SMILESCOL pourrait être :

SELECT * FROM CHEMTABLE WHERE SMILESCOL.CONTAINS('c1ccccc1').

Les algorithmes de conversion des noms IUPAC en représentation structurales en inversement sont aussi utilisés pour extraire de l'information des textes. Cependant, il existe des difficultés en raison de l'existence de plusieurs correspondances IUPAC. Un travail est en cours afin d'établir un standard IUPAC unique (voir InChI)