Standardisation des schémas de données

Table des matières

  1. Standardisation des schémas de données
    1. Valeurs
    2. Types de données fondamentaux
    3. Attributs
    4. Valeur(s) d’un attribut
    5. Sémantique des attributs
    6. Attributs composés
    7. Identifiants permanents
    8. Vocabulaire structuré
    9. Sources d’attributs standardisés
    10. Ressources de formation

Standardisation des schémas de données

Les schémas de données, qu’ils décrivent les détails syntaxiques et sémantiques d’une seule table ou qu’ils couvrent plusieurs tables interconnectées ou des transformations entre elles, offrent de nombreuses opportunités de standardisation. Nous commençons par une description et des recommandations sur le langage actuellement utilisé pour décrire le contenu des schémas de données, puis nous discutons de la manière dont des vocabulaires structurés, y compris des ontologies, peuvent être superposés pour aider à déterminer la comparabilité sémantique.

Valeurs

Un champ de formulaire, un champ d’enregistrement, un champ de ligne de tableau, une cellule de feuille de calcul, un attribut ou une propriété d’objet/class informatique, ou une variable peut contenir une valeur (aussi appelée élément de données ou donnée).

Types de données fondamentaux

Essentiels pour la lisibilité par machine, une valeur peut appartenir à un certain type de données « littéral » ou syntaxique, comme une chaîne de caractères, une date, une heure, un entier ou un nombre décimal, un booléen, une valeur catégorielle ou un type de référence URL. Quelques langages standards d’échange de données permettent d’exprimer cela : XML, JSON et SQL.

  • Unités : Les valeurs numériques peuvent être accompagnées d’unités (ex. « 1m » pour un mètre, ou « 2d » pour 2 jours). Ces unités peuvent être intégrées dans une chaîne ou stockées séparément. Des représentations codées comme UCUM ou des ontologies comme QUDT, OM, UO sont utilisées.
  • Syntaxe des chaînes : Des contraintes supplémentaires peuvent être imposées sur les chaînes pour exprimer des formats complexes, comme les coordonnées géographiques selon ISO 19115-1:2014, souvent via des expressions régulières.
  • Les spécifications de données spécifiques à un projet peuvent permettre des descriptions plus souples, mais les standards visent à minimiser les ambiguïtés (ex. « 04/05/11 » peut être interprété différemment selon le format).

Attributs

Un enregistrement, une feuille de calcul, un objet informatique ou une entité ontologique peut avoir plusieurs attributs obligatoires ou facultatifs. Selon le contexte, un attribut peut aussi être appelé champ, propriété, variable, caractéristique ou slot.

  • Nom d’attribut : Il peut y avoir ambiguïté entre le nom affiché, le nom standardisé ou le nom utilisé dans les scripts. Il faut distinguer :
    • Nom en langage naturel : Pour l’interface utilisateur (ex. « Date de naissance »).
    • Nom codé : Pour les scripts ou bases de données (ex. « birth_date »), suivant des conventions comme PEP8 ou R/SQL.
      • PascalCase : Pour les noms de tables/objets.
      • lower_camel_case : Pour les noms d’attributs.
      • Expressions régulières pour Excel sont fournies pour automatiser la conversion.
    • Référence à un terme standardisé : Via des identifiants permanents (purl), comme cell type.

Valeur(s) d’un attribut

Un attribut peut avoir plusieurs types de valeurs, comme une date ou une liste de valeurs nulles (ex. données manquantes). Des standards comme NCBI couvrent cela. Certains champs permettent des sélections multiples, nécessitant des chaînes délimitées ou des structures de données plus complexes.

Sémantique des attributs

Un attribut a un type de données fondamental et un type sémantique contextuel. Par exemple, « âge » peut être un entier, mais il existe plusieurs types d’âge (liste ici). Les définitions textuelles ne suffisent pas pour les machines, d’où l’importance des vocabulaires standardisés.

  • Mesures : Un même attribut peut être mesuré différemment (ex. « age_in_years », « age_in_weeks », « gestational_age »).
  • Attributs catégoriels : Utilisés dans les enquêtes (ex. « jeune / adulte / âgé »). Les schémas doivent indiquer les vocabulaires utilisés ou leurs sources en ligne.

Attributs composés

Ce sont des structures de données composées de plusieurs attributs (ex. « geo_location » combinant latitude et longitude). Les concepteurs de schémas préfèrent souvent décomposer ces structures en attributs distincts.

Identifiants permanents

Les références à des ressources web (datasets, documents, termes de vocabulaire) utilisent des URL permanentes (purl), comme OBI_0001167. Ces liens doivent rester accessibles ou être redirigés vers des versions mises à jour. Des registres comme w3id.org ou bioregistry.io permettent de gérer ces identifiants.

Vocabulaire structuré

Un vocabulaire structuré (ou contrôlé) est un fichier de termes incluant noms, définitions, hiérarchies sémantiques, etc. Les agences peuvent recommander des vocabulaires pour leurs projets. Exemples :

Sources d’attributs standardisés

Les termes d’ontologie peuvent être précis pour décrire une chose mesurée, mais pas la manière dont elle est mesurée. Les attributs de schéma de données vont souvent plus loin que les ontologies dans la mesure où les spécifications d’attribut incluent le type de données de la ou des valeurs. Les attributs standardisés avec des noms de codage se trouvent par exemple dans les normes de référentiel plat NCBI BioSample et dans les normes plus structurées Phenopacket. Plus de détails sur l’utilisation du vocabulaire structuré, y compris les ontologies, sont fournis dans la section ontologie.

Ressources de formation

À déterminer

Auteurs : Damion Dooley