Hello all,

Cross posting from SFBI.

Dave C

---------- Forwarded message ---------- From: Sarah Cohen-Boulakia Sarah.Cohen_Boulakia@lri.fr Date: 2014-02-06 10:53 GMT-08:00 Subject: [bioinfo] Stage M2 Recherche : Provenance dans un système de workflows pour la bioinformatique To: bioinfo@sfbi.fr

Bonjour, Veuillez trouver ci-dessous une offre de stage de M2R pour la conception d'un module de provenance dans un système de workflows pour la bioinformatique. Cordialement, Sarah Cohen-Boulakia

Sujet de stage M2 Recherche

Conception d'un module de Provenance dans un système de workflow pour la bioinformatique

Mots clés : plateformes d'analyses; intégration d'informations; bases de données; algorithmique (graphes)

Encadrants : Sarah Cohen-Boulakia et Patrick Valduriez Lieu : Institut de Biologie Computationnelle (IBC), Montpellier (préféré) ou Laboratoire de Recherche en Informatique, Orsay Contact : cohen@lri.fr

Contexte

La taille et la quantité des données scientifiques produites et disponibles ont considérablement augmentées au cours des dernières années. En plus de devoir être stockées et gérées, la tâche la plus importante réalisée sur ces ensembles de données est leur analyse qui met en jeu une série d'outils bioinformatiques complexes et dédiés au domaine d'étude. Une telle analyse est typiquement réalisée par l'assemblage d'étapes impliquant une multitude de scripts, d'outils et d'algorithmes. Des efforts considérables ont été réalisés dans le développement de systèmes et plateformes capables de fournir un soutien à l'utilisateur lors de la conception et la gestion de telles analyses (appelés systèmes de workflows). Certains de ces systèmes ont depuis quelques années des modules de provenance, capable de garder la trace précise des lancements d'enchaînements d'outils effectués, offrant à l'utilisateur la possibilité de reproduire ses expériences bioinformatiques et d'accéder à des informations relatives à la qualité des résultats obtenus (qualité relative à la fiabilité des outils utilisés, des données prises en entrées, des types de paramètres utilisés etc.). Face à la multitude de représentations disponibles pour les données de provenance [MPB10], [ABM+09] une série de Provenance Challenges [MLA+08] [SGM11] a été organisée, débouchant sur la proposition d'un standard très général de provenance OPM, Open Provenance Model [MCF+11].

Dans ce stage on s'intéressera plus particulièrement à l'un des deux systèmes suivants : * Galaxy [GNT+10] qui est l'un des systèmes de workflows les plus utilisés par la communauté bioinformatique internationale pour analyser les données biologiques * OpenAlea [PDB+08] qui est une plateforme d'analyse, de visualisation et modélisation du fonctionnement et de la croissance de l'architecture des plantes qui compte aujourd'hui plusieurs centaines d'utilisateurs.

L'Institut de Biologie Computationnelle de Montpellier a de nombreux utilisateurs et concepteurs de workflows Galaxy et OpenAlea. En fonction de la sensibilité du stagiaire, on pourra travailler sur l'un ou l'autre de ces systèmes. La problématique restant identique.

L'objectif général de ce stage est de proposer un *module de provenance* capable de garder la trace précise de la composition des workflows et des exécutions (outils utilisés, paramètres et données prises en entrée et générées). Ce module devra permettre aux utilisateurs de connaître l'évolution d'un workflow : << quel module a été modifié ou ajouté entre deux versions de ce workflow ?>>, << quelles sont les différences entre deux workflows ayant le même but général (ie produisant le même type de donnée) mais ayant été conçu par deux équipes/personnes différentes >> ?... Ce module devra aussi permettre aux utilisateurs de comprendre mieux les résultats différents obtenus par les exécutions d'un même workflow (rôle du paramétrage des outils impliqués dans le workflow, rôle des données d'entrée...) [BCD+09]. Les réponses à ces questions doivent pouvoir être considérées à différents niveaux de granularité [BCD+08] en fournissant à l'utilisateur des niveaux de détails plus ou moins important selon ses souhaits pour ne pas être submergé d'informations.

Travail attendu

Le but de ce stage est (i) de proposer une représentation concise, expressive et capable de prendre en compte des niveaux de granularités de provenance différents des workflow de Galaxy ou Open Alea et de leurs exécutions (compatible avec les standards de provenance) et (ii) d'introduire un algorithme efficace de comparaison de ces workflows et exécutions. Plus spécifiquement, les différentes tâches attendues sont les suivantes :

* Représentation des workflows (modules et les liens entre les modules), représentation des exécutions des workflows (données consommées et produites lors d'une exécution et exécution de modules), définition de la relation entre ces représentations ("models of computation"). Différents niveaux de granularité/détail devront pouvoir être considérés dans ces représentations. * Proposition d'une structure de stockage et d'un format d'échange pour les workflows et leurs exécutions * Conception et implémentation d'un algorithme de comparaison de workflows et d'exécutions à divers niveaux de granularités * Implémentation d'un module de provenance et de la fonctionnalité de différenciation des workflows et exécutions dans Galaxy ou OpenAlea

Références

[ABM+09] Anand, M. K., Bowers, S., McPhillips, T., & Ludäscher, B. (2009, March). Efficient provenance storage over nested data collections. In Proceedings of the 12th International Conference on Extending Database Technology: Advances in Database Technology (pp. 958-969). ACM. [BCD+09] Bao, Z., Cohen-Boulakia, S., Davidson, S. B., Eyal, A., & Khanna, S. (2009, March). Differencing provenance in scientific workflows. In Data Engineering, 2009. ICDE'09. IEEE 25th International Conference on (pp. 808-819). IEEE. [BCD+08] Biton, O., Cohen-Boulakia, S., Davidson, S. B., & Hara, C. S. (2008, April). Querying and managing provenance through user views in scientific workflows. In Data Engineering, 2008. ICDE 2008. IEEE 24th International Conference on (pp. 1072-1081). IEEE. [GNT+10] Goecks, J., Nekrutenko, A., Taylor, J., & Team, T. G. (2010). Galaxy: a comprehensive approach for supporting accessible, reproducible, and transparent computational research in the life sciences. Genome Biol, 11(8), R86. [MCF+11] Moreau, L., Clifford, B., Freire, J., Futrelle, J., Gil, Y., Groth, P., & den Bussche, J. V. (2011). The open provenance model core specification (v1. 1). Future Generation Computer Systems, 27(6), 743-756. [MLA+08] Moreau, L., Ludäscher, B., Altintas, I., Barga, R. S., Bowers, S., Callahan, S., et al (2008). Special issue: The first provenance challenge. Concurrency and computation: practice and experience, 20(5), 409-418. [MPB10] Missier, P., Paton, N. W., & Belhajjame, K. (2010, March). Fine-grained and efficient lineage querying of collection-based workflow provenance. In Proceedings of the 13th International Conference on Extending Database Technology (pp. 299-310). ACM. [PDB+08] C. Pradal, S. Dufour-Kowalski, F. Boudon, C. Fournier, C. Godin. OpenAlea: A visual programming and component-based software platform for plant modeling. Functional Plant Biology [SGM11] Simmhan, Y., Groth, P., & Moreau, L. (2011). Special Section: The third provenance challenge on using the open provenance model for interoperability. Future Generation Computer Systems, 27(6), 737-742.

Autres informations Rémunération (gratification) : 436 euros/mois

-- Sarah Cohen-Boulakia Maître de conférences Laboratoire de Recherche en Informatique Université Paris Sud

-- http://www.sfbi.fr Archives : http://listes.sfbi.fr/wws/arc/bioinfo