Home » Detección de variantes mediante NGS. 1: Preprocesado y alineamiento

Detección de variantes mediante NGS. 1: Preprocesado y alineamiento

Introducción

Véase el curso del EMBL-EBI Train online: Human Genetic Variation

Objetivos

El objetivo de este ejercicio es la detección de variantes (SNPs e indels) en ADN genómico extraído de una única persona y enriquecido en exoma, utilizando para ello un pequeño conjunto de lecturas cortas (single-end) del cromosoma 22 obtenidas mediante NGS en un equipo Illumina GAIIx . Se trata de aproximadamente un millón de lecturas de 76bp (210 Mb en total).

El ADN procede de una mujer caucásica de los EEUU que ha sido resecuenciado multitud de veces, por lo que esta mujer es actualmente uno de los seres humanos mejor caracterizados genéticamente. Su familia fue uno de los 30 trios de los proyectos Hapmap y 1000 Genomas.

El ADN genómico se extrajo a partir de células sanguíneas, enriqueciéndolo a continuación en secuencias del exoma. Para ello, se purificaron utilizando oligonucleótidos específicos en microarrays. Este proceso de enriquecimiento no es perfecto, por lo que en la muestra final puede haber algo de contaminación de ADN no-exómico, asi como ADN mitocondrial.

Filtraremos las variantes obtenidas manualmente, de forma que se comprenda bien el procedimiento. En el mundo real, los conjuntos de datos empleados en la detección de variantes son mucho más grandes y las herramientas bastante más sofisticadas, ya que se basan en modelos estadísticos de la representación de las variantes en el conjunto de las lecturas.


Importación de los datos

  1. Conectese a Galaxy y entre en su cuenta (regístrese si es necesario). Servidor de Galaxy alternativo.
  2. Copie este enlace: http://bioinfo2.ugr.es/DatosClase/NA12878.GAIIx.exome_chr22.1E6reads.76bp.fastq.
  3. En el panel izquierdo de Galaxy abra Get Data -> Upload File -> Paste/Fetch data y pegue ese enlace en el cuadro de texto que aparece.
  4. En el campo Type elija fastqsanger, en el campo Genome elija el ensamblado Human Feb 2009 (GRCh37/ hg19) (hg19) y pulse Start.
  5. Cuando acaben de cargarse los datos, edítelos (herramienta [icon name=”pencil” class=”” unprefixed_class=””] (LÁPIZ) en el item de la historia) y simplifique el nombre a  NA12878.GAIIx.exome_chr22.1E6reads.76bp.fastq.
  6. Asegúrese de que el formato es fatsqsanger y el ensamblado hg19.
  7. Si el formato fuese otro, cámbielo editando los datos -> Datatype y elija fastqsanger.

Control de calidad

Examine las lecturas pinchando en la herramienta [icon name=”eye” class=”” unprefixed_class=””] (OJO) del item  NA12878.GAIIx.exome_chr22.1E6reads.76bp.fastq.

Note que en el formato fastq cada lectura está representada por 4 líneas:

  1. Identificador o nombre
  2. Secuencia
  3. Separador
  4. Línea de calidad

Analice la calidad de las lecturas con FASTQC: En el panel izquierdo de Galaxy, seleccione NGS: QC and manipulation –> FASTQC Read Quality Reports.

Aparecerá seleccionado por defecto el fichero con los datos (extension .fastq).

Deje las demás opciones por defecto y pinche en Execute. Cuando termine el proceso, aparecerán dos items nuevos en su historia, uno con los resultados en forma numérica y otro en html (Webpage). Seleccione este último item y pinche en la herramienta [icon name=”eye” class=”” unprefixed_class=””] (OJO) para examinar los resultados.

Aparecerá un FastQC Report conteniendo una lista de gráficos con las medidas de calidad. Examine el gráfico Per base sequence quality. Observe que los datos parecen bastante buenos, la mayoría de los scores están por encima de 30, lo que corresponde a una precisión del 99.9% (véase una explicación de los Phred Quality Scores).

Note también que el gráfico Sequence Duplication Levels revela que hay una tasa de duplicación muy alta en las lecturas (artefacto debido a la PCR). Ello requeriría  emplear una herramienta específica para eliminar dicha redundancia, aunque por brevedad aquí nos saltaremos ese paso.


Alineamiento

Se trata de alinear o mapear cada lectura de la muestra de ADN (NA12878.GAIIx.exome_chr22.1E6reads.76bp.fastq) con el genoma de referencia (hg19), de forma que podamos identificar las variantes (SNVs, SNPs o indels).

NGS: Mapping –> Map with BWA for Illumina:

  1. Use el fichero FASTQ por defecto (NA12878.GAIIx.exome_chr22.1E6reads.76bp.fastq)
  2. Seleccione Human (Homo sapiens) (b37): hg19 como genoma de referencia
  3. Deje las demás opciones por defecto
  4. Pinche en Execute

Este es el paso que más tarda (5-20 minutos, dependiendo de la carga que tenga el servidor de Galaxy en ese momento).

Cuando termine el proceso, pinche en la herramienta [icon name=”eye” class=”” unprefixed_class=””] (OJO) y examine el alineamiento en formato SAM (Sequence Alignment Map).

Observe que muchas lecturas no mapean en el cromosoma 22 (columna 3). Para quedarnos solamente con aquellas lecturas que mapean correctamente en el cromosoma, debemos filtrar estos resultados:

  • Filter and Sort –> Filter
  • Condition: c3==’chr22′

En el nuevo item de su historia, solo aparecerán ahora aquellas lecturas que mapean en el cromosoma 22 (un 93% de las lecturas).

Con la herramienta [icon name=”pencil” class=”” unprefixed_class=””] (LÁPIZ), renombre este último item a: NA12878.chr22_exome.BWA_mapped.chr22_filtered

Ahora debemos comprimir el archivo en formato SAM, poniéndolo en formato binario (BAM):

NGS: Sam Tools –> SAM-to-BAM

Asegúrese de que selecciona para ello el item más reciente en su historia (NA12878.chr22_exome.BWA_mapped.chr22_filtered) y pinche en ‘Execute‘.

Con la herramienta [icon name=”pencil” class=”” unprefixed_class=””] (LÁPIZ), renombre el archivo BAM recién obtenido a: NA12878.chr22_exome.BWA_mapped.bam


Visualización

Para visualizar el alineamiento en el UCSC Genome Browser, pinche en el nombre del archivo BAM y elija display at UCSC main.

Si activa el track de genes RefSeq y pone las coordenadas chr22:35,790,491-35,827,565 en el cuadro de texto del Genome Browser obtendrá una imagen como esta:

Observe como, al tratarse de datos del exoma, las lecturas se concentran en los exones.

Aumentando el zoom puede observar las variantes con respecto al genoma de referencia.

Clases (Parte I: Computacional)

Horario
10-12/13 h en la O3
———————————–

Examen:

4 de marzo (9-13 horas, aula O3)