- INSTRUMENTO Fondo Sectorial de Investigación a Partir de Datos
- BENEFICIARIO álvaro Martín Menoni : Facultad de Ingeniería
- DEPARTAMENTO Montevideo
- SUBSIDIO UYU 1000000
- FECHA DE INICIO 01.04.2020
- DURACIÓN 23 meses
- AÑO CONVOCATORIA 2018
- CÓDIGO FSDA_1_2018_1_154790
- FASE CERRADO
- ESTADO Terminado
El volumen de datos que se generan mediante plataformas de secuenciación modernas (datos de genómica, metagenómica, transcriptómica, etc.) es extremadamente grande y, gracias a la disminución de costos en los últimos años, crece cada vez a mayor velocidad. Esto hace que los costos de almacenamiento y transmisión de este tipo de información en diversas aplicaciones bioinformáticas sean realmente un problema. Entre los datos que se producen durante un proceso de secuenciación se incluyen los llamados indicadores de calidad, los cuales representan una estimación de la probabilidad de error para cada una de las lecturas de nucleótidos que se registran durante este proceso. Los indicadores de calidad son un insumo fundamental para el análisis de datos de secuenciación y, al mismo tiempo, ocupan la mayor parte de los datos que se generan durante la secuenciación (más que la información de bases en sí misma). A la luz de la preocupación general que existe por el volumen de datos generados a partir de las nuevas metodologías de secuenciación, se ha despertado recientemente un gran interés por entender cabalmente cuánta de la información que proveen los indicadores de calidad es realmente necesaria para llevar adelante las investigaciones biológicas que se suceden a partir de estos datos. En este proyecto nos planteamos investigar este problema para una plataforma de secuenciación por nanoporos, una tecnología de última generación que ha sido poco investigada aún en este sentido. Para esto, proponemos utilizar bases de datos de secuenciación, asociados a experimentos biológicos desarrollados previamente, para analizar el efecto que tienen diferentes esquemas de cuantización de indicadores de calidad sobre las conclusiones biológicas que se desprenden a partir de estos datos.
El uso de alta precisión para representar indicadores de calidad en datos de secuenciación de nanoporos hace que estos indicadores sean difíciles de comprimir y, por lo tanto, son responsables de la mayor parte de la información almacenada en archivos FASTQ comprimidos sin pérdidas. Esto motiva la investigación del efecto que pudiera tener la pérdida de información de indicadores de calidad en archivos FASTQ de secuenciación por nanoporos sobre el análisis posterior en aplicaciones bioinformáticas típicas. Realizamos el pulido de ensamblados de novo para una comunidad microbiana y para un genoma humano, y buscamos variantes en un genoma humano. Repetimos estos experimentos usando diferentes pipelines, bajo varios escenarios de nivel de cobertura, y con varios cuantizadores de indicadores de calidad. En todos los casos, encontramos que la cuantización de los indicadores de calidad causa poca diferencia (o incluso mejora) los resultados obtenidos con los datos originales (no cuantizados). Esto sugiere que la precisión que se utiliza actualmente para los indicadores de calidad en secuenciación por nanoporos es innecesariamente alta y motiva el uso de algoritmos de compresión con pérdida para este tipo de datos. Además, mostramos que incluso un compresor no especializado, como gzip, genera grandes ahorros de espacio de almacenamiento después de la cuantización de los indicadores de calidad.