SARA: desenvolvimento e validação de fluxo de análises semiautomático para estudos de expressão gênica

Abstract

Com os ensaios de sequenciamento de nova geração (Next Generation Sequencing – NGS) e o aumento da capacidade de processamento e armazenamento dos computadores, vem crescendo a quantidade de dados gerados por RNA-Seq para avaliação do transcriptoma. Esta abordagem avalia a expressão gênica possibilitando a identificação detalhada de isoformas de RNA, variações de nucleotídeos, fusão gênica e mutações. As análises destes dados gerados pelo RNA-Seq exigem uma grande infraestrutura computacional e conhecimentos de programação e das diferentes ferramentas de análise. Para este estudo, a proposta é gerar um fluxo de análise (pipeline) capaz de unificar as ferramentas de análise de transcriptoma para que seja aplicável a uma quantidade relevante de abordagens de dados e ser usado por não bioinformatas. Este pipeline semiautomatizado foi escrito em programação Shell e R, organizado em subcomandos, os quais permitem que o usuário defina os programas e informe os grupos de interesse através de um arquivo separado por vírgula. O processamento semiautomatizado inclui: (i) controle de qualidade das sequências (FastQC); (ii) sumarização dos dados de qualidade (MultiQC); (iii) filtragem dos dados de baixa qualidade (para escolher Trimmomatic ou Fastp); (iv) mapeamento com o genoma referência (Bowtie2, STAR ou Hisat2); (v) contagem dos transcritos (featureCounts); (vi) determinação do perfil de genes diferencialmente expressos (DESeq2). Este fluxo de análises está armazenado em um repositório de códigos aberto, o qual permite fácil implementação em computadores, notebooks ou servidores. O SARA (Semi Automatic RNA-Seq Analysis) é um fluxo de trabalho simples que reúne os softwares de análise para RNA-Seq e capaz de ser utilizado em diversas aplicações e utilizado por pessoas com pouco conhecimento em programação.