Do FASTQ às Variantes: O Pipeline ETL da Bioinformática

Under scientific review

This introductory page is under scientific review. Use it for orientation, not clinical decision-making.

Na genômica do câncer, transformar o DNA físico bruto em inteligência clínica requer uma pipeline de ETL (Extract, Transform, Load) de múltiplos estágios. Essa pipeline ingere gigabytes de saídas não alinhadas do sequenciador (.fastq) e as processa em arquivos estruturados e anotados de chamadas de variantes (.vcf / .maf).

Para engenheiros de dados, esse processo é conceitualmente idêntico a um pipeline de ingestão de logs distribuído: logs brutos não estruturados $\rightarrow$ logs parseados & indexados $\rightarrow$ análise de diff $\rightarrow$ enriquecimento de alertas $\rightarrow$ filtragem.

---

Arquitetura Core da Pipeline

[ FASTQ (Leituras Brutas) ] 
       │
       ▼ (FastQC / trimmomatic)
[ FASTQ Limpo ] 
       │
       ▼ (BWA-MEM / STAR -> Referência GRCh38)
[ SAM / BAM (Leituras Alinhadas) ] 
       │
       ▼ (Picard MarkDuplicates + GATK BQSR)
[ BAM Recalibrado ] 
       │
       ▼ (GATK Mutect2 / HaplotypeCaller)
[ VCF Bruto (Variant Call Format) ] 
       │
       ▼ (VEP / ANNOVAR)
[ VCF Anotado ] 
       │
       ▼ (Filtros: VAF, Profundidade, gnomAD)
[ Variantes Acionáveis (MAF / Relatório) ]

---

1. FASTQ: O Arquivo de Log Bruto

Um arquivo .fastq.gz contém milhões de leituras brutas de sequenciamento. Cada leitura é composta por 4 linhas padronizadas:

@A00142:315:H7YYFDSX2:1:1101:1245:1000 1:N:0:GATCAG
ATCGGCTAAGCTAGGCTAACGATCGATCGATCGATCGATCGATCGAT
+
FFFJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ

• Linha 1 (@ID): ID do instrumento, lane da flow cell, coordenadas do tile e índice barcode da amostra.
• Linha 2 (Sequência): As chamadas brutas de nucleotídeos (A, C, T, G, ou N para ambíguo).
• Linha 3 (+): Separador.
• Linha 4 (Quality Scores Phred): Score de qualidade codificado em ASCII ($Q$) para cada base.

Fórmula dos Quality Scores Phred

$$Q = -10 \log_{10} (P_{\text{erro}})$$

• Q20: $1%$ de probabilidade de erro ($99%$ de precisão).
• Q30: $0,1%$ de probabilidade de erro ($99,9%$ de precisão — limite clínico padrão).

---

2. Alinhamento: Indexando o Stream de Logs

Leituras curtas (150 bp) não possuem contexto espacial. O Alinhamento mapeia cada leitura para sua coordenada exata no Genoma de Referência Humano de 3 bilhões de bases (GRCh38).

• Ferramentas: BWA-MEM (DNA-seq), STAR (RNA-seq).
• Algoritmo: Utiliza a Transformada de Burrows-Wheeler (BWT) e o índice FM — um índice de texto completo comprimido que permite correspondência de strings em tempo $O(m)$ através de bilhões de bases.
• Formatos de Saída:
  • SAM (Sequence Alignment/Map): Formato em texto plano legível por humanos.
  • BAM: Arquivo SAM binário, comprimido em blocos e indexado (.bam + .bai). Suporta consultas com acesso aleatório rápido (como samtools view region chr17:7668402-7687550).
  • CRAM: Formato ultra-comprimido baseado em referência (~50% menor que o BAM).

---

3. Limpeza Pós-Alinhamento (GATK Best Practices)

Arquivos BAM brutos contêm ruídos técnicos que distorcem a chamada de variantes:

1. Marcar Duplicatas (Picard / sambamba): Identifica duplicatas de PCR (moléculas de DNA idênticas amplificadas no preparo da biblioteca). Leituras duplicadas são marcadas para não serem contadas múltiplas vezes como evidência independente.
2. Recalibração de Scores de Qualidade de Base (BQSR): Modelo de aprendizado de máquina que ajusta os scores Phred brutos com base em erros ópticos ou químicos sistemáticos do hardware.

---

4. Chamada de Variantes (Variant Calling): O diff Genômico

Os variant callers comparam o arquivo BAM recalibrado contra o genoma de referência para identificar diferenças:

• Chamada Germinativa (GATK HaplotypeCaller): Avalia variantes herdadas (presentes em 50% ou 100% das leituras, correspondendo a alelos heterozigotos ou homozigotos).
• Chamada Somática Tumor-Normal (Mutect2 / Strelka2): Compara Tumor.bam vs. Sangue_Normal.bam do mesmo paciente. Isso subtrai as variantes germinativas de fundo para isolar mutações somáticas adquiridas presentes em baixas Frações Alélicas Variantes (VAF) (ex: 2% a 10% em tumores heterogêneos).

Formato VCF (Variant Call Format)

#CHROM POS      ID        REF ALT QUAL FILTER INFO
chr7   140753336 rs121913364 A   T   .    PASS   GENE=BRAF;VAF=0.42;AA=V600E

---

5. Anotação & Filtragem: Enriquecendo o Alerta

Um VCF bruto lista milhares de variantes candidatas. A Anotação enriquece cada registro com contexto biológico:

• Impacto Funcional (VEP / SnpEff): Mapeia a localização da variante para modelos de genes $\rightarrow$ prediz a consequência (Missense, Nonsense, Frameshift, Sinônima).
• Frequência Populacional (gnomAD): Anexa frequências alélicas globais. Variantes presentes em $>1%$ em populações saudáveis são descartadas como polimorfismos benignos.
• Bases de Conhecimento Clínico: Cruza dados com ClinVar, COSMIC e Civic para patogenicidade oncogênica conhecida e associações de drogas pelo FDA/Anvisa.

---

6. Execução em Produção: Workflows Orquestrados

Em ambientes clínicos de produção, essas pipelines são orquestradas usando gerenciadores de fluxo containerizados:

• Nextflow (nf-core/sarek) ou Cromwell (WDL).
• Executados em infraestrutura de nuvem (AWS Batch, GCP Life Sciences) ou clusters HPC Slurm.

---

Referências

1. Van der Auwera, G. A., & O'Connor, B. D. (2020). Genomics in the Cloud: Using Docker, GATK, and WDL in Terra. O'Reilly Media.
2. Li, H. (2013). Aligning sequence reads, clone sequences and assembly contigs with BWA-MEM. arXiv preprint arXiv:1303.3997.
3. Cibulskis, K., et al. (2013). Sensitive detection of somatic point mutations in impure and heterogeneous cancer samples. Nature Biotechnology, 31(3), 213-219.