Od próbki do sekwencji

Sekwencja zaczyna się przed sekwenatorem

Plik FASTQ jest końcem długiego procesu fizycznego, a nie bezpośrednim „odczytem organizmu”. To, co znalazło się w probówce, sposób pobrania, czas do stabilizacji, izolacja, budowa biblioteki i skład puli wpływają na wynik równie mocno jak aparat i algorytm. Bioinformatyka może rozpoznać część problemów, ale nie odzyska cząsteczek, które rozpadły się przed pomiarem, ani komórek utraconych podczas dysocjacji.

Najbardziej użyteczna mapa procesu brzmi:

pytanie biologiczne → obiekt i materiał → próbka → ekstrakt → biblioteka → pula → odczyty → dopasowanie lub składanie → wynik → interpretacja

Każda strzałka jest transformacją i może być źródłem selekcji. Sekwencjonowanie nie usuwa więc potrzeby klasycznej kontroli laboratoryjnej. Przeciwnie: dzięki ogromnej liczbie wyników może bardzo precyzyjnie mierzyć błąd, którego źródło powstało wcześniej.

Artykuł pełni rolę mapy całego działu. Kolejne teksty rozwijają bibliotekę, fizyczny pomiar, pokrycie, variant calling i potwierdzenie. Czytając konkretny projekt, warto wracać do tej mapy i zaznaczać, na której strzałce powstała każda selekcja oraz która kontrola może ją wykryć.

Proponowana ścieżka przez dział

Nie trzeba czytać wszystkich tekstów liniowo, ale osoba budująca podstawy najwięcej zyska na takiej kolejności:

1. zacząć tutaj od pełnej mapy zależności między próbką, pomiarem i interpretacją;
2. zobaczyć, jak powstaje biblioteka sekwencyjna;
3. porównać metodę Sangera, krótkie i długie odczyty, zanim wybierze się platformę;
4. poznać architekturę rzeczywistego sekwenatora;
5. przejść osobno przez platformy krótkich odczytów i sekwencjonowanie nanoporowe;
6. nauczyć się odróżniać liczbę odczytów od użytecznego pokrycia i mapowalności;
7. prześledzić variant calling od FASTQ do kandydatów, a następnie potwierdzanie wyniku;
8. rozszerzyć perspektywę o składanie i adnotację genomu, transkryptomikę single-cell i spatial oraz odczyt epigenomu.

Ta kolejność rozdziela cztery pytania, które bywają mylone: co było w materiale, co zrobił protokół, co rzeczywiście zmierzył instrument i co dopiero wywnioskował algorytm.

Najpierw nazwij to, co ma być mierzone

„Chcemy zrobić sekwencjonowanie” nie jest jeszcze pytaniem badawczym. Trzeba określić obiekt pomiaru:

• sekwencję genomowego DNA;
• warianty w wybranych genach;
• liczbę kopii lub warianty strukturalne;
• cząsteczki RNA i ich względną obfitość;
• pełne izoformy transkryptów;
• dostępność chromatyny;
• metylację lub inne modyfikacje zasad;
• skład mieszaniny organizmów;
• genom pojedynczej komórki albo profil jej RNA.

Ta decyzja wyznacza materiał, protokół i to, czego wynik nie będzie obejmował. RNA-seq z tkanki utrwalonej, sekwencjonowanie wysokocząsteczkowego DNA długimi odczytami i transkryptom pojedynczych żywych komórek wymagają innych kompromisów. Podręcznikowa mapa metod pozostaje tu trafna: restrykcja, hybrydyzacja, amplifikacja i sekwencjonowanie odpowiadają na różne pytania i nie są wzajemnie zamienne.¹

Jednostka biologiczna nie jest tym samym co probówka

W projekcie trzeba rozdzielić co najmniej pięć poziomów:

1. jednostkę biologiczną — człowieka, zwierzę, linię komórkową, organoid, kolonię lub niezależną hodowlę;
2. pobranie — fragment tkanki, krew, zawiesinę komórek albo wymaz;
3. alikvotę techniczną — część pobrania skierowaną do osobnego procesu;
4. bibliotekę — zestaw cząsteczek zdolnych do odczytu na danej platformie;
5. run lub lane — techniczną realizację pomiaru.

Dwie biblioteki z jednego ekstraktu nie są dwiema replikami biologicznymi. Dwa odczyty tej samej cząsteczki również nie zwiększają liczby badanych organizmów. Jeżeli te poziomy zostaną zlane w jednej kolumnie arkusza, późniejszy model statystyczny może traktować techniczne powtórzenia jak niezależne obserwacje i zawyżać pewność wniosku.

Pytanie definiuje materiał

Materiał musi odpowiadać zjawisku. Wariant konstytucyjny można zwykle badać w krwi lub ślinie, ale mozaicyzm może wymagać innej tkanki. Profil nowotworu zależy od udziału komórek guza, martwicy i domieszki komórek prawidłowych. RNA odzwierciedla stan, tkankę i moment pobrania, a nie trwały „genotyp ekspresji”.

Przed pobraniem warto zapisać:

• jaki obiekt biologiczny reprezentuje próbka;
• jaka frakcja materiału ma nieść poszukiwany sygnał;
• jakie zanieczyszczenie biologiczne jest prawdopodobne;
• czy badana cząsteczka jest stabilna w planowanych warunkach;
• czy pozostała część materiału umożliwi powtórzenie albo test inną metodą.

To ostatnie pytanie jest szczególnie ważne dla małych biopsji i pojedynczych komórek. Zużycie całej próbki może dać wiele danych, ale odebrać możliwość sprawdzenia nieoczekiwanego wyniku.

Endpoint wyznacza cały łańcuch decyzji

Przed pobraniem warto uzupełnić zdanie:

Wynik będzie uznany za wystarczający, jeśli metoda wykryje [klasę zjawiska] w [materiale] z [granicą], a negatywny wynik obejmie [zakres].

Przykłady:

• germline SNV/indel w panelu przy heterozygocie;
• somatic variant ≥2% VAF w FFPE;
• exon CNV;
• repeat expansion określonego motywu;
• fazowane SV;
• pełna izoforma RNA;
• typy komórek ≥0,1%;
• metylacja allele-specific.

Bez endpointu nie da się określić liczby molekuł, długości, kontroli ani testu potwierdzającego.

Matryca pytanie–materiał–biblioteka

Pytanie	Materiał	Krytyczna cecha biblioteki
germline SNV	DNA z jądrami	równomierność i oba allele
mozaika 1%	właściwa tkanka, dużo kopii	UMI/duplex i niskie tło
SV/faza	HMW DNA	długie cząsteczki i kotwice
cfDNA	osocze bez lizy leukocytów	naturalna długość i UMI
RNA splice	tkanka z ekspresją genu	strandedness i junctions
single-cell	żywe komórki/jądra	barcodes, UMI, doublet control
metylacja	natywne lub kontrolnie konwertowane DNA	zachowanie modyfikacji

To punkt startu. Każdy materiał ma własne ograniczenia.

Plan rozdziału próbki powinien powstać przed ekstrakcją

Jedna próbka może być potrzebna do:

• głównego assay;
• kontroli tożsamości;
• nowej biblioteki;
• potwierdzenia;
• RNA lub białka;
• archiwum.

Plan określa:

1. minimalną ilość dla każdego celu;
2. priorytet przy małym materiale;
3. warunki przechowania;
4. maksymalną liczbę thaw cycles;
5. zgodę na użycie;
6. osobę decydującą o zużyciu rezerwy.

Aliquot nie powinien być tworzony bez śladu

Każda część otrzymuje identyfikator potomny i relację do rodzica. Nie wystarcza dopisek „A” na probówce.

Rejestr:

• masa/objętość;
• data;
• operator;
• storage;
• freeze/thaw;
• cel;
• pozostałość.

Pobranie i stabilizacja są częścią pomiaru

Czas niedokrwienia, temperatura, niedotlenienie, trawienie enzymatyczne, stres mechaniczny, zamrażanie i rozmrażanie mogą zmieniać ekspresję albo selektywnie niszczyć komórki. Dla DNA problemem mogą być fragmentacja, nukleazy i uszkodzenia chemiczne; dla RNA — szybka degradacja oraz odpowiedź komórki na samą procedurę.

Próbka powinna dostać trwały identyfikator w chwili pobrania. Zapis powinien obejmować czas, miejsce i sposób pobrania, stabilizator, temperaturę, czas do zamrożenia lub ekstrakcji, liczbę cykli zamrażania oraz odstępstwa od protokołu. „Próbka była przechowywana prawidłowo” nie jest metadanymi, bo nie pozwala odtworzyć warunków.

Materiał ludzki wymaga odpowiedniej zgody, podstawy przetwarzania i kontroli dostępu. Kod próbki nie oznacza automatycznie anonimowości — genom może umożliwiać ponowną identyfikację, a nazwy plików nie powinny zawierać danych wrażliwych. NCBI przypomina, że nazwy przesłanych plików i metadane mogą stać się publiczne, zaś odpowiedzialność za właściwy tryb dostępu do danych ludzkich spoczywa na przekazującym.²

Identyfikator powinien przetrwać wszystkie transformacje

Ten sam obiekt może mieć osobny identyfikator w biobanku, systemie laboratoryjnym, arkuszu przygotowania biblioteki i katalogu danych. Nie wystarczy, że człowiek „wie”, które nazwy są równoważne. Potrzebna jest jawna tabela relacji:

dawca → pobranie → alikwota → ekstrakt → biblioteka → indeks → run → pliki

Zmiana nazwy powinna tworzyć nowy rekord relacji, a nie nadpisywać historię. Dla każdej biblioteki należy móc ustalić, z której fizycznej porcji materiału powstała, kto i kiedy ją przygotował oraz jakiego protokołu i partii odczynników użył.

Izolacja nie jest neutralnym wyjmowaniem DNA lub RNA

Metoda izolacji wybiera nie tylko „DNA” albo „RNA”, lecz także zakres wielkości cząsteczek i profil zanieczyszczeń. Kolumna może tracić bardzo długie fragmenty; intensywne mieszanie ścina DNA; selekcja małych RNA usuwa większe transkrypty; sposób lizy wpływa na reprezentację organizmów o odmiennej ścianie komórkowej.

Dla długich odczytów ważna jest integralność wysokocząsteczkowego DNA. Dla RNA znaczenie mają zahamowanie RNaz, sposób homogenizacji i profil degradacji. W materiale utrwalonym formaliną oprócz fragmentacji mogą występować modyfikacje chemiczne powodujące błędy. Protokół ekstrakcji jest więc częścią definicji mierzonej populacji cząsteczek.

Ilość, czystość, integralność i użyteczność to cztery różne cechy

Fluorometria z barwnikiem swoistym dla DNA lub RNA zwykle lepiej opisuje ilość docelowego kwasu nukleinowego niż sama absorbancja, która reaguje także na część zanieczyszczeń. Stosunki A260/A280 i A260/A230 są wskaźnikami pomocniczymi, nie certyfikatem czystości. Nie ma jednej wartości granicznej właściwej dla każdego materiału, aparatu i zestawu.

Integralność ocenia się przez rozkład długości fragmentów, a dla RNA często także przez syntetyczny wskaźnik wyliczany z elektroferogramu. Dwie próbki o tym samym stężeniu mogą mieć zupełnie inną użyteczność: jedna zawiera długie cząsteczki, druga krótkie produkty degradacji.

Najbardziej praktyczne są cztery osobne pytania:

• ile docelowej cząsteczki znajduje się w objętości;
• jakie substancje współoczyszczono;
• jak wygląda rozkład długości;
• czy materiał działa w reakcji podobnej do planowanej biblioteki.

Inhibicję widać dopiero w reakcji

Hem, sole, fenol, etanol, polisacharydy i inne związki mogą hamować polimerazy lub ligazy mimo pozornie poprawnego widma absorbancji. Kontrola wewnętrzna albo próba po rozcieńczeniu pomaga odróżnić małą ilość matrycy od inhibicji. Rozcieńczenie zmniejsza stężenie inhibitora, ale również sygnału, dlatego nie jest uniwersalną naprawą.

Wynik kontroli powinien być interpretowany na poziomie całej metody. Sprawny PCR krótkiego fragmentu nie dowodzi, że DNA nadaje się do biblioteki wymagającej dziesiątek kilobaz.

Kontrole trzeba przypisać do etapów

Jedna „kontrola ujemna” nie rozwiązuje wszystkich problemów. Użyteczny zestaw obejmuje różne poziomy:

• blank pobrania, jeśli materiał może zostać zanieczyszczony już w terenie lub gabinecie;
• blank ekstrakcji, przechodzący pełną izolację bez próbki;
• kontrolę biblioteki, która wykrywa zanieczyszczenia w odczynnikach i przy pipetowaniu;
• kontrolę platformy, monitorującą sam run;
• materiał dodatni, który ma oczekiwane cechy mierzalne całym torem;
• powtórzenie techniczne, gdy pytanie dotyczy precyzji określonego etapu.

Kontrola dodana dopiero po ekstrakcji nie wykryje utraty podczas lizy. DNA o znanym wariancie dodane do gotowej biblioteki nie sprawdzi przygotowania biblioteki. FDA traktuje materiały kontrolne jako narzędzie monitorowania przygotowania biblioteki, sekwencjonowania i analizy, ale ich użyteczność zależy od miejsca włączenia do procesu.³

Biblioteka jest celową selekcją cząsteczek

Biblioteka łączy cząsteczki próbki z adapterami potrzebnymi platformie. Może obejmować fragmentację, naprawę końców, ligację, odwrotną transkrypcję, amplifikację, przechwycenie sondami i wybór wielkości. Każdy krok zmienia reprezentację.

Przykłady selekcji:

• PCR faworyzuje fragmenty łatwiej amplifikowane;
• selekcja poli(A) pomija liczne RNA bez ogona poliadenylowego;
• usuwanie rRNA pozostawia inny transkryptom niż selekcja poli(A);
• panel hybrydyzacyjny widzi regiony, dla których zaprojektowano sondy;
• amplicon nie ujawni zmiany usuwającej miejsce wiązania startera;
• wybór wielkości może usunąć krótkie lub bardzo długie allele;
• mała ilość wejścia zwiększa losową utratę cząsteczek.

Wynik należy zatem nazywać zgodnie z biblioteką. „Sekwencjonowanie eksomu” jest pomiarem regionów przechwyconych przez konkretną wersję zestawu, a nie wszystkich biologicznie kodujących fragmentów bez wyjątku.

Pełną anatomię procesu rozwija Biblioteka sekwencyjna: fragmentacja, adaptery, indeksy i amplifikacja. Artykuł bieżący zachowuje rolę mapy decyzji i łańcucha odpowiedzialności.

Gate przed biblioteką

Próbka powinna mieć status:

• accepted;
• accepted with limitation;
• repeat extraction;
• request new sample;
• rejected;
• consume only with authorization.

Kryteria mogą obejmować:

• ilość;
• integralność;
• inhibicję;
• udział celu;
• tożsamość;
• materiał;
• dostępność rezerwy.

„Accepted with limitation” musi prowadzić do jawnej zmiany zakresu, na przykład braku możliwości SV lub podwyższonego LoD.

Gate po bibliotece

Przed pulą sprawdza się:

• stężenie molowe;
• rozkład długości;
• adapter dimers;
• złożoność;
• indeksy;
• wydajność;
• negatywne kontrole;
• expected target.

Decyzja:

• pool;
• re-purify;
• re-amplify, jeśli zwalidowane;
• rebuild;
• drop sample;
• pilot.

Re-amplification zwiększa kopie, nie odzyskuje utraconych molekuł.

Amplifikacja tworzy kopie, nie nowe niezależne obserwacje

Jeżeli jedna cząsteczka wejściowa zostanie powielona sto razy, sto odczytów nie stanowi stu niezależnych świadków. Duplikaty mogą wynikać z PCR albo z wielokrotnego odczytania tej samej cząsteczki. Usuwanie wszystkich odczytów o tych samych współrzędnych również bywa błędne w bardzo głębokich panelach, bo niezależne cząsteczki mogą mieć identyczne końce.

Unikalne identyfikatory molekularne, czyli UMI, są dołączane przed amplifikacją i pomagają grupować kopie pochodzące od tej samej cząsteczki. UMI nie naprawia jednak cząsteczek, które zniknęły przed znakowaniem, ani błędu obecnego już w matrycy. Liczba rodzin UMI jest bliższa liczbie zaobserwowanych cząsteczek niż surowa liczba odczytów.

Indeks próbki nie jest identyfikatorem cząsteczki

Indeks, czyli kod przypisany bibliotece, umożliwia wspólne sekwencjonowanie wielu próbek i późniejszy demultipleksing. UMI oznacza cząsteczkę w obrębie biblioteki. Te dwa kody rozwiązują inne problemy.

Przeskok indeksu może przypisać odczyt niewłaściwej próbce. Ryzyko jest szczególnie ważne, gdy w jednej puli znajduje się próbka z bardzo silnym sygnałem i próbka, w której szuka się rzadkiego wariantu. Unikalne podwójne indeksy pozwalają rozpoznać niedozwolone pary i ograniczyć błędne przypisania, ale nie zastępują czystości pracy ani kontroli.⁴

Przed pulowaniem należy sprawdzić, czy:

• każda biblioteka ma dozwoloną i unikalną kombinację indeksów;
• orientacja odczytu indeksów odpowiada platformie;
• sekwencje są dostatecznie różne;
• pula ma odpowiednią różnorodność zasad;
• próbki o skrajnie różnym sygnale nie tworzą ryzykownej kombinacji;
• plan demultipleksingu używa tej samej tabeli co praca przy stole.

Projekt puli może stworzyć efekt partii

Jeżeli wszystkie kontrole trafią do pierwszego lane’u, a wszystkie próbki badane do drugiego, różnica biologiczna staje się nierozróżnialna od różnicy technicznej. Tak samo działa przygotowanie jednej grupy rano przez operatora A, a drugiej wieczorem przez operatora B.

Randomizacja powinna obejmować płytki ekstrakcyjne, biblioteki, pozycje i lane’y, o ile pozwala na to technologia. Przy wielu runach potrzebne są próbki lub materiały łączące partie. Randomizacja nie usuwa efektu partii, lecz zapobiega jego idealnemu splątaniu z badaną zmienną.

Więcej o tej logice opisuje artykuł Powtarzalność, statystyka i efekt partii.

Pooling jest alokacją ryzyka

Próbki mogą różnić się:

• molarnością;
• długością insertu;
• GC;
• target size;
• capture efficiency;
• potrzebną głębokością.

Równomolowy pool nie gwarantuje równej liczby użytecznych reads. Pilot lub historyczny współczynnik może korygować udział.

Mały i duży batch

Duży batch obniża koszt per próbka, lecz:

• wydłuża oczekiwanie;
• zwiększa wspólny punkt awarii;
• utrudnia powtórzenie;
• miesza projekty;
• wymaga stabilnych indeksów.

Mały batch może być właściwy dla pilnego wyniku, nawet przy wyższym koszcie bazy.

Sekwenator mierzy sygnał, a nie „literę genomu”

Platforma rejestruje sygnał fizyczny związany z włączeniem nukleotydu, zmianą prądu albo innym zdarzeniem cząsteczkowym. Oprogramowanie przelicza sygnał na zasady i przypisuje im wartości jakości. FASTQ zawiera już wynik modelu, nie surową rzeczywistość.

Różne technologie mają odmienne profile długości, błędów, zależności od składu sekwencji i sposobu tworzenia konsensusu. Dlatego „30×” krótkimi i długimi odczytami nie oznacza identycznej informacji. Zastosowanie powinno określać wymaganą długość, dokładność pojedynczego odczytu, zdolność do rozpoznawania powtórzeń, fazowania i modyfikacji zasad.

Porównanie mechanizmów rozwija artykuł Sanger, krótkie i długie odczyty, a sprzęt — Sekwenatory jako realne urządzenia.

Dobry run nie gwarantuje dobrej próbki

Wskaźniki aparatu odpowiadają na pytania o pracę runu: liczbę i jakość odczytów, wydajność, udział przypisany indeksom, zachowanie kontroli platformy i stabilność cykli. Mogą wyglądać dobrze mimo zamiany próbek, degradacji RNA, złej selekcji komórek albo niewłaściwego panelu.

Kontrola jakości powinna więc przebiegać warstwowo:

1. run — czy aparat pracował w akceptowalnym zakresie;
2. biblioteka — czy ma oczekiwany rozmiar, złożoność i rozkład odczytów;
3. próbka — czy wynik odpowiada jej biologii i tożsamości;
4. eksperyment — czy partie nie pokrywają się z grupami;
5. test — czy cała metoda wykrywa zjawisko w zadanym zakresie.

Gate po pierwszych cyklach lub godzinach

W zależności od platformy można ocenić:

• loading/occupancy;
• Q;
• cluster density;
• aktywne pory;
• yield trajectory;
• kontrolę;
• indeksy;
• przestrzeń dyskową.

Przed startem trzeba ustalić:

• alarm;
• abort;
• reload;
• continue;
• osobę autoryzującą.

Nie każda słaba metryka globalna uzasadnia przerwanie, jeśli krytyczne próbki już spełniają cel.

Gate po runie

Najpierw QC runu, potem biblioteki i próbki:

1. czy pliki są kompletne;
2. czy kontrola platformy działa;
3. czy demultipleksowanie jest zgodne;
4. czy blank jest czysty;
5. czy próbka ma expected yield;
6. czy coverage jest użyteczne;
7. czy identity jest zgodne;
8. czy region jest callable.

Metryki instrumentu rozwija Sekwenatory: architektura instrumentu, materiały zużywalne, run i jakość.

Pokrycie ma głębokość i szerokość

Średnia głębokość mówi, ile odczytów przypada przeciętnie na pozycję, ale może ukrywać regiony zupełnie nieodczytane. Dlatego trzeba rozdzielić:

• średnią i medianę głębokości;
• odsetek obszaru powyżej progu;
• równomierność;
• jakość mapowania i zasad;
• pokrycie obu nici;
• udział duplikatów;
• pokrycie regionów trudnych.

Panel o średniej 500× może mieć krytyczny ekson poniżej granicy detekcji. Z kolei wysokie surowe pokrycie nie musi oznaczać wielu niezależnych cząsteczek, jeżeli biblioteka ma małą złożoność.

Szczegółowe rozróżnienie depth, breadth, physical, spanning i molecular coverage oraz callable region opisuje Pokrycie, mapowalność, duplikaty i bias referencji.

Coverage budget

Użyteczne dane można oszacować:

raw bases × demultiplex × quality × mapping × uniqueness × on-target

Jeżeli współczynniki wynoszą 0,95, 0,92, 0,98, 0,80 i 0,70:

0,95 × 0,92 × 0,98 × 0,80 × 0,70 ≈ 0,48

Około połowa raw bases realizuje cel. Wartości trzeba oszacować z własnych danych.

Granica wykrycia dotyczy konkretnego rodzaju zmiany

Test nie ma jednej czułości dla „wariantów”. Substytucja pojedynczej zasady, mała delecja, ekspansja powtórzeń, rearanżacja, zmiana liczby kopii i niski mozaicyzm stawiają inne wymagania. Na wynik wpływają też zawartość GC, homopolimery, pseudogeny, powtórzenia, udział allelu i jakość genomu referencyjnego.

Walidacja powinna z góry określać typy zmian, zakres regionów, materiał, przedział ilości wejścia oraz metryki. Wytyczne FDA dla diagnostycznych testów NGS podkreślają projekt testu, jakość próbek, metryki runu, dokładność, precyzję, granicę detekcji i raportowanie zakresu, ale dotyczą określonego zastosowania klinicznego i nie są uniwersalnym protokołem każdego eksperymentu.⁵

Materiał odniesienia nie jest „idealnym pacjentem”

Dobrze scharakteryzowany materiał pozwala porównać wynik z oczekiwanym zestawem wariantów i policzyć błędy fałszywie dodatnie oraz ujemne. Materiały Genome in a Bottle łączą dane z wielu technologii i dostarczają pliki wariantów oraz regionów benchmarkowych do oceny pipeline’ów.⁶

Benchmark ma jednak granice:

• obejmuje określone genomy i typy wariantów;
• nie każdy region ma równie pewną odpowiedź;
• DNA referencyjne może nie naśladować biopsji, utrwalonej tkanki ani niskiego udziału wariantu;
• wynik dla substytucji nie waliduje automatycznie wariantów strukturalnych;
• przygotowany ekstrakt nie sprawdza etapu pobrania i ekstrakcji.

Dlatego dobiera się zestaw materiałów i próbek reprezentujących trudne przypadki, a nie jeden „złoty genom”.

FASTQ, BAM i VCF są kolejnymi modelami danych

Uproszczony łańcuch wygląda tak:

• FASTQ — zasady odczytów i przypisane im jakości;
• BAM/CRAM — odczyty dopasowane do sekwencji referencyjnej lub zapisane z informacją o dopasowaniu;
• VCF/gVCF — hipotezy o różnicach względem referencji i dane potrzebne do ich oceny;
• adnotacja — powiązanie wariantu z genem, transkryptem, częstością i wiedzą kliniczną.

Na każdym etapie informacje są dodawane i tracone. VCF nie powinien być jedynym archiwum eksperymentu, bo nie zachowuje wszystkich dowodów z odczytów. BAM zależy od wersji referencji i parametrów dopasowania. Ponowne uruchomienie caller’a może zmienić wynik bez zmiany FASTQ.

Pełny proces od read groups i referencji przez alignment, local assembly, genotypowanie oraz filtry opisuje Variant calling: od FASTQ do listy kandydatów.

Provenance powinno przechodzić z plikiem

Każdy wynik powinien wskazywać:

• input checksum;
• sample ID;
• reference checksum;
• tool version;
• container/workflow;
• parameter set;
• output checksum;
• log;
• QC status.

Sama nazwa final.vcf nie daje informacji, czy jest nowsza i dlaczego finalna.

Genom referencyjny jest układem współrzędnych

Pozycja wariantu ma sens tylko wraz z assembly, kontigiem i orientacją. Zmiana chr1:12345 A>G może wskazywać inne miejsce w innej wersji referencji. Regiony alternatywne, duplikacje segmentowe i pseudogeny mogą powodować niejednoznaczne dopasowanie.

Raport techniczny powinien podawać:

• nazwę i dokładną wersję assembly;
• źródło plików referencyjnych;
• wersję adnotacji genów i transkryptów;
• sposób traktowania kontigów alternatywnych;
• regiony objęte analizą;
• narzędzia, wersje, parametry i pliki zasobów.

Samo „GRCh38” nie wystarcza do odtworzenia pipeline’u.

Tożsamość i zanieczyszczenie trzeba sprawdzać niezależnie

Kod kreskowy nie dowodzi, że w probówce znajdował się właściwy materiał. Zgodność wybranych wspólnych wariantów między alikwotami, próbką i danymi wcześniejszymi może wykryć zamianę. Rozkład alleli pomaga ocenić domieszkę DNA innej osoby. Narzędzia takie jak VerifyBamID2 formalizują estymację zanieczyszczenia na podstawie odczytów i częstości wariantów populacyjnych.⁷

Wynik takiej kontroli nie zastępuje dokumentacji. Ma ujawniać sprzeczności, a nie tworzyć tożsamość po fakcie. Dla linii komórkowych potrzebne są dodatkowo uwierzytelnienie, kontrola mykoplazmy i historia pasaży, opisane w artykule Kontrola jakości linii komórkowych.

Precyzja, dokładność i odtwarzalność nie są synonimami

W walidacji warto osobno badać:

• zgodność z wartością odniesienia — ile znanych dodatnich i ujemnych miejsc rozpoznano poprawnie;
• precyzję — czy powtórzenie tej samej próbki daje ten sam wynik;
• odtwarzalność — czy wynik utrzymuje się między operatorami, dniami, aparatami i partiami;
• granicę detekcji — przy jakim udziale lub ilości sygnał staje się zawodny;
• robustness — jak metoda reaguje na realistyczne odchylenia;
• zakres raportowalny — gdzie laboratorium ma dowody na działanie testu.

Wysoka zgodność w łatwych regionach nie dowodzi działania w powtórzeniach i homologicznych genach. Metryki należy liczyć w odpowiednich klasach wariantów i regionach, wraz z przedziałami niepewności.

Potwierdzenie inną metodą ma być niezależne

Powtórne wywołanie wariantu z tego samego BAM innym programem sprawdza część analizy, ale nie pobranie, ekstrakcję ani bibliotekę. Nowa biblioteka z tego samego ekstraktu obejmuje więcej etapów. Nowa ekstrakcja z innej alikwoty obejmuje jeszcze więcej. Metoda ortogonalna wykorzystująca inny mechanizm pomiaru może sprawdzić błąd swoisty dla platformy.

Poziom niezależności trzeba dobrać do pytania i konsekwencji wyniku. Potwierdzenie nie powinno być rytuałem: ma testować najbardziej prawdopodobny mechanizm błędu.

Matrycę Sanger–UMI–qPCR–ddPCR–MLPA–FISH–long reads i zasady discordance rozwija Od surowego wariantu do wyniku potwierdzonego.

Wynik ujemny zawsze ma zakres

„Nie wykryto wariantu” oznacza tylko, że w analizowanym materiale, regionie i klasie zmian nie znaleziono sygnału spełniającego kryteria. Nie jest równoważne zdaniu „wariantu nie ma w organizmie”.

Wynik ujemny może wynikać z:

• braku zmiany;
• niewłaściwej tkanki;
• udziału allelu poniżej granicy detekcji;
• niepokrytego regionu;
• klasy zmiany niewykrywanej przez metodę;
• allele dropout;
• niejednoznacznego mapowania;
• filtra lub błędu pipeline’u;
• degradacji albo inhibicji.

Raport powinien wskazywać, które z tych ograniczeń są istotne dla konkretnego testu.

RNA-seq mierzy populację cząsteczek zależną od protokołu

W RNA-seq liczba odczytów zależy od biologicznej ekspresji, długości transkryptu, degradacji, sposobu selekcji RNA, odwrotnej transkrypcji, amplifikacji i mapowania. Próbki o różnej integralności mogą wykazywać pozorne różnice między końcami genów.

Projekt powinien ustalić, czy interesuje go całkowite RNA, mRNA, małe RNA, profil końców, izoformy czy RNA nascent. Należy zapisać orientację biblioteki, sposób usuwania rRNA lub selekcji poli(A), długość odczytu i to, czy liczone są geny, transkrypty czy połączenia splicingowe.

Single-cell dodaje selekcję komórek i kropli

W analizie pojedynczych komórek wynik zależy już od tego, które komórki przeżyły dysocjację i przeszły przez filtr. Potem pojawiają się puste krople, dwie komórki w jednej kropli, RNA środowiskowe, mała liczba cząsteczek i losowe niewykrycie transkryptu.

Kod komórki, UMI i indeks próbki oznaczają trzy różne poziomy. Macierz ekspresji jest wynikiem decyzji o tym, co uznano za komórkę i które odczyty przypisano do danej cząsteczki. Szczegóły analizy rozwija artykuł Transkryptomika single-cell i spatial.

Długie odczyty wymagają innego przygotowania

Jeżeli celem są długie cząsteczki, łagodne obchodzenie się z DNA zaczyna się przy pobraniu. Intensywne pipetowanie, wirowanie i zamrażanie mogą skracać fragmenty jeszcze przed pomiarem. Wielkość biblioteki, sposób selekcji i stan DNA wpływają na uzysk długości odczytów.

Długie odczyty pomagają w składaniu genomu, fazowaniu, powtórzeniach i pełnych izoformach, lecz nie zwalniają z kontroli ilości, kontaminacji i reprezentacji. Więcej o budowie genomu z odczytów opisuje Składanie i adnotacja genomu.

Pakiet przekazania do analityka

Analityk powinien otrzymać nie tylko katalog FASTQ, lecz także:

• tabelę próbek z jednoznacznym identyfikatorem i zmiennymi projektu;
• relację dawca–pobranie–alikwota–ekstrakt–biblioteka–run;
• protokół pobrania, izolacji i biblioteki wraz z wersjami zestawów;
• partie odczynników, daty, operatorów i odstępstwa;
• układ płytek, indeksów, pul i lane’ów;
• pomiary ilości, czystości, integralności i rozmiaru biblioteki;
• definicję kontroli oraz ich oczekiwane wyniki;
• raport runu i reguły akceptacji;
• assembly, pliki referencyjne i plan analizy;
• listę znanych próbek problematycznych;
• lokalizację plików, sumy kontrolne i regułę nazw.

Brak metadanych nie jest neutralny. Zmusza analityka do zgadywania, a zgadywanie może zakodować efekt partii jako efekt biologiczny.

Gate przekazania

Laboratorium i bioinformatyka powinny wspólnie potwierdzić:

• kompletność plików;
• checksums;
• liczbę próbek;
• indeksy;
• expected read structure;
• referencję;
• status kontroli;
• odstępstwa;
• priorytet;
• osobę kontaktową.

Przekazanie jest zdarzeniem wersjonowanym. Późniejsze dosłanie próbki lub zmiana sample sheet tworzy nową wersję manifestu.

Pytania analityka mogą ujawnić błąd laboratoryjny

Przykłady:

• zbyt wiele duplikatów → mała złożoność;
• insert krótszy od oczekiwanego → degradacja lub size selection;
• płeć niezgodna → zamiana lub aneuploidia;
• allele imbalance → dropout/CNV/contamination;
• odczyty w blanku → index hopping albo zanieczyszczenie;
• batch na PCA → projekt płytek.

Informacja zwrotna powinna wracać do systemu jakości, nie kończyć się w notatce analityka.

Decyzja po awarii: rescue, rebuild czy nowe pobranie

Rescue runu

Ma sens, gdy:

• biblioteka jest dobra;
• zabrakło depth;
• complexity pozostaje wysoka;
• platforma miała niższy yield;
• dalsze reads zwiększą molecular coverage.

Rebuild biblioteki

Ma sens, gdy:

• ekstrakt jest dobry;
• ligacja lub indeks zawiodły;
• adapter dimers dominują;
• pooling był błędny;
• zachowano wystarczający aliquot.

Nowa ekstrakcja

Jest potrzebna, gdy:

• inhibitor;
• zła długość;
• mała ilość;
• kontaminacja;
• allele dropout przed biblioteką;
• identity niepewna.

Nowe pobranie

Rozważa się, gdy:

• materiał nie reprezentuje zjawiska;
• próbka była źle stabilizowana;
• tożsamość nie może być rozstrzygnięta;
• brakuje komórek docelowych;
• potrzebna jest inna tkanka;
• cały materiał zużyto.

Dokupienie sekwencjonowania nie naprawia każdego z tych problemów.

Archiwum danych nie zastępuje dokumentacji badania

SRA przechowuje minimalnie przetworzone dane odczytowe, lecz sens rekordu powstaje przez relacje między projektem, próbką, eksperymentem i runem. BioProject opisuje cel przedsięwzięcia, BioSample — materiał biologiczny, a rekord eksperymentu — bibliotekę, strategię, układ odczytów i platformę.⁸

Publiczny depozyt powinien umożliwić połączenie publikacji z surowymi danymi i metadanymi. Dla danych ludzkich trzeba ustalić, czy zgoda pozwala na otwarty dostęp, czy wymagane jest repozytorium kontrolowane. Sam accession nie dowodzi kompletności opisu.

Tabela diagnostyczna

Obserwacja	Możliwe wyjaśnienia	Co sprawdzić najpierw
mało DNA po izolacji	mała biomasa, zła liza, utrata na nośniku, błąd pomiaru	kontrola ekstrakcji, objętości, powtórny pomiar inną zasadą
poprawne stężenie, biblioteka nie powstaje	inhibicja, degradacja, zły zakres fragmentów, niezgodny typ materiału	profil fragmentów, rozcieńczenie kontrolne, blank i dodatnia kontrola
dużo odczytów, mało unikalnych cząsteczek	mała złożoność wejścia, nadmierny PCR	duplikaty, rodziny UMI, ilość wejścia, liczba cykli
odczyty próbki w kontroli ujemnej	kontaminacja, przeskok indeksu, błąd demultipleksingu	niedozwolone pary indeksów, blanki etapowe, układ puli
dobry run, słabe pokrycie genu	panel lub startery nie obejmują regionu, GC, homologiczny locus	BED projektu, pokrycie per region, jakość mapowania
dwie alikwoty mają inne genotypy	zamiana, kontaminacja, mozaicyzm, błąd pipeline’u	kontrola tożsamości, proporcje alleli, ponowna ekstrakcja
różnica ekspresji pokrywa się z dniem pracy	efekt partii	projekt płytek i lane’ów, PCA, próbki łączące partie
wariant widoczny tylko na jednej nici	artefakt kierunkowy, kontekst sekwencji	balans nici, jakość odczytów, metoda ortogonalna
wynik ujemny przy silnym fenotypie	zły materiał, nieobjęta klasa zmian, niska czułość	zakres testu, pokrycie, CNV/SV/powtórzenia, inna tkanka

Minimalny plan przed rozpoczęciem

Przed pierwszym pobraniem odpowiedz na dwanaście pytań:

1. Jaka jednostka biologiczna jest podstawą wniosku?
2. Jaka cząsteczka i jaka klasa zmian ma być mierzona?
3. Dlaczego wybrana tkanka reprezentuje zjawisko?
4. Jak materiał zostanie ustabilizowany i śledzony?
5. Które zmienne biologiczne mogą wpływać na wynik?
6. Jak grupy zostaną rozłożone między partie i lane’y?
7. Jakie blanki obejmą kolejne etapy?
8. Jaki materiał dodatni przejdzie cały tor?
9. Jakie są progi ilości, integralności i biblioteki?
10. Jakie regiony i typy wariantów są raportowalne?
11. Jak zostaną sprawdzone tożsamość i kontaminacja?
12. Jakie dane, metadane i wersje zostaną zachowane?

Najkrótsza reguła jakości

Nie pytaj tylko, czy sekwenator wyprodukował dużo danych. Pytaj, czy każda warstwa łańcucha zachowała związek między biologicznym obiektem a wynikiem i czy istnieją kontrole zdolne wykryć najważniejsze sposoby zerwania tego związku.

Dobry FASTQ jest konieczny, ale nie wystarcza. Wiarygodna sekwencja wymaga identyfikowalnej próbki, jawnej selekcji biblioteki, zrównoważonego projektu, zwalidowanego zakresu analizy oraz dokumentacji pozwalającej odtworzyć decyzje.

W nanopore liczba próbek i potrzebny mianownik wyznaczają również klasę aparatu: jedna przenośna flow cell pasuje do małego projektu, kilka niezależnych pozycji rozwiązuje kolejkę różnych bibliotek, a wysokowydajne flow cells służą dużym genomom i kohortom. Wybór następuje po budżecie użytecznych danych, nie przed nim.