O Que Significa Sequenciar?

Quando dizemos que um DNA foi “sequenciado”, estamos dizendo que tentamos determinar a ordem dos nucleotídeos presentes naquela molécula. Em outras palavras, queremos descobrir a sequência de bases que compõem determinado fragmento.

Uma representação simplificada poderia ser:

ACGTTGCAATCGGATC

Entretanto, nenhum sequenciador observa diretamente essas letras. A molécula de DNA não possui um “A” escrito sobre uma adenina nem um “G” escrito sobre uma guanina. O equipamento precisa inferir a identidade das bases a partir de fenômenos físicos ou químicos que acontecem durante o processo de leitura.

Dependendo da tecnologia, o sequenciador pode detectar fluorescência produzida durante a incorporação de nucleotídeos, alterações na corrente elétrica provocadas pela passagem de DNA por um nanoporo, diferenças no comprimento de fragmentos separados por eletroforese ou outros eventos moleculares.

Portanto, uma forma mais correta de compreender o sequenciamento é:

sequenciar é transformar propriedades moleculares em sinais mensuráveis e, posteriormente, transformar esses sinais em uma sequência de bases.

Existe, portanto, uma cadeia de conversões:

Essa interpretação computacional é extremamente importante. Em praticamente todas as tecnologias modernas, existe algum processo computacional entre o sinal detectado pelo equipamento e a sequência que será entregue ao pesquisador.

Do Organismo Ao Dado Digital

Imagine que um pesquisador queira sequenciar uma bactéria isolada de uma amostra clínica. O primeiro elemento disponível não é uma sequência de DNA, mas uma amostra física contendo células bacterianas.

O fluxo inicial poderia ser representado da seguinte maneira:

Cada etapa influencia a próxima.

Se a extração produzir DNA altamente degradado, por exemplo, uma tecnologia projetada para produzir reads extremamente longas pode não alcançar todo o seu potencial, pois as moléculas já chegarão fragmentadas ao equipamento. Da mesma forma, se houver contaminantes químicos na amostra, determinadas reações da preparação de biblioteca podem ser prejudicadas.

Isso significa que problemas observados mais tarde na bioinformática nem sempre surgiram na bioinformática. Muitas vezes, eles refletem eventos ocorridos muito antes da geração do FASTQ.

Por essa razão, um bioinformata deve compreender pelo menos os princípios básicos das etapas laboratoriais anteriores ao sequenciamento.

Extração De Dna Ou Rna

A primeira etapa fundamental é obter o ácido nucleico que será analisado. Dependendo do projeto, esse material pode ser DNA genômico, RNA total, RNA mensageiro, DNA ambiental, DNA viral, produtos de PCR ou outras moléculas.

A extração procura romper células ou partículas, liberar o material genético e separá-lo de proteínas, lipídios, sais e outras moléculas presentes na amostra.

O resultado ideal depende do objetivo experimental. Em alguns projetos de short reads, fragmentação moderada do DNA pode não representar um grande problema, pois o DNA será fragmentado posteriormente de qualquer forma. Em projetos voltados a long reads, entretanto, preservar moléculas muito grandes pode ser determinante.

Isso ocorre porque nenhuma tecnologia consegue gerar uma read maior que a molécula efetivamente apresentada ao sistema. Se todo o DNA estiver quebrado em fragmentos de 5 kilobases, não será possível esperar uma grande quantidade de reads de 50 ou 100 kilobases simplesmente porque essas moléculas longas já não existem na amostra.

No caso do RNA, a situação pode ser ainda mais sensível, pois RNA é uma molécula relativamente suscetível à degradação. Um RNA degradado pode distorcer análises de expressão gênica ou dificultar a reconstrução de transcritos completos.

Quantidade, Pureza E Integridade

Antes de preparar a biblioteca, normalmente é necessário avaliar a qualidade do material extraído. Essa avaliação pode envolver três dimensões principais: quantidade, pureza e integridade.

A quantidade responde a uma pergunta simples: quanto DNA ou RNA existe na amostra?

Diferentes protocolos exigem quantidades mínimas de material. Uma concentração muito baixa pode comprometer a eficiência da preparação da biblioteca ou obrigar o uso de etapas adicionais de amplificação.

A pureza procura verificar se substâncias indesejadas acompanharam o ácido nucleico durante a extração. Sais, proteínas, fenol, etanol residual e outros compostos podem interferir em reações enzimáticas.

A integridade, por sua vez, descreve o estado físico das moléculas. DNA muito fragmentado possui menor comprimento médio. RNA degradado apresenta perda progressiva de moléculas intactas.

Essas três propriedades não são equivalentes. Uma amostra pode possuir muito DNA, porém altamente degradado. Pode também possuir DNA íntegro, porém contaminado. Pode ainda possuir excelente pureza, mas concentração insuficiente.

Por isso, “ter DNA” não significa automaticamente “ter uma boa amostra para sequenciamento”.

O Que É Uma Biblioteca De Sequenciamento?

Depois da extração e do controle de qualidade, o material precisa ser preparado para a plataforma que será utilizada. Essa preparação produz aquilo que chamamos de biblioteca de sequenciamento.

A palavra biblioteca pode causar confusão para quem está começando, pois na computação usamos “library” para falar de bibliotecas de software. Aqui o significado é completamente diferente.

Uma biblioteca de sequenciamento é uma coleção de moléculas preparadas de forma que possam ser reconhecidas e processadas pelo equipamento.

O DNA extraído diretamente de uma célula geralmente não é simplesmente colocado no sequenciador sem modificações. Dependendo da plataforma e do protocolo, ele pode ser fragmentado, reparado, selecionado por tamanho, amplificado e ligado a sequências artificiais.

Essas sequências artificiais são fundamentais porque permitem que as moléculas interajam com os componentes da plataforma.

Podemos imaginar o processo de maneira simplificada:

O resultado dessa preparação é a biblioteca.

Diferentes plataformas exigem bibliotecas diferentes. Isso significa que a preparação realizada para uma corrida Illumina não é necessariamente igual à realizada para PacBio ou Oxford Nanopore.

O Que São Adaptadores?

Adaptadores são pequenas sequências artificiais ligadas às moléculas durante a preparação da biblioteca.

Eles não fazem parte originalmente do genoma do organismo estudado. São introduzidos porque desempenham funções técnicas necessárias ao sequenciamento.

Dependendo do protocolo, os adaptadores podem permitir a ligação do fragmento ao sistema de sequenciamento, servir como regiões reconhecidas por primers, incorporar índices de amostras ou permitir determinadas etapas de amplificação.

Imagine um fragmento biológico:

O equipamento precisa dessas estruturas para manipular adequadamente a molécula.

O problema aparece quando parte do adaptador também é sequenciada.

Isso pode acontecer, por exemplo, quando o fragmento de DNA é menor do que o número de ciclos de leitura realizado pelo equipamento. O sequenciador termina de atravessar a região biológica e começa a ler o adaptador.

Essas sequências artificiais podem aparecer no FASTQ.

É por isso que programas como fastp ou Cutadapt conseguem detectar e remover adaptadores durante o pré-processamento.

Portanto, quando uma ferramenta de controle de qualidade aponta “adapter contamination”, isso não significa necessariamente que houve uma contaminação externa no laboratório. Muitas vezes significa simplesmente que sequências técnicas da biblioteca permaneceram dentro das reads.

Índices, Barcodes E Multiplexação

Equipamentos modernos podem gerar uma quantidade enorme de dados em uma única corrida. Frequentemente, uma única amostra não necessita de toda essa capacidade.

Suponha que um sequenciador consiga gerar centenas de milhões de reads, mas cada amostra do experimento precise apenas de alguns milhões. Utilizar uma corrida completa para cada amostra seria extremamente ineficiente e caro.

A solução é colocar várias amostras na mesma corrida.

Mas surge um problema: depois do sequenciamento, como saber qual read pertence a qual amostra?

Para resolver isso, adicionam-se pequenas sequências identificadoras às bibliotecas. Essas sequências são chamadas, dependendo da plataforma e do protocolo, de índices ou barcodes.

Imagine três amostras:

As três bibliotecas podem ser misturadas e sequenciadas juntas.

O processo de combinar múltiplas amostras em uma mesma corrida é chamado de multiplexação.

Após o sequenciamento, o software lê os índices e separa novamente os dados.

A separação é chamada de demultiplexação.

Portanto:

multiplexação = juntar amostras

demultiplexação = separar computacionalmente as reads depois da corrida

Esse conceito é extremamente importante porque explica por que um único sequenciamento pode gerar dezenas ou centenas de arquivos FASTQ diferentes.

O Que É Uma Read?

Uma vez que o sequenciador interpreta uma molécula ou fragmento, ele produz uma sequência chamada read, ou leitura.

Uma read pode ser algo como:

ACGTTGCATCGATCGGATCA

Cada read representa uma observação de uma molécula ou de parte de uma molécula.

O tamanho dessas reads varia enormemente entre tecnologias.

Uma plataforma de short reads pode produzir milhões ou bilhões de reads com cerca de 50 a 300 bases. Uma plataforma de long reads pode produzir sequências com milhares, dezenas de milhares ou até centenas de milhares de bases.

Esse comprimento é importante porque determina quanta informação estrutural existe em cada observação.

Considere duas reads:

Mesmo que as duas sejam corretas, a segunda pode atravessar uma região genômica muito maior e conectar informações que a primeira não consegue relacionar.

É exatamente essa diferença que torna o comprimento das reads tão importante em montagem de genomas, identificação de variantes estruturais e resolução de regiões repetitivas.

Primeira, Segunda E Terceira Gerações

As tecnologias de sequenciamento costumam ser divididas didaticamente em primeira, segunda e terceira geração. Essa classificação é útil para estudar a evolução tecnológica, embora não deva ser entendida como uma fronteira absoluta entre todos os métodos existentes.

A primeira geração está associada principalmente ao sequenciamento de Sanger.

A segunda geração ficou marcada pelo surgimento do sequenciamento massivamente paralelo, no qual milhões de fragmentos podem ser lidos ao mesmo tempo. Illumina é o principal exemplo.

A terceira geração é frequentemente associada a tecnologias capazes de observar moléculas individuais e produzir long reads, como PacBio e Oxford Nanopore.

A principal transformação histórica foi passar de uma situação em que poucas sequências eram obtidas por experimento para outra em que milhões de moléculas podiam ser analisadas em paralelo.

Isso transformou completamente a escala da genômica.

Sequenciar um genoma que antes exigia enormes consórcios e anos de trabalho passou a se tornar uma rotina de laboratório em muitos contextos.

Sanger — A Primeira Geração

O sequenciamento de Sanger foi desenvolvido na década de 1970 e se tornou, durante décadas, o principal método de determinação de sequências de DNA.

Seu princípio fundamental envolve a síntese de DNA e a utilização de nucleotídeos especiais chamados dideoxinucleotídeos, ou ddNTPs.

Durante uma reação normal de síntese, uma DNA polimerase adiciona nucleotídeos sucessivamente à nova fita. Entretanto, quando um ddNTP é incorporado, a extensão daquela molécula é interrompida.

Como essa interrupção pode ocorrer em diferentes posições, a reação produz fragmentos de diferentes comprimentos. Esses fragmentos podem posteriormente ser separados por eletroforese capilar.

Como os nucleotídeos terminadores possuem marcadores fluorescentes diferentes, o equipamento consegue determinar qual base estava presente na extremidade de cada fragmento.

O resultado pode ser representado como um cromatograma, no qual diferentes picos correspondem às bases detectadas.

Portanto, o surgimento do NGS não substituiu completamente o método de Sanger. Em vez disso, redefiniu seu lugar dentro do laboratório molecular moderno.

O Nascimento Do Ngs

A expressão Next-Generation Sequencing, ou NGS, surgiu para descrever uma nova geração de tecnologias capazes de produzir dados em uma escala muito maior do que Sanger.

A grande mudança foi a paralelização.

Em vez de sequenciar poucas moléculas individualmente, tornou-se possível acompanhar milhões de moléculas simultaneamente.

Por isso também encontramos a expressão massively parallel sequencing, ou sequenciamento massivamente paralelo.

Essa paralelização reduziu drasticamente o custo por base sequenciada.

Considere uma comparação conceitual.

No Sanger, um experimento pode produzir uma sequência de centenas de bases.

Em uma corrida de NGS, podemos produzir milhões ou bilhões de reads.

Esse salto de escala permitiu o surgimento de aplicações como:

sequenciamento de genomas completos, RNA-seq em larga escala, metagenômica, painéis de variantes, estudos populacionais, estudos de câncer, vigilância genômica e muitas outras.

Illumina E O Sequenciamento Por Síntese

Illumina se tornou uma das plataformas mais utilizadas no mundo para sequenciamento de segunda geração.

Famílias de equipamentos como MiSeq, NextSeq, HiSeq e NovaSeq utilizam princípios de sequenciamento por síntese.

É importante distinguir o nome da tecnologia do nome dos equipamentos.

NGS é uma categoria tecnológica ampla.

Illumina é uma empresa e uma família tecnológica dentro desse universo.

HiSeq, MiSeq, NextSeq e NovaSeq são linhas específicas de equipamentos.

Portanto, afirmar que “HiSeq é NGS” é aceitável em linguagem informal, mas tecnicamente mais correto seria dizer que HiSeq é uma família de sequenciadores Illumina baseada em tecnologia NGS.

Como A Illumina Lê O Dna?

No sequenciamento Illumina, a identidade das bases é inferida durante ciclos sucessivos de síntese de DNA.

De maneira simplificada, um nucleotídeo marcado é incorporado à molécula em cada ciclo. O sistema registra um sinal fluorescente relacionado à identidade daquele nucleotídeo.

Depois, o processo é repetido.

Imagine uma molécula sendo lida ao longo dos ciclos:

Ciclo 1 → A

Ciclo 2 → C

Ciclo 3 → G

Ciclo 4 → T

Ciclo 5 → T

Ao final, obtemos:

ACGTT

Na realidade, o ponto fundamental é que milhões de moléculas estão passando por esse processo simultaneamente.

O sistema captura imagens ou sinais de uma enorme quantidade de posições e transforma essas observações em sequências.

É isso que produz a extraordinária capacidade de geração de dados da plataforma.

Clusters E Amplificação Local

Em muitos sistemas Illumina, uma única molécula não produz sinal fluorescente suficientemente intenso para ser detectada de forma robusta.

Por isso, moléculas ligadas à superfície da flow cell são amplificadas localmente, gerando populações clonais chamadas clusters.

Cada cluster contém múltiplas cópias derivadas de uma molécula inicial.

Quando um nucleotídeo é incorporado, todas ou grande parte dessas cópias produzem sinais correspondentes.

Isso aumenta a intensidade observada pelo sistema.

O sequenciador acompanha milhares ou milhões desses clusters simultaneamente.

Durante cada ciclo, ele precisa identificar a base mais provável em cada posição.

Ao longo de centenas de ciclos, isso resulta em milhões de reads.

O Que Significa 150 Bp?

O comprimento de uma read é frequentemente expresso em base pairs, abreviado como bp.

Quando alguém diz que um sequenciamento possui reads de 150 bp, significa que cada leitura contém aproximadamente 150 posições de bases.

Por exemplo:

ACGT...

até completar cerca de 150 bases.

Embora utilizemos “bp” rotineiramente para comprimento de reads, cada read individual é representada como uma sequência linear de bases. O termo permanece extremamente comum no contexto prático de sequenciamento.

Também podemos encontrar unidades maiores.

1 kb corresponde aproximadamente a 1.000 bases.

1 Mb corresponde aproximadamente a 1 milhão de bases.

1 Gb corresponde aproximadamente a 1 bilhão de bases.

Essas unidades serão importantes posteriormente quando discutirmos throughput e cobertura.

Single-End

Em um experimento single-end, apenas uma extremidade do fragmento é sequenciada.

Suponha que a biblioteca contenha um fragmento de 400 bases.

Se realizarmos uma corrida single-end de 150 bp, o equipamento poderá produzir uma read correspondente a aproximadamente 150 bases a partir de uma das extremidades.

>>>>>>>>>>>>>>>>>>>>

A informação obtida representa apenas uma direção do fragmento.

Single-end pode ser adequado para determinadas aplicações, especialmente quando a informação adicional fornecida por uma segunda extremidade não é necessária.

Paired-End

Em sequenciamento paired-end, o mesmo fragmento é lido a partir das duas extremidades.

Uma corrida descrita como:

2 × 150 bp

significa que são produzidas duas leituras de aproximadamente 150 bases para cada fragmento considerado.

Temos:

Read 1 = R1

e

Read 2 = R2

É importante compreender que 2 × 150 bp não significa necessariamente que o fragmento possui 300 bases.

Imagine um fragmento de 500 bp.

A primeira leitura cobre aproximadamente os primeiros 150 bp.

A segunda leitura cobre aproximadamente 150 bp a partir da outra extremidade.

Entre as duas pode existir uma região central não diretamente observada.

Representação conceitual:

R1 >>>>>>>>>> <<<<<<<<<< R2

Se o fragmento for curto, entretanto, R1 e R2 podem até se sobrepor.

Essa informação de pares é útil porque sabemos que as duas reads vieram do mesmo fragmento original. Isso auxilia em alinhamento, montagem, detecção de inserções e outras análises.

Por isso, em um projeto paired-end normalmente encontramos dois arquivos:

amostra_R1.fastq.gz

amostra_R2.fastq.gz

Esses arquivos não devem ser tratados como conjuntos completamente independentes. Existe uma relação entre cada read em R1 e sua read correspondente em R2.

Limitações Das Short Reads

Short reads possuem várias vantagens: são produzidas em grande quantidade, apresentam elevada precisão em muitas plataformas e contam com um ecossistema bioinformático extremamente desenvolvido.

Entretanto, seu pequeno comprimento também cria limitações.

Imagine uma região do genoma contendo uma sequência repetitiva de 5.000 bases.

Uma read de 150 bases pode estar inteiramente dentro dessa repetição.

Se a mesma repetição aparecer em vários locais do genoma, pode ser impossível determinar com segurança de qual região aquela read veio.

Esse problema afeta montagem e alinhamento.

Outro desafio aparece em grandes variantes estruturais. Se uma alteração envolve milhares de bases, uma read muito curta enxerga apenas pequenos pedaços daquele evento.

Foi justamente para resolver vários desses problemas que as tecnologias de long reads se tornaram tão importantes.

Terceira Geração E Long Reads

Tecnologias frequentemente classificadas como terceira geração permitem observar moléculas individuais e produzir sequências muito mais longas.

As duas principais famílias são PacBio e Oxford Nanopore.

Enquanto uma read Illumina típica pode ter cerca de 150 bp, long reads frequentemente possuem milhares ou dezenas de milhares de bases.

Em determinadas condições, podem ultrapassar centenas de milhares de bases.

Isso muda profundamente o tipo de informação disponível.

Uma short read pode mostrar apenas um pequeno trecho de uma região repetitiva.

Uma long read pode começar antes da repetição, atravessá-la completamente e terminar em uma região única depois dela.

Assim, ela fornece contexto estrutural.

Pacbio

A PacBio utiliza uma tecnologia conhecida como Single Molecule Real-Time sequencing, ou SMRT.

Nesse sistema, a atividade de uma DNA polimerase pode ser observada enquanto a molécula é sintetizada.

O objetivo das HiFi reads é combinar duas características historicamente difíceis de obter simultaneamente:

comprimento elevado e alta precisão.

Uma estratégia fundamental envolve moléculas circularizadas.

A polimerase pode percorrer repetidamente a mesma região, gerando múltiplas observações do mesmo fragmento.

Essas observações podem ser combinadas computacionalmente para construir uma sequência consenso.

Se em uma passagem determinado nucleotídeo foi interpretado incorretamente, mas várias outras passagens produziram a mesma base correta, o consenso consegue aumentar significativamente a confiança da sequência final.

Essa é a lógica central por trás das HiFi reads.

Por Que Hifi É Importante?

Em sequenciamento, comprimento e precisão são duas propriedades extremamente importantes.

Long reads resolvem problemas estruturais, mas erros elevados podem dificultar análises de variantes pequenas.

Reads muito precisas facilitam identificação de SNPs e pequenas inserções ou deleções, mas reads muito curtas podem não resolver regiões repetitivas.

HiFi surgiu como uma solução capaz de oferecer reads longas e altamente precisas.

Por isso, a tecnologia se tornou particularmente relevante para:

montagem de genomas, reconstrução de haplótipos, análise de variantes estruturais, genomas diploides complexos e transcriptômica de isoformas completas.

Oxford Nanopore

Oxford Nanopore utiliza um princípio completamente diferente.

Em vez de acompanhar síntese por fluorescência, a tecnologia mede alterações de corrente elétrica enquanto uma molécula atravessa um nanoporo.

Um nanoporo pode ser entendido como uma estrutura extremamente pequena inserida em uma membrana.

Quando determinada diferença de potencial é aplicada, existe fluxo de corrente através desse poro.

À medida que DNA ou RNA atravessa a região sensível, diferentes combinações de bases alteram o comportamento da corrente.

O equipamento registra essas variações continuamente.

Ou seja, o dado original não é uma sequência de letras.

O dado original é um sinal elétrico.

Esse sinal precisa ser interpretado por software.

Do Sinal Elétrico À Sequência

Imagine uma série de variações de corrente ao longo do tempo.

O sistema registra algo que conceitualmente poderia ser representado como uma curva.

Cada trecho dessa curva contém informação sobre a molécula que está atravessando o poro.

Um algoritmo de base calling analisa o sinal e determina qual sequência de bases é mais provável.

O fluxo é aproximadamente:

molécula → corrente elétrica → sinal digital → basecaller → sequência

Esse exemplo deixa muito claro por que o sequenciador não “lê letras”.

Ele registra um fenômeno físico e depois utiliza computação para inferir a sequência.

O Que É Base Calling?

O termo base calling significa determinar quais bases correspondem ao sinal observado.

É uma etapa central em praticamente todas as tecnologias de sequenciamento.

Podemos imaginar:

Sinal 1 → A

Sinal 2 → C

Sinal 3 → G

Sinal 4 → T

Ao final:

ACGT

Entretanto, essa interpretação não é absolutamente perfeita.

Algumas posições são muito claras.

Outras apresentam maior incerteza.

Por isso, além de determinar qual base provavelmente está presente, o software normalmente calcula uma medida de confiança.

Essa informação aparece posteriormente como qualidade.

Erros De Sequenciamento

Nenhuma tecnologia é absolutamente perfeita.

Durante o processo podem ocorrer chamadas incorretas.

Imagine que a molécula verdadeira contenha:

ACGTTGCA

Mas o sistema produza:

ACGTCGCA

Uma base foi interpretada incorretamente.

Esse é um erro de sequenciamento.

Também podem ocorrer inserções ou deleções dependendo da plataforma e do contexto.

O perfil de erro varia entre tecnologias.

Conhecer esses perfis é importante porque diferentes pipelines são desenvolvidos considerando características específicas dos dados.

Qualidade Phred

Como o software possui diferentes níveis de confiança para cada base, é necessário representar essa incerteza.

Uma das escalas mais utilizadas é o Phred Quality Score, ou Q-score.

A relação matemática é:

Q = -10 log10(Perro)

onde Perro representa a probabilidade estimada de que a chamada esteja errada.

Não é necessário memorizar a fórmula imediatamente, mas é importante entender sua interpretação.

Q10 representa aproximadamente uma probabilidade de erro de 10%.

Q20 representa aproximadamente 1%.

Q30 representa aproximadamente 0,1%.

Q40 representa aproximadamente 0,01%.

Isso significa que:

Q20 ≈ 99% de precisão estimada.

Q30 ≈ 99,9%.

Q40 ≈ 99,99%.

Como a escala é logarítmica, uma diferença de 10 unidades representa aproximadamente uma redução de dez vezes na probabilidade de erro.

Portanto, Q30 não é apenas “um pouco melhor” que Q20.

Ele representa uma diferença importante na probabilidade estimada de erro.

Qualidade Não É Garantia Absoluta

O Phred score representa uma estimativa de confiança.

Isso não significa que toda base Q30 esteja obrigatoriamente correta.

Se tivermos milhares ou milhões de bases Q30, algumas ainda estarão erradas.

A interpretação correta é probabilística.

Uma base Q30 possui uma probabilidade estimada de erro de aproximadamente 1 em 1.000.

Esse conceito é particularmente importante quando trabalhamos com milhões ou bilhões de posições.

Mesmo taxas aparentemente pequenas podem resultar em um número considerável de erros quando o volume de dados é enorme.

O Que Acontece Depois Do Base Calling?

Depois que o sinal foi convertido em bases, ainda existe outra questão.

Se múltiplas amostras foram sequenciadas juntas, é necessário determinar a qual amostra cada read pertence.

É aqui que entram os índices e barcodes introduzidos durante a preparação da biblioteca.

O software identifica esses códigos e separa as reads.

Esse é o processo de demultiplexação.

Imagine:

Corrida completa:

A1, B1, C1, A2, C2, B2, A3...

Após demultiplexação:

Amostra A → A1, A2, A3...

Amostra B → B1, B2...

Amostra C → C1, C2...

O resultado pode ser um conjunto independente de arquivos para cada amostra.

Chegamos Ao Fastq

Depois de todo esse caminho, finalmente chegamos ao formato mais conhecido por quem trabalha com bioinformática de sequenciamento.

O FASTQ é um arquivo de texto que armazena duas informações fundamentais:

a sequência da read e a qualidade associada a cada posição.

Esse formato se tornou um dos principais pontos de entrada para pipelines de análise.

Um registro FASTQ convencional possui quatro linhas.

Exemplo:

@READ_001

ACGTTGCA

+

IIIIIIII

Cada conjunto dessas quatro linhas representa uma read.

Se um arquivo possuir 10 milhões de reads, haverá aproximadamente 40 milhões de linhas, desconsiderando variações de formatação.

Isso ajuda a compreender por que arquivos FASTQ podem se tornar enormes.

Primeira Linha Do Fastq

A primeira linha começa com:

@

Depois vem o identificador da read.

Por exemplo:

@READ_001

Em dados reais, esse identificador pode ser muito mais complexo.

Dependendo da plataforma, ele pode conter informações relacionadas à corrida, instrumento, posição da leitura, par da read ou outros metadados.

Não é necessário interpretar todo identificador em um módulo introdutório.

O importante é entender que ele serve para identificar aquela leitura.

Segunda Linha Do Fastq

A segunda linha contém a sequência.

Exemplo:

ACGTTGCA

Aqui aparecem as bases inferidas durante o base calling.

Podemos encontrar:

A

C

G

T

e eventualmente N.

A letra N indica que a posição não pôde ser determinada de maneira adequada ou foi representada como base ambígua.

Isso não significa que “N” seja uma quinta base do DNA.

Significa apenas:

base desconhecida ou não determinada.

Terceira Linha

A terceira linha normalmente começa com:

+

Ela funciona como separador entre a sequência e a qualidade.

Em muitos arquivos, essa linha contém apenas o símbolo +.

Em outros formatos históricos ou implementações, pode repetir informações do identificador.

Para compreender FASTQ, basta saber que ela marca o início da seção de qualidade.

Quarta Linha

A quarta linha contém a qualidade de cada base.

Exemplo:

IIIIIIII

Cada caractere corresponde a uma posição da sequência.

Se a sequência possui oito bases, a linha de qualidade deve possuir oito caracteres correspondentes.

Portanto:

Sequência:

A C G T T G C A

Qualidade:

I I I I I I I I

Cada caractere codifica um valor de qualidade.

Esses caracteres não representam outras bases.

Eles representam números convertidos para caracteres ASCII.

Por Que Não Escrever Os Números Diretamente?

Seria possível imaginar um formato como:

40 40 39 38 37 40 40 39

Mas isso ocuparia mais espaço e exigiria separadores.

FASTQ utiliza uma codificação compacta.

Em muitos arquivos modernos encontramos o padrão conhecido como Phred+33.

O valor de qualidade é convertido em um caractere de acordo com a tabela ASCII.

Por isso vemos caracteres como:

IIIIHHHFFF

em vez de uma sequência explícita de números.

Programas de bioinformática interpretam esses símbolos automaticamente.

Fasta E Fastq Não São A Mesma Coisa

FASTA é outro formato extremamente comum.

Um registro FASTA pode ser:

>sequence_1

ACGTTGCA

Ele contém basicamente um identificador e uma sequência.

FASTQ adiciona a informação de qualidade.

FASTQ:

@sequence_1

ACGTTGCA

+

IIIIIIII

Portanto:

FASTA = sequência

FASTQ = sequência + qualidade

Essa diferença é fundamental.

Se queremos realizar controle de qualidade baseado nos Q-scores originais, precisamos trabalhar com FASTQ ou outro formato que preserve essa informação.

Ao converter FASTQ para FASTA, a qualidade por base é perdida.

Fastq.Gz

Arquivos de sequenciamento podem ser gigantescos.

Um único experimento pode produzir dezenas, centenas ou milhares de gigabytes.

Por isso, FASTQ costuma ser comprimido com gzip.

Assim:

sample.fastq

pode se tornar:

sample.fastq.gz

O conteúdo lógico continua sendo FASTQ.

O sufixo .gz apenas informa que o arquivo foi comprimido.

Uma vantagem importante é que muitas ferramentas modernas conseguem ler .fastq.gz diretamente.

Não é necessário descompactar manualmente o arquivo antes de cada análise.

Arquivos R1 E R2

Em dados paired-end, é comum encontrar:

sample_R1.fastq.gz

sample_R2.fastq.gz

R1 contém a primeira leitura dos fragmentos.

R2 contém a leitura correspondente realizada a partir da outra extremidade.

A associação entre pares deve ser preservada.

Se a read número 1 de R1 pertence a determinado fragmento, a read correspondente em R2 representa a outra extremidade daquele mesmo fragmento.

Ferramentas de alinhamento e montagem utilizam essa informação.

Por isso, procedimentos que removem reads apenas de um arquivo sem manter sincronização podem criar problemas.

Ferramentas de controle de qualidade paired-end normalmente possuem mecanismos específicos para preservar os pares.

O Fastq É O Primeiro Arquivo Do Sequenciador?

Nem sempre.

Essa é uma distinção importante.

FASTQ é frequentemente o primeiro arquivo que chega ao bioinformata, mas isso não significa que ele seja sempre o primeiro arquivo produzido pelo instrumento.

Cada plataforma possui formatos internos ou próximos do sinal bruto.

Na Illumina, arquivos BCL podem representar chamadas de bases geradas durante a corrida antes da conversão e demultiplexação para FASTQ.

Na Oxford Nanopore, POD5 pode armazenar o sinal elétrico bruto detectado pelo equipamento.

Na PacBio, BAM é utilizado extensivamente para representar reads e informações adicionais.

Portanto, o FASTQ pode ser visto como uma representação padronizada e conveniente para muitas análises, mas existe um universo de dados anterior a ele.

Fluxo Illumina

Um fluxo simplificado pode ser imaginado assim:

biblioteca → flow cell → ciclos de síntese → sinais → base calling → BCL → demultiplexação → FASTQ

O bioinformata muitas vezes recebe apenas a última parte.

Porém, o arquivo FASTQ carrega consequências de todas as etapas anteriores.

Se ocorreu baixa qualidade em determinados ciclos, isso aparecerá nos Q-scores.

Se adaptadores foram sequenciados, eles aparecerão nas reads.

Se uma biblioteca apresentou composição anormal, isso poderá aparecer no conteúdo de bases ou GC.

Por isso, compreender a origem dos dados facilita muito a interpretação de relatórios do FastQC.

Fluxo Oxford Nanopore

Um fluxo simplificado para Nanopore pode ser:

molécula → nanoporo → sinal elétrico → POD5 → base calling → FASTQ/BAM

POD5 representa informações muito mais próximas do sinal físico bruto.

FASTQ já representa uma interpretação desse sinal.

Isso é conceitualmente importante.

Se o algoritmo de base calling melhorar, em determinados cenários pode ser possível voltar ao sinal bruto e realizar uma nova chamada de bases.

Ou seja, o arquivo de sinal contém informação anterior à sequência final.

Fluxo Pacbio

Um fluxo simplificado para PacBio pode ser:

biblioteca → sequenciamento SMRT → observações da molécula → construção de consenso → HiFi reads → BAM/FASTQ conforme o fluxo

PacBio utiliza BAM de maneira particularmente importante.

Isso nos leva a uma distinção fundamental sobre esse formato.

Bam Não Significa Obrigatoriamente "Alinhado"

Muitos estudantes aprendem inicialmente um fluxo como:

FASTQ → alinhamento → SAM → BAM

Isso leva à falsa impressão de que todo BAM representa reads alinhadas.

Não é verdade.

BAM é a representação binária do formato SAM e pode armazenar diferentes tipos de registros de sequência.

Existem BAM alinhados, mas também podem existir BAM contendo reads não alinhadas.

PacBio é um exemplo importante porque utiliza BAM para armazenar dados de reads HiFi em contextos nos quais elas ainda não foram necessariamente alinhadas a um genoma de referência.

Portanto:

BAM é um formato.

O fato de um arquivo ser BAM não determina sozinho se o conteúdo está alinhado.

É necessário examinar seus registros e metadados.

Short Reads Versus Long Reads

A diferença mais intuitiva entre essas tecnologias é o comprimento das leituras.

Illumina geralmente produz enormes quantidades de reads relativamente curtas.

PacBio e Nanopore podem produzir reads muito maiores.

Mas a diferença não é apenas estética.

Ela altera profundamente o tipo de problema bioinformático que pode ser resolvido.

Considere uma região repetitiva:

AAAA — REPETIÇÃO — BBBB

Uma read curta que fique inteiramente dentro da repetição pode não conseguir indicar se pertence a essa região ou a outra cópia semelhante do genoma.

Uma read longa pode começar em AAAA, atravessar toda a repetição e alcançar BBBB.

Isso cria uma ligação física entre as regiões únicas das duas extremidades.

Essa informação é extremamente valiosa em montagem.

Variantes Estruturais

Variantes estruturais são alterações relativamente grandes no genoma.

Elas podem envolver:

deleções, inserções, inversões, duplicações, translocações e outras reorganizações.

Short reads podem detectar muitos desses eventos através de padrões de alinhamento, pares discordantes e cobertura.

Entretanto, long reads frequentemente conseguem atravessar diretamente o ponto de quebra.

Imagine uma deleção de 3.000 bases.

Uma long read pode cobrir a região anterior e posterior em uma única molécula.

Isso torna a interpretação estrutural muito mais direta.

Phasing E Haplótipos

Outro uso importante das long reads está na reconstrução de haplótipos.

Organismos diploides possuem duas cópias de cada cromossomo autossômico, uma proveniente de cada progenitor.

Suponha que determinada região possua duas variantes:

posição 1: A ou G

posição 2: C ou T

Um conjunto de short reads pode mostrar que existem as variantes A/G e C/T, mas não necessariamente revelar quais combinações estão juntas no mesmo cromossomo.

Podemos ter:

cromossomo 1: A ... C

cromossomo 2: G ... T

ou:

cromossomo 1: A ... T

cromossomo 2: G ... C

Se uma long read atravessa as duas posições, ela pode conectar diretamente essas variantes.

Esse processo é chamado de phasing.

Montagem De Novo

Uma das principais aplicações de sequenciamento é reconstruir um genoma.

Quando não utilizamos uma referência como estrutura principal para organizar as reads, falamos em montagem de novo.

Imagine receber milhões de fragmentos de um livro destruído sem possuir uma cópia original.

O objetivo é reconstruir o texto examinando sobreposições e relações entre os fragmentos.

Isso é aproximadamente o que um assembler faz com reads.

Ele procura conexões entre as sequências e tenta construir regiões maiores chamadas contigs.

Em determinados projetos, esses contigs podem posteriormente ser organizados em estruturas maiores.

Long reads são particularmente valiosas porque funcionam como fragmentos muito maiores desse “livro”, reduzindo a ambiguidade causada por regiões repetidas.

Resequenciamento

Em muitos projetos, entretanto, já existe um genoma de referência.

Nesse caso, não precisamos necessariamente reconstruir tudo do zero.

Podemos alinhar as reads contra a referência e procurar diferenças.

Fluxo simplificado:

FASTQ → alinhador → genoma de referência → BAM alinhado → identificação de variantes

Esse tipo de estratégia é muito utilizado para identificar SNPs, pequenas inserções e deleções, ou comparar isolados de uma mesma espécie.

Short reads são extremamente eficientes em muitos desses cenários.

Cobertura E Profundidade

Uma pergunta frequente em sequenciamento é:

“Quantas vezes o genoma foi sequenciado?”

Essa ideia é representada pela profundidade ou cobertura média.

Imagine um genoma bacteriano de 5 megabases.

Se produzirmos aproximadamente 500 megabases de sequência útil, temos teoricamente:

500 Mb / 5 Mb = 100

Portanto, a profundidade média seria aproximadamente:

100×

Isso significa que, em média, cada posição do genoma foi representada por cerca de 100 bases de sequenciamento.

É uma média.

Não significa que todas as posições tenham exatamente 100 leituras.

Cobertura Não É Uniforme

Um genoma sequenciado a 100× pode conter regiões com:

30×,

60×,

100×,

150×,

ou até zero cobertura.

Diversos fatores produzem essa desigualdade.

Algumas regiões podem ser difíceis de amplificar.

Conteúdo GC extremo pode afetar determinadas bibliotecas.

Regiões repetitivas podem dificultar alinhamento.

Contaminantes podem consumir parte do sequenciamento.

Por isso, apenas informar “100×” não descreve completamente a qualidade do experimento.

É necessário avaliar também a distribuição da cobertura.

Throughput

Outro conceito importante é o throughput.

Throughput descreve a quantidade total de dados que um sistema consegue produzir.

Pode ser expresso em megabases, gigabases ou terabases.

Por exemplo, dois equipamentos podem produzir reads do mesmo comprimento, mas um deles gerar um número muito maior de reads por corrida.

Esse equipamento terá maior throughput.

Isso pode ser vantajoso para projetos com muitas amostras.

Entretanto, maior throughput não significa automaticamente melhor tecnologia.

Se precisamos sequenciar apenas algumas amostras pequenas, uma plataforma gigantesca pode ser desnecessária ou economicamente pouco eficiente.

Mais Dados Não Significa Melhor Ciência

Existe uma tendência natural de pensar que produzir mais sequenciamento sempre melhora o experimento.

Isso não é verdade indefinidamente.

Suponha que determinada análise bacteriana atinja excelente desempenho a 100× de cobertura.

Aumentar para 1.000× pode multiplicar o volume de dados e o custo sem produzir uma melhoria proporcional.

O desenho ideal busca uma quantidade de informação suficiente para responder à pergunta.

Sequenciamento excessivo pode representar desperdício de capacidade computacional, armazenamento e orçamento.

Por isso, planejamento experimental é tão importante quanto análise bioinformática.

Rna-Seq

Sequenciamento não se limita ao DNA.

RNA pode ser utilizado para estudar quais genes estão sendo expressos em determinada condição.

Em muitos protocolos tradicionais de RNA-seq, o RNA é convertido em DNA complementar, ou cDNA.

Fluxo simplificado:

RNA → cDNA → biblioteca → sequenciamento

Depois, as reads podem ser utilizadas para estudar expressão gênica, splicing, isoformas e outras características do transcriptoma.

Short reads são amplamente utilizadas em RNA-seq quantitativo porque permitem analisar muitas moléculas e amostras.

Long reads, por outro lado, podem ajudar a observar transcritos completos, facilitando a identificação de isoformas.

Metagenômica

Em metagenômica, o objetivo não é necessariamente sequenciar um único organismo isolado.

Podemos extrair DNA diretamente de uma comunidade.

Imagine uma amostra de solo.

Ela pode conter DNA de milhares de organismos diferentes.

O FASTQ resultante será uma mistura de reads provenientes de diferentes espécies.

A bioinformática precisa então separar ou classificar essa complexidade.

Podemos buscar:

composição taxonômica, genes, vias metabólicas, resistência antimicrobiana, genomas reconstruídos e outros elementos.

Nesse cenário, a diversidade biológica aumenta significativamente a complexidade da análise.

Amplicon Sequencing

Nem sempre precisamos sequenciar todo o DNA disponível.

Podemos amplificar uma região específica antes do sequenciamento.

Por exemplo, estudos de microbioma frequentemente utilizam regiões do gene 16S rRNA para estudar bactérias.

Estudos de fungos podem utilizar regiões ITS.

Outros projetos podem amplificar genes específicos.

Nesse caso, o sequenciamento está concentrado em um alvo pré-definido.

Isso reduz o universo de sequências que serão analisadas, mas também limita a informação disponível àquela região.

Whole-Genome Sequencing

No sequenciamento de genoma completo, ou WGS, buscamos representar amplamente o DNA do organismo.

Em bactérias, WGS pode permitir:

identificação taxonômica, estudo de resistência antimicrobiana, detecção de genes de virulência, comparação de isolados, filogenômica, vigilância epidemiológica e montagem de genomas.

Nesse contexto, a escolha entre short reads, long reads ou uma abordagem híbrida dependerá do objetivo.

Se a prioridade é comparar SNPs entre centenas de isolados utilizando uma boa referência, short reads podem ser excelentes.

Se a prioridade é reconstruir cromossomos e plasmídeos completos, long reads podem oferecer uma vantagem importante.

Sequenciamento Híbrido

Não existe obrigação de escolher apenas uma tecnologia.

Muitos projetos utilizam sequenciamento híbrido.

Uma estratégia híbrida pode combinar short reads e long reads.

As long reads oferecem continuidade estrutural.

As short reads oferecem grande profundidade e alta precisão em determinadas aplicações.

Historicamente, era comum utilizar long reads para construir a estrutura da montagem e short reads para corrigir determinados erros.

Com o aumento da precisão das long reads modernas, essa necessidade varia conforme a plataforma e o projeto, mas abordagens híbridas continuam sendo extremamente importantes.

Como Escolher Uma Tecnologia?

A primeira pergunta não deveria ser:

“Qual sequenciador é melhor?”

A pergunta correta é:

“Qual é o problema biológico que quero resolver?”

Se queremos confirmar uma pequena região amplificada por PCR, Sanger pode ser suficiente.

Se queremos analisar expressão gênica em centenas de amostras, uma plataforma de short reads de alto throughput pode ser mais adequada.

Se queremos montar um genoma complexo com muitas repetições, long reads podem oferecer grande vantagem.

Se queremos caracterizar isoformas completas, novamente long reads podem ser particularmente informativas.

Portanto, não existe uma tecnologia universalmente superior.

Existe uma tecnologia mais adequada para determinada pergunta, amostra, orçamento e desenho experimental.

Custo Por Base Versus Custo Do Projeto

Também é importante distinguir custo por base de custo total.

Uma plataforma pode oferecer baixíssimo custo por base, mas exigir uma corrida muito grande.

Se o projeto possui poucas amostras, utilizar toda essa capacidade pode ser ineficiente.

Outra tecnologia pode possuir custo por base maior, mas permitir corridas menores e mais flexíveis.

Portanto, planejamento deve considerar:

quantidade de amostras, profundidade necessária, tamanho do genoma, tamanho das reads, custo de biblioteca, custo de corrida, armazenamento e análise computacional.

A escolha do sequenciamento é parte do desenho experimental.

O Que Acontece Quando O Fastq Chega?

Para o bioinformata, o FASTQ muitas vezes representa o início operacional da análise.

Mas agora sabemos que ele é resultado de todo um processo anterior.

A primeira etapa costuma ser realizar controle de qualidade.

Ferramentas como FastQC podem analisar diferentes propriedades dos dados.

Por exemplo:

qualidade por posição,

distribuição dos Q-scores,

conteúdo de bases,

conteúdo GC,

presença de adaptadores,

duplicação,

comprimento das reads,

sequências super-representadas.

Cada um desses gráficos conta uma história sobre o que aconteceu antes.

Qualidade Ao Longo Da Read

Em determinadas tecnologias, a qualidade pode variar ao longo da leitura.

Por exemplo, em algumas corridas Illumina, bases próximas ao final da read podem apresentar qualidade média menor do que bases iniciais.

Isso pode acontecer porque erros e incertezas se acumulam ao longo dos ciclos.

Quando FastQC mostra queda de qualidade em determinadas posições, ele não está “criando” o problema.

Ele está revelando uma característica das reads produzidas pelo sequenciador.

Essa informação pode orientar decisões posteriores.

Trimming

Trimming significa remover partes indesejadas das reads.

Isso pode incluir adaptadores ou extremidades de baixa qualidade.

Imagine:

ADAPTADOR-ACGTTGCATCGATCG

Depois do trimming:

ACGTTGCATCGATCG

Também podemos remover bases de baixa qualidade no final da read.

No entanto, trimming não deve ser utilizado automaticamente sem avaliação.

Remover bases desnecessariamente também significa perder informação.

A decisão deve considerar a plataforma, o pipeline e o objetivo experimental.

Filtragem

Filtragem não é exatamente a mesma coisa que trimming.

No trimming, removemos partes de uma read.

Na filtragem, podemos eliminar a read inteira caso ela não atenda a determinados critérios.

Por exemplo, uma read pode ser removida se:

possuir qualidade muito baixa,

ficar extremamente curta após trimming,

conter excesso de bases N,

ou apresentar outras características consideradas inadequadas.

Programas como fastp conseguem realizar trimming e filtragem em um mesmo fluxo.

Por Que O Controle De Qualidade Vem Antes Da Análise?

Imagine realizar uma montagem de genoma sem verificar se metade das reads contém adaptadores.

Ou tentar identificar variantes em dados com qualidade extremamente baixa.

O pipeline ainda poderá produzir resultados, mas esses resultados podem ser prejudicados.

Por isso, controle de qualidade não é uma formalidade.

Ele serve para entender a matéria-prima da análise.

Antes de perguntar “qual programa devo usar?”, precisamos saber “que tipo de dado eu realmente tenho?”.

Do Fastq Ao Alinhamento

Em um projeto baseado em referência, as reads podem ser alinhadas a um genoma conhecido.

Um fluxo típico poderia ser:

FASTQ → controle de qualidade → pré-processamento → alinhamento → BAM → análise de variantes

Programas como BWA e minimap2 podem realizar alinhamento, dependendo da tecnologia e do objetivo.

O resultado descreve onde cada read provavelmente se encaixa na referência.

Depois disso, podemos estudar cobertura, variantes e outras propriedades.

Do Fastq À Montagem

Se o objetivo for montar um genoma, o fluxo pode ser diferente.

FASTQ → controle de qualidade → assembler → contigs → avaliação da montagem

Ferramentas diferentes são utilizadas conforme a natureza dos dados.

Assemblers de short reads e long reads utilizam algoritmos diferentes porque as propriedades dos dados são diferentes.

Essa é uma razão importante para compreender a tecnologia antes de escolher o software.

Principais Formatos Que Você Encontrará

Durante projetos de sequenciamento, diferentes arquivos podem aparecer.

FASTA representa sequências sem qualidade por base.

FASTQ representa sequência mais qualidade.

BCL é utilizado em fluxos Illumina próximos às chamadas de bases.

POD5 é utilizado em fluxos Oxford Nanopore para sinais brutos.

SAM é um formato textual muito utilizado para registros de sequência e alinhamento.

BAM é uma representação binária do SAM.

CRAM é outro formato utilizado para armazenamento comprimido de dados de sequenciamento e alinhamento.

VCF, que você encontrará em módulos futuros, é utilizado para representar variantes.

O mais importante não é memorizar extensões isoladamente.

É compreender em que etapa do pipeline o arquivo aparece e qual informação ele preserva.

O Fluxo Completo

Agora podemos reconstruir todo o caminho.

Começamos com uma amostra biológica.

Dela extraímos DNA ou RNA.

O material passa por controle de quantidade, pureza e integridade.

Depois é transformado em uma biblioteca compatível com a plataforma.

Adaptadores e, quando necessário, índices ou barcodes são adicionados.

A biblioteca entra no sequenciador.

O equipamento detecta fenômenos físicos ou químicos.

Esses sinais são processados pelo software.

O basecaller determina a sequência mais provável.

Uma medida de qualidade é associada às bases.

Quando várias amostras foram combinadas, ocorre demultiplexação.

As reads são organizadas em arquivos.

O bioinformata recebe FASTQ, BAM ou outro formato apropriado.

Depois começam o controle de qualidade e o pipeline analítico.

Portanto:

amostra

extração

controle de qualidade

biblioteca

adaptadores e índices

sequenciamento

sinal

base calling

reads

qualidades

demultiplexação

FASTQ/BAM

controle de qualidade bioinformático

análise

interpretação biológica

O Que Você Deve Ter Entendido

Neste ponto, você já deve conseguir olhar para um arquivo sample_R1.fastq.gz e compreender que ele representa muito mais do que “um arquivo de DNA”.

Ele é o resultado digital de uma cadeia experimental.

Cada read começou como uma molécula.

Essa molécula foi preparada em uma biblioteca.

O equipamento detectou um sinal.

Um algoritmo transformou esse sinal em bases.

Essas bases receberam estimativas de qualidade.

As reads foram atribuídas a uma amostra através de índices.

O resultado foi armazenado em um formato padronizado.

Essa compreensão é a base para interpretar corretamente tudo o que veremos nos próximos módulos.