Minicurso de Bioinformática aplicada à área da saúde. ERBASE 2019 - XIX Escola Regional de Computação Bahia - Alagoas - Sergipe https://erbase2019.tecnojr.com.br

1. Bioinformática
Aplicada
à área da Saúde
Renato Puga

2. DLE - NTO SP
Hospital Israelita Albert Einstein
AC Camargo Cancer Center
MBA Blockchain Dev - FIAP
Mestre em Ciências Biológicas - USP
Analista de Sistemas - UNAERP
Google Acadêmico
goo.gl/r5ko8T
Linkedin
linkedin.com/in/renato-puga-24885524/
renatopuga@gmail.com
Short Bio

3. NGS & Bioinfo Núcleo de Bioinformática Desafios

7. Sequenciamento de DNA - Tecnologia
Sobre..
7
1G

8. Bioinformática 1.0 - command line
8
Terminal
1981: Smith–Waterman156
1982: GenBank (https://www.ncbi.nlm.nih.gov/genbank/statistics/)
1990: BLAST16
1995: TIGR assembler24
1996: RepeatMasker
1997: GENSCAN157
1998: phred, phrap, consed22
2000: Celera assembler25
2001: Bioconductor
2001: EULER74
2002: BLAT158
2002: UCSC Genome Browser159
2002: Ensembl160
2005: Galaxy161
2007: NCBI Short Read Archive
2008: ALLPATHS162
2008: Velvet75
2009: Bowtie83
2009: BWA82
2009: SAMtools84
2009: BreakDancer163
2009: Pindel164
2009: TopHat115
2010: SOAPdenovo165
2010: GATK85
2010: Cufflinks116
2011: Integrated Genomics Viewer166
2013: HGAP/Quiver167
2017: Canu81

9. Sequenciamento de DNA - Tecnologia
Sobre..
9
2G

10. Bioinformática 2.0 - slick, all-in-one, desktop apps
10
all-in-one
• Next Generation Sequencing,
• Microarray & qPCR Data Analysis Software
• Resequencing and Variant Analysis
• Metagenomics
• Epigenomics
• De novo assembly
• CGH

11. Bioinformática 3.0 - targeted analysis pipelines and tools powered by the cloud
11

12. 1994 / 1996
Poder 1999
1990-2001
em 2015 (10 dias)
Desde 2015
Começo oficial do Projeto Genoma
Humano
Rotina NGS em
Clinicas de Diagnóstico
maior parte dos genoma esta
mapeado / "Bermuda
Principles”.
Sequenciamento de DNA em
larga-escala
$1 bilhão
$ 10 mil
1990
FUTURE 2028
Projeto Genoma Humano
anos dourados da bioinformática
http://www.yourgenome.org/facts/
timeline-the-human-genome-project

13. Era dos Milhões de Genomas
13
Participantes Escala
1.000 Grande
10.000 Mega
100.000 Ultra
1.000.000 Jedi

14. 1.000.000
100.000
10.000
10.000.000
1.000
100
10
2006
2008
2010
2012
2014
2016
2018
NúmerodeParticipantes
Alguns Projetos de Genômas
AstraZeneca
Genome Asia 100k
Million Veteran Program
PMI Cohort
100k Genomes UK
The Cancer Genome Atlas (TCGA)
1k Genomes Project ABraOM - Brazilian genomic variants
2020

15. 15
Whole Exome Sequencing (WES)
Next Generation Sequencing

16. O que é Whole Exome Sequence (WES)?
Nature 1978
16
https://www.nature.com/nature/journal/v271/n5645/abs/271501a0.html
Exon —> EXpressed regiON
Intron —> INTRagenic regiON
The human genome consists of 3 billion
nucleotides or “letters” of DNA. But only a small
percentage — 1.5 percent — of those letters are
actually translated into proteins, the functional
players in the body. The “exome” consists of all
the genome’s exons, which are the coding
portions of genes.
By Leah Eisenstadt
https://www.broadinstitute.org/blog/what-exome-sequencing

17. Exoma (WES)
https://share.ambrygen.com/bundles/agdat/frontend/img/exome/1.jpg

18. Comparação de tipos Sequenciamento
WGS / WES / Panel
Whole Genome
Sequence
(WGS)
Whole Exome
Sequence
(WES)
Painel
1% do
WGS

19. Tipos de Dados
Next Generation Sequences (NGS)
19
FASTQ BAM VCFBED
FASTA + Quality
arquivo texto com
sequências de
nucleotídeos e
qualidade por base.
Binary Alignment Map
arquivo binário de
sequências alinhadas
em uma referência.
Variant Allele Frequency
arquivo texto com as
variantes encontradas em
relação a referência.
Browser Extensible Data
arquivo texto com regiões
genéticas alvos de
interesse

20. FASTQ
FASTA + Quality
arquivo texto com
sequências de
nucleotídeos e
qualidade por base.

21. Tipos de Dados: FASTQ
Next Generation Sequences (NGS)
21

22. Tipos de Dados: FASTQ - Phred Score
Next Generation Sequences (NGS)
22
Phred
Score
Pares de bases (pb)

23. Tipos de Dados: Phred Score
Next Generation Sequences (NGS)
23
http://www.illumina.com/documents/products/technotes/technote_Q-Scores.pdf

24. BAM
Binary Alignment Map
arquivo binário de
sequências alinhadas
em uma referência.

26. !26

27. • DNA AZUL
• RNA VERMELHO
• miRNA VERDE
• bisulfite ROXO
Timeline: Mapeadores
https://www.ebi.ac.uk/~nf/hts_mappers/#timeline

28. Tipos de Dados: FASTQ (in) BAM (out)
Next Generation Sequences (NGS)
28
https://software.broadinstitute.org/gatk/events/slides/1503/GATKwh6-BP-0A-Intro_to_HTS.pdf
FASTQ
(dados brutos)
BAM
(alinhados)
Referência
(genoma)

29. Tipos de Dados: Binary Alignment Map (BAM)
Next Generation Sequences (NGS)
29
https://software.broadinstitute.org/gatk/events/slides/1503/GATKwh6-BP-0A-Intro_to_HTS.pdf

30. BAM: Cobertura (WES)
Visualização pelo programa IGV Broad Institute
30
https://www.abmgood.com/Enzymes/images/Exome-IGV.png

31. BED
Browser Extensible Data
arquivo texto com regiões
genéticas alvos de interesse

32. Tipos de Dados: Browser Extensible Data (BED)
Next Generation Sequences (NGS)
32
chr11 5246919 5246920 Hb_North_York 2619 Hemoglobin variant
chr11 5255660 5255661 HBD c.1 G>A 2659 delta0 thalassemia
chr11 5247945 5247946 Hb Sheffield 2672 Hemoglobin variant
chr11 5255415 5255416 Hb A2-Lyon 2676 Hemoglobin variant
chr11 5248234 5248235 Hb Aix-les-Bains 2677 Hemoglobin variant
https://genome.ucsc.edu/FAQ/FAQformat.html#format1.7
Chr Start End

33. VCF
Variant Call Format
arquivo texto com as
variantes encontradas
em relação a
referência.

34. Tipos de Dados: Variant Call Format (VCF)
Next Generation Sequences (NGS)
34
https://bioinf.comav.upv.es/courses/sequence_analysis/_images/vcf_format.png

35. Tempo de
Processamento

36. Tempo de Sequenciamento
NextSeq 500
36
FASTQ BAM VCF
2-3d 2-3h 1h
3-4d 3-5h 2h
7-10d 8-12h 5h
Painel (>500X)
WES (50X)
WGS (30x)

37. Ferramentas de
Bioinformática
play tools

39. http://www.htslib.org/

40. Genome Analysis Toolkit GATK4
Variant Discovery in High-Throughput Sequencing Data
40
https://gatkforums.broadinstitute.org/gatk/discussion/9644/unboxing-gatk4

41. Genome Analysis Toolkit GATK
Variant Discovery in High-Throughput Sequencing Data
41
https://software.broadinstitute.org/gatk/

42. Chamada de Variantes (WES)
Target sequence (exome)
42
https://software.broadinstitute.org/gatk/events/slides/1503/GATKwh6-BP-0A-Intro_to_HTS.pdf

43. Banco de Dados Públicos (Anotação)
Dados de Referência
43
ExAC65k
ClinVar

44. Variant Effect Predictor VEP
Anotação
44
http://www.ensembl.org/info/docs/tools/vep/index.html

45. Variant Effect Predictor VEP
Anotação por regiões
45

46. Banco de Dados Públicos
Dados de Referência
46
• 1000 Genomes Project (2015 Agosto)
• Allele frequency data in 1000 Genomes Project (AFR (African), AMR (Admixed American), EAS
(East Asian), EUR (European), SAS (South Asian))
• http://www.1000genomes.org/
• dbSNP
• Minor Allele Frequency (MAF)
• http://www.ncbi.nlm.nih.gov/SNP/
• O ESP é um projecto financiado pelo NHLBI exome
• 6500 amostras
• http://evs.gs.washington.edu/EVS/

47. Banco de Dados Públicos (ExAC)
Dados de Referência
47
• ExAC 65000 Exome Allele Frequency
• AFR (African)
• AMR (Admixed American)
• EAS (East Asian)
• FIN (Finnish)
• NFE (Non-finnish European)
• OTH (other)
• SAS (South Asian)
http://exac.broadinstitute.org/

48. Banco de Dados Públicos (ABraOM)
Dados de Referência
48
http://abraom.ib.usp.br/

49. Banco de Dados Públicos (ClinVar)
Dados de Referência
49
• CLINVAR: variantes com associação clínica:
• unknown
• untested
• non-pathogenic
• probable-non-pathogenic
• probable-pathogenic
• pathogenic
• drug-response
• histocompatibility
• other e com nome das doenças
https://www.ncbi.nlm.nih.gov/clinvar/

50. Banco de Dados Públicos (COSMIC)
Dados de Referência
50
• COSMIC: Catalogue of Somatic Mutations in Cancer
• http://cancer.sanger.ac.uk/cosmic

51. http://www.sanger.ac.uk/sites/default/files/Jan2016/noncodingdrivers.jpg
Priorização de drivers de câncer
não codificadores com base em
padrões de seleção.
(1)Filtrar variantes somáticas para excluir
1000 genomas de polimorfismos;
(2) Reter variantes com anotações não
codificantes;
(3) Reter variantes em regiões "sensíveis";
(4) Priorizam variantes que interrompam
factores de transcrição;
(5) Residam perto do centro de uma rede
biológica;
(6) Priorizam os blocos de anotação
mutados em múltiplas amostras de câncer

52. FASTQ BAM VCFBED
FASTA + Quality
arquivo texto com
sequências de
nucleotídeos e
qualidade por base.
Binary Alignment Map
arquivo binário de
sequências alinhadas
em uma referência.
Variant Allele Frequency
arquivo texto com as
variantes encontradas em
relação a referência.
Browser Extensible Data
arquivo texto com regiões
genéticas alvos de
interesse
https://usegalaxyp.org/

53. Novos Desafios
“Competitividade"

54. https://varstation.com/#how-it-works

55. http://www.dnae.com/
semiconductor microchips to analyze DNA

56. http://edicogenome.com/dragen-bioit-platform/
1K
Pediatric Genomes
processados em:
2h25m

57. Capacidade de armazenar 215 petabytes (215 milhões gigabytes)
em um única grama de DNA
http://www.sciencemag.org/news/2017/03/dna-could-store-all-worlds-data-one-room
https://www.nature.com/news/how-dna-could-store-all-the-world-s-data-1.20496

58. Ultra-deep sequencing (AML)
Optimizing Cancer Genome Sequencing and Analysis
58
(Standard) Model of clonal architecture and tumor evolution,
inferred from the original 30x sequencing data.
(Optimized) Ultra-deep sequencing and validation, revealing
additional subclonal complexity.
http://www.cell.com/cell-systems/abstract/S2405-4712(15)00113-1

61. Demanda
SP

62. Obrigado