Cursos de Formación de la UCTS (2011) Tecnologías de alto rendimiento en genómica

Transcripción

1 Cursos de Formación de la UCTS (2011) Plataforma de Genómica / Plataforma de Diagnóstico Molecular Tecnologías de alto rendimiento en genómica 2ª Parte: Tecnologías de ultrasecuenciación y de enriquecimiento de secuencia.

2 Programa del curso De Sanger hacia NGS 454 de Roche Desarrollo de la tecnología Cómo funciona Aplicaciones Comparación con otros Sistemas NGS Sistema Nimblegen Cómo funciona Formatos Aplicaciones Análisis de datos de alta densidad (UEB)

3 Cualquier DNA puede ser secuenciado

4 Nature Reviews Genetics 9, , 2008 Genomas Secuenciados

5 Cronología de la Secuenciación 1953 Francis Crick and James Watson describen el modelo de la doble hélice del DNA Método secuenciación Wandering spot, Maxam y Gilbert 1975 Método secuenciación plus and minus, Sanger y Coulson 1ª GENERACIÓN 1996 Pal Nyrén & Mostafa Ronagh i publican método de la pirosecuenciación en el Royal Institute of Technology (Stockholm) Se publica la primera versión del genoma humano. Science 291 (5507): ; Nature 409 (6822): Proyecto Genoma Humano (13 años). U.S. Department of Energy and the NIH 1ª GENERACIÓN DNA sequencing by chemical degradation by Maxam y Gilbert. 2. Chain-terminator method by Sanger et al. Método usado durante los proximos 30 años phi X 174 Primer genoma de DNA completo secuenciado 11 genes en 5386 bases (cadena sencilla) Applied Biosystems comercializa el primer secuenciador automático, El modelo ABI 370. NGS:2ª GENERACIÓN Life Science comercializa el 1er ultrasecuenciador GS20 (20Mpb) 2006 Lanzamiento de SOLEXA (Illumina) Genoma de Venter mediante sec. Sanger automática (4 años) Lanzamiento de GS FLX de Roche (100Mbp) SOLID de Applied Biosystem Serie de reactivos Titanium de Roche (500Mbp). Genoma Watson mediante 454/ROCHE Nature 452, (17 April 2008) El Instituto Naiconal de Salud (NIH) empieza secuenciación a gran escala de diversos microorganismos, ej. E.coli NGS:3ª GENERACIÓN Genomes Project Método de secuenciaciación SingleMolecularRealTime

6 1ª Generación Secuenciación Método Sanger Fragmentación de DNA Clonaje en Vectores; Transformación Bacterias; crecimiento y aislamiento vector DNA Ciclo Secuenciación Sanger sequencing: - Long reads ( bp) - Low throughput (192 reactions/run) Secuencia: 3 GACTAGATACGACGAGCGTGA 5 Primer: 5 CTGAT Electroforesis ( 1 Secuencia/Capilar) CTATGCTCG Polimerasa dntps ddntps marcados

7 2ª Generación Secuenciación Los Instrumentos de secuenciación de 2ª generación pueden generar tantos datos en un día como los generados por varios cientos de secuenciadores con capilares tipo Sanger, obtenidos por una sola persona.

8 Sanger vs 2ª Generación Secuenciación Fragmentación de DNA Fragmentación de DNA Clonaje en Vectores; Transformación Bacterias; crecimiento y aislamiento vector DNA Ligación de adaptadores in vitro y amplificación clonal Ciclo Secuenciación Secuenciación masiva en paralelo Secuencia: Primer: Polimerasa dntps ddntps marcados Electroforesis ( 1 Secuencia/Capilar) CTATGCTCG Procesamiento imagen

9 2ª Generación Secuenciación ROCHE GS FLX 454 GS FLX+ 454 GS Junior 454 illumina Solexa Life Technology SOLiD 3System SOLiD 4 System 5500 System 5500xl System Ion Torrent System

10 Servicio Ultrasecuenciación UCTS GS 454 de ROCHE GS FLX GS Junior

11 Cúantas muestras se pueden secuenciar por run? 1ª Generación 3100 ABI Metal coated PTP reduces crosstalk 29 µm well diameter (20/bead) 3,400,000 wells per PTP 2ª Generación GS ROCHE 96p-Plates 384p-Plates PicoTiterPlate_FLX 70x70mm PicoTiterPlate_Junior

12 GS FLX/Junior 454 Troughput PTP Gaskets 35 -Tamaño de lo que quiero secuenciar -Coverage -Multiplexar (MIDS) N= (GxC)/Mbp por región PTP Donde: N= num de muestras que puedo secuenciar en un run G= tamaño de lo que quiero secuenciar C=Coverage (C= N * L / G)

13 GS FLX/Junior 454 Workflow gdna, Amplicones, cdna 1.Calidad & Cantidad Material de partida 2. Construcción Librería 3. Amplificación mediante empcr 4. Secuenciación Datos Obtenidos

14 1. Calidad & Cantidad Material de partida 1.1 Calidad mediante Chips Bioanalyzer; gel agarosa gdna, RNA 1.2 Cuantificación mediante Picogreen (gdna) o Ribogreen (RNA) y = 34,577x - 61,596 R 2 = 0,9994 Fluorescence Lam bda DNA (ng/m L) Fluorímetro FLx800

15 GS FLX/Junior 454 Workflow gdna, Amplicones, RNA 1.Calidad & Cantidad Material de partida 2. Construcción Librería 3. Amplificación mediante empcr 4. Secuenciación Datos Obtenidos

16 2. Construcción Librería Fragmentación Selección Tamaño Ligación Adaptadores Librería Shotgun Librería Pair-End Librería cdna gdna, RNA PCR con Fusion Primers Librería Amplicones Adaptador A (44 bases): Adaptador B (44 bases) Fusion Primers Primer Amplificación Primer 4 nucleótidos Secuenciación Key Biotina Primer Amplificación Primer 4 nucleótidos Secuenciación Key Adaptador A Target Adaptador B Target

17 2. Construcción Librería: Fragmentación gdna Librerías Shotgun NEBULIZACIÓN Rotura utilizando nitrógeno a alta presión DNA genómico Fragmentos de DNA de doble cadena 2.1 bar (30psi) Librerías Pair-End HYDROSHEAR gdna Fuerzas de rotura hidrodinámicas Orificio gdna fragmentado

18 2. Construcción Librería: Fragmentación RNA Librerías cdna RNA Random Primers First Strand Synthesis Solución de Fragmentación de RNA Second Strand Synthesis Fragmentos de cdna de doble cadena

19 2. Construcción Librería: Selección fragmentos gdna Nebulizado: DNA 7500 Lab Chip AMPure beads SPRI (Solid Phase Reversible Immobilization) DNA 7500 LabChip 50pb-1000pb 300pb-1000pb gdna fragmentado con Hydroshear: RNA Pico 6000 LabChip Electroelución 500pb-600 nt Tamaño medio de nt (dep. del contenido en GC) Menos del 10% 300 nt, no adaptor dimers Conc >0.2 ng/µl (Ribogreen )

20 2. Construcción Librería Inmobilización Fragmentos y aislamiento de la Librería: AB AB Melt Solution BB AA 4 tipos de productos resultan de la ligación Los productos con Biotina (AB, BA, BB) se unen a bolas magnéticas que llevan estreptavidina. Los products AA son lavados y eliminados. Mediante Melt Solution (NaOH0.1N) las cadenas no biotiniladas de cada fragmento de dsdna son aisladas. Ambas cadenas de los fragmentos BB quedarán unidas a las bolas. Sólo se aislan cadenas de DNA sencilla AB constituyendo la librería.

21 2. Construcción Librería: Q&Q Librería Molecules/µl = - Num de Avogadro es 6.022x1023 (moléculas/mole) x10 9 (gramos/mole) es peso molecular medio de nts. -Perfil típico de una librería ssdna (Agilent 2100 RNA Pico 6000 LabChip): Tamaño medio de bp -Cuantificación mediante Ribogreen -Dilución de trabajo para empcr

22 GS FLX/Junior 454 Workflow gdna, Amplicones, cdna 1.Calidad & Cantidad Material de partida 2. Construcción Librería 3. Amplificación mediante empcr 4. Secuenciación Datos Obtenidos

23 3. Amplificación mediante empcr Antes de la empcr: high-speed shaker -1 starting effective fragment per microreactor - ~10 6 microreactors per ml - All processed in parallel (Amplificación clonal)

24 3. Amplificación mediante empcr Después de la PCR: Rotura y Recuperación Contaje 65%, 85% óptimo % Recuperación= DNA-beads/ml Input beads x100 Enrequecimiento de beads con DNA: Melt 5-20% óptimo dsdna Unión de Primer marcado con Biotina a bolas de captura con ssdna Adición de bolas magnéticas con estreptavidina Melt % Enrequecimiento= DNA-beads/ml Input beads x100

25 empcr Titulación sólo para GS FLX Antes de la empcr: Cuántas copias de librería por Beads de captura son óptimas? 1. Procesar 4 tubos emulsiones Tubo Moléculas de Librería por Bead de Captura (cpb) Vol Librería Diluida µl µl µl µl 2. Recuperación y enrequecimiento de cada tubo 3. Contaje de las beads enriquecidas 4. Escoger el ratio copia/bead con aproximadamente un 8% de enrequecimiento

26 GS FLX/Junior 454 Workflow gdna, Amplicones, cdna 1.Calidad & Cantidad Material de partida 2. Construcción Librería 3. Amplificación mediante empcr 4. Secuenciación Datos Obtenidos

27 4. Secuenciación Metal coated PTP reduces crosstalk 29 µm well diameter (20/bead) 3,400,000 wells per PTP Gaskets

28 4. Secuenciación Secuenciación mediante síntesis Química basada en la pirosecuenciación Sulfurylase Luciferase Luciferina Polimerasa añade nucleótidos (datp) Se libera pirofosfato (PPi) Sulfurilasa crea ATP a partir del PPi Luciferasa hidroliza ATP y usa luciferina para producir luz. Light + oxyluciferin

29 4. Secuenciación Flujo de Reactivos Nucleotides are flowed sequentially across the PTPone at a time (200 cycles à4 bases) Pyrophosphate signal generation upon complimentary nucleotide incorporation dark otherwise The CCDcamera is generating a image after every flow The signal strength is proportional to the number of nucleotides incorporated

30 Flowgama y Base calling: 4. Secuenciación

31 4. Secuenciación:Ejemplo

32 MULTIPLEXACIÓN DE MUESTRAS MIDS: -Los MIDs son secuencias cortas que se añaden a los fragmentos a secuenciar durante la generación de librería y permiten identificar cada muestra de manera individual. Primer Amplificación Primer 4 nucleótidos Secuenciación Key Biotina Primer Amplificación Primer 4 nucleótidos Secuenciación Key Adaptador A Target MIDS Adaptador B Target MIDS MIDS MIDS -Permite aumentar el número de muestras por PTP: -separación física: gaskets pérdida física de espacio en la placa -separación por código de barras -Utilizando las dos posibilidades anteriores, aumenta el número de muestras a secuenciar por placa: -Kit comercial de 12 MIDs (diseñados por Roche) 12 muestras/reg. -División de la PTP en 16 reg. con gaskets TOTAL: 12 MIDs/reg. * 16 reg. = 192 muestras por PTP (máx) (INCLUSO MÁS)

33 Multiplexado de Muestras Multiplexado de amplicones MID2-Amplicón 2 MID4-Amplicón 4 MID1-Amplicón 1 MID3-Amplicón 3 MID5-Amplicón 5 MID6-Amplicón 6 Amplicón 11 Amplicón 7 Amplicón 8 Amplicón 9 Amplicón 10 Amplicón 12

34 SISTEMA GS FLX 454-APLICACIONES -Secuenciación de DNA a partir de muestras de especies extinguidas (shot-gun, paired-end) -Estudios de epigenética: amplicones -ChIP y secuenciación de los fragmentos de DNA presentes en los IPs -Metilación: conversión con bisulfito, amplificación de las regiones conteniendo islas CpG y secuenciación. -Ensamblaje de genomas eucariotas y procariotas completos, tanto de novo como resecuenciación (shot-gun +paired-end) -SAGE (Serial Analysis of Gene Expression Ditags): análisis cuantitativo y cualitativo del transcriptoma (shot-gun) -Caracterización y cuantificación de poblaciones virales a través de la secuenciación de genes diana (ej: transcriptasa reversa en VIH). Detección de quasiespecies (amplicones). -Metagenómica: estudio del contenido genómico en una mezcla compleja de microorganismos (microbiota, muestras medioambientales). Determinación tanto cuantitativa como cualitativa (shot-gun, retrotranscripción de RNA total o de mrna, amplicones de 16S rrna)

35 SISTEMA GS FLX 454-APLICACIONES -Secuenciación de genomas de pequeño tamaño (virales, mitocondriales) o de plásmidos (shot-gun) -Secuenciación de RNAs de pequeño tamaño (micrornas, sirnas): generación del cdna de doble cadena como material de partida (shot-gun) -Detección de SNPs, InDels, CNV (shot-gun) -Análisis del transcriptoma (partiendo de RNA total o mrna), cuantitativo o cualitativo (comparación de niveles de expresión) (retrotranscripción y shot-gun) -Enriquecimiento de regiones del genoma/captura del exoma utilizando arrays de captura de Nimblegen. Secuenciación de las regiones capturadas (shot-gun). En función de la aplicación, puede ser necesario completar los datos de 454 utilizando otras tecnologías, p.ej. Resolución de homopolímeros utilizando Sanger o lecturas cortas de Illumina. En general, se recomienda validar siempre los resultados utilizando otro tipo de aproximaciones: arrays, secuenciación Sanger, PCR a tiempo real, otras tecnologías de ultrasecuenciación...

36 Especificaciones Sistemas GS FLX & GS Junior

37 El futuro de la secuenciación 454

38 Programa del curso De Sanger hacia NGS 454 de Roche Desarrollo de la tecnología Cómo funciona Aplicaciones Comparación con otros Sistemas NGS Sistema Nimblegen Cómo funciona Formatos Aplicaciones Análisis de datos de alta densidad (UEB)ç

39 Comparación Plataformas secuenciación GS FLX 454 Chemistry based on pirosequencing Sample amplified by emulsion PCR Read length bp >1 million reads per run Mb of sequence ~10 hours run HiSeq 2000-Illumina Chemistry based on reversible terminators Sample amplified by solidphase amplification Read length 2x100 bp 3 billions reads per run 600 Gb of sequence 2-11 days run ABI SOLID 5500xl Chemistry based on sequencing by ligation Sample amplified by emulsion PCR Read length bp million reads per run Gb of sequence 4-8 days run

40 Comparación Plataformas secuenciación

41 Comparación Plataformas secuenciación

42 Comparación Plataformas secuenciación

43 Ejemplos de Genomas humanos secuenciados Nature Reviews Genetics 11, (January 2010)

44 Comparación Plataformas secuenciación 1ª Generación 2ª Generación

45 3ª Generación Secuenciación SCIENCE Vol JANUARY 2009 Real-Time DNA Sequencing from Single Polymerase Molecules John Eid, * Adrian Fehr, * Jeremy Gray, * Khai Luong, * John Lyle, * Geoff Otto, * Paul Peluso, * David Rank, * Primo Baybayan, Brad Bettman, Arkadiusz Bibillo, Keith Bjornson, Bidhan Chaudhuri, Frederick Christians, Ronald Cicero, Sonya Clark, Ravindra Dalal,, Alex dewinter, John Dixon, Mathieu Foquet, Alfred Gaertner, Paul Hardenbol, Cheryl Heiner, Kevin Hester,, David Holden, Gregory Kearns, Xiangxu Kong, Ronald Kuse, Yves Lacroix, Steven Lin, Paul Lundquist, Congcong Ma, Patrick Marks,, Mark Maxham,, Devon Murphy, Insil Park, Thang Pham,, Michael Phillips, Joy Roy,, Robert Sebra, Gene Shen, Jon Sorenson, Austin Tomaney, Kevin Travers,, Mark Trulson, John Vieceli, Jeffrey Wegener, Dawn Wu,, Alicia Yang, Denis Zaccarin,, Peter Zhao, Frank Zhong, Jonas Korlach, Stephen Turner. Press Release Pacific Biosciences Announces Early Access Customers for Its Single Molecule Real Time System Eleven Leading Companies Support Launch of Third-generation DNA Sequencing MENLO PARK, Calif., Feb 23, 2010 Pacific Biosciences, a private company developing a disruptive technology platform for real-time detection of biological events at single molecule resolution, today announced the 10 institutions that have purchased its Single Molecule Real Time (SMRT(TM)) DNA sequencing system as part of the company's early access program in North America.

46 Programa del curso De Sanger hacia NGS 454 de Roche Desarrollo de la tecnología Cómo funciona Aplicaciones Comparación con otros Sistemas NGS Sistema Nimblegen Cómo funciona Formatos Aplicaciones Análisis de datos de alta densidad (UEB)

47 NIMBLEGEN: Arrays de Captura Los arrays de captura de secuencia de Nimblegen permiten capturar y enriquecer regiones génicas de interés, contiguas o no, con una elevada sensibilidad y especificidad, que luego pueden amplificarse y secuenciarse mediante tecnologías de alto rendimiento (454/Illumina). -Este sistema permite secuenciar regiones de interés en vez de genomas completos, con lo cual el coste de la secuenciación se reduce considerablemente. Técnicamente, el proceso también es menos costoso. -Sistema flexible: las regiones de interés pueden ser contiguas o no en el genoma. -Nimblegen diseña los arrays a la carta, solamente es necesario facilitarles las coordenadas de los genes diana. 1) Formato sólido -Arrays a la carta, con dos posibles tamaños de captura: 5 Mb ó 30 Mb por array. -Arrays de captura del exoma: prediseñados, contienen exones humanos codificantes y 551 exones para mirna (34 Mb), utilizando 2,1 millones de sondas. El listado de genes que contienen estos arrays puede consultarse en la web de Nimblegen ( -2) Formato en solución -Arrays de captura del exoma: prediseñados, contienen exones humanos codificantes y 551 exones para mirna (34 Mb). Existe una versión LR (long-read) optimizada para secuenciación con 454. Disponible en dos formatos, para 4 reacciones y para 48 reacciones. Próximamente existirá este formato para arrays de 5 Mb.

48 NIMBLEGEN: Arrays de Captura

49 PROTOCOLO DE ARRAYS DE CAPTURA EN SÓLIDO 3. Pre-capture amplification 4. Hybridization a) Ensamblaje del array b) Carga del array c) Hibridación: 42º C, h

50 PROTOCOLO DE ARRAYS DE CAPTURA EN SOLUCIÓN Streptavidin beads Pre-capture amplification Primers biotinilados 3. Hybridization 47 ºC, horas

51 CONTROL DE CALIDAD DE LA CAPTURA MEDIANTE qpcr La eficiencia teórica de una qpcr es del 100% y significa que las secuencias diana se doblan en cada ciclo, es decir, que E=2. Sin embargo, la eficiencia real nunca es del 100% y por eso el valor de E debe calcularse empíricamente para cada sonda. Los locus control NSC permiten determinar el enriquecimiento de un pequeño set de locus control estandarizados que se encuentran dentro de un rango de eficiencias de captura conocidas. Estos ensayos permiten hacer una estimación aproximada del enriquecimiento de poblaciones mayores de genes diana sin necesidad de secuenciarlos. Si la qpcr de estos locus control indica una captura correcta, es muy problable que los locus experimentales de interés también hayan sido capturados satisfactoriamente.

52 TECNOLOGÍA DE NIMBLEGEN -Arrays de enriquecimiento de secuencia -CGH arrays CGX / CNV / Whole genome / Whole genome-exon focused / Custom -ChIP-chip arrays Whole genome / Promoter / Custom -Arrays de metilación Whole genome / Promoter / Custom -Arrays de expresión génica Whole genome / Promoter / Custom

53 OTRAS TECNOLOGÍAS DE ENRIQUECIMIENTO DE SECUENCIA -Sistema SureSelect (Agilent): arrays de captura en solución. Optimizada para la secuenciación con Illumina, SOLiD y 454. Existen versiones prediseñadas para capturar el exoma y el noma humanos, o bien pueden diseñarse ensayos a la carta (captura de 3.3 ó 6.6 Mb). Las muestras pueden indexarse después de la captura para optimizar el rendimiento de la ultrasecuenciación (=MIDs de Roche). Existe también un formato sólido que permite capturar hasta 1 Mb. -Sistema Febit (ABI). Para ver una descripción de cómo funciona el sistema:

54 PAUTAS PARA EL DISEÑO EXPERIMENTAL DE UN ESTUDIO DE ULTRASECUENCIACIÓN

55 UCTS WORKFLOW Researcher Statistics and Bioinformatics (UEB) UCTS EXPERIMENTAL DESIGN QUALITY SAMPLES COLLECTION RESULTS CHECKING EXPERIMENTS SAMPLE PROCESSING DATA ANALYSIS SEQUENCING UEB UCTS Others

56 Programa del curso De Sanger hacia NGS 454 de Roche Desarrollo de la tecnología Cómo funciona Aplicaciones Comparación con otros Sistemas NGS Sistema Nimblegen Cómo funciona Formatos Aplicaciones Análisis de datos de alta densidad (UEB)

57 Introduction to NGS (Now Generation Sequencing) Data Analysis Alex Sánchez Statistics and Bioinformatics Research Group Statistics department, Universitat de Barelona Statistics and Bioinformatics Unit Vall d Hebron Institut de Recerca Picture 5... NGS Data analysis

58 Introduction to NGS (Now Generation Sequencing) Data Analysis Alex Sánchez Statistics and Bioinformatics Research Group Statistics department, Universitat de Barelona Statistics and Bioinformatics Unit Vall d Hebron Institut de Recerca NGS Data analysis

59 Outline Introduction Bioinformatics Challenges NGS data analysis: Some examples and workflows Metagenomics, De novo sequencing, Variant detection, RNAseq Software Galaxy, Genome viewers Data formats and quality control NGS Data analysis

60 Introduction NGS Data analysis

61 Why is NGS revolutionary? NGS has brought high speed not only to genome sequencing and personal medicine, it has also changed the way we do genome research Got a question on genome organization? SEQUENCE IT!!! Ana Conesa, bioinformatics researcher at Principe Felipe Research Center NGS Data analysis

62 NGS means high sequencing capacity GS FLX 454 (ROCHE) HiSeq 2000 (ILLUMINA) 5500xl SOLiD (ABI) GS Junior Ion TORRENT NGS Data analysis

63 NGS Platforms Performance 454 GS Junior 35MB NGS Data analysis

64 454 Sequencing NGS Data analysis

65 ABI SOLID Sequencing NGS Data analysis

66 Solexa sequencing NGS Data analysis

67 Applications of Next-Generation Sequencing

68 Comparison of 2nd NGS NGS Data analysis

69 Some numbers Platform 454/FLX Solexa (Illumina) AB SOLID Read length ~ bp 36, 75, or 106 bp 50bp Single read Yes Yes Yes Paired-end Reads Yes Yes Yes Long-insert (several Kbp) mate-paired reads Yes Yes No Number of reads por instrument run 5.00K >100 M 400M Max Data output 0.5Gbp 20.5 Gbp 20Gbp Run time to 1Gb 6 Days > 1 Day >1 Day Ease of use (workflow) Difficult Least difficult Difficult Base Calling Flow Space Nucleotide space Color sapce DNA Applications Whole genome sequencing and resequencing Yes Yes Yes de novo sequencing Yes Yes Yes Targeted resequencing Yes Yes Yes Discovery of genetic variants ( SNPs, InDels, CNV,...) Yes Yes Yes Chromatin Immunopecipitation (ChIP) Yes Yes Yes Methylation Analysis Yes Yes Yes Metagenomics Yes No No RNA Applications Yes Yes Yes Whole Transcriptome Yes Yes Yes Small RNA Yes Yes Yes Expression Tags Yes Yes Yes NGS Data analysis

70 Bioinformatics challenges of NGS NGS Data analysis

71 I have my sequences/images. Now what? NGS Data analysis

72 NGS pushes (bio)informatics needs up Need for computer power VERY large text files (~10 million lines long) Can t do business as usual with familiar tools such as Perl/Python. Impossible memory usage and execution time Impossible to browse for problems Need sequence Quality filtering Need for large amount of CPU power Informatics groups must manage compute clusters Challenges in parallelizing existing software or redesign of algorithms to work in a parallel environment Need for Bioinformatics power!!! The challenges turns from data generation into data analysis! How should bioinformatics be structured Bigger centralized bioinformatics services? (or research groups providing service?) Distributed model: bioinformaticians must be part of the temas. Interoperability? NGS Data analysis

73 Data management issues Raw data are large. How long should be kept? Processed data are manageable for most people 20 million reads (50bp) ~1Gb More of an issue for a facility: HiSeq recommends 32 CPU cores, each with 4GB RAM Certain studies much more data intensive than other Whole genome sequencing A 30X coverage genome pair (tumor/normal) ~500 GB 50 genome pairs ~ 25 TB NGS Data analysis

74 So what? In NGS we have to process really big amounts of data, which is not trivial in computing terms. Big NGS projects require supercomputing infrastructures Or put another way: it's not the case that anyone can do everything. Small facilities must carefully choose their projects to be scaled with their computing capabilities. NGS Data analysis

75 Computational infrastructure for NGS There is great variety but a good point to start with: Computing cluster Multiple nodes (servers) with multiple cores High performance storage (TB, PB level) Fast networks (10Gb ethernet, infiniband) Enough space and conditions for the equipment ("servers room") Skilled people (sysadmin, developers) CNAG, in Barcelona: 36 people, more than 50% of them informaticians NGS Data analysis

76 Alternatives (1): Cloud Computing Pros Flexibility. You pay what you use. Don t need to maintain a data center. Cons Transfer big datasets over internet is slow. You pay for consumed bandwidth. That is a problem with big datasets. Lower performance, specially in disk read/write. Privacy/security concerns. More expensive for big and long term projects. NGS Data analysis

77 Alternatives (2): Grid Computing Pros Cheaper. More resources available. Cons Heterogeneous environment. Slow connectivity (specially in Spain). Much time required to find good resources in the grid. NGS Data analysis

78 In summary? NGS arrived 2007/8 No-one predicted NGS in 2001 (ten years ago) Therefore we cannot predict what we will come up against TGS represents specific challenges Large Data Storage Technology-aware software Enables new assays and new science We would have said the same about NGS. These are not new problems, but will require new solutions There is a lag between technology and software. NGS Data analysis

79 Bioinformatics and bioinformaticians The term bioinformatician means many things Some may require a wide range of skills Others require a depth of specific skills The best thing we can teach is the ability to learn and adapt The spirit of adventure There is a definite skills shortage There always has been NGS Data analysis

80 Increasing importance of data analysis needs NGS Data analysis

81 NGS data analysis NGS Data analysis

82 NGS data analysis stages NGS Data analysis

83 Quality control and preprocessing of NGS data NGS Data analysis

84 Data types NGS Data analysis

85 Why QC and preprocessing Sequencer output: Reads + quality Natural questions Is the quality of my sequenced data OK? If something is wrong can I fix it? Problem: HUGE files... How do they look? Files are flat files and big... tens of Gbs (even hard to browse them) NGS Data analysis

86 Preprocessing sequences improves results NGS Data analysis

87 How is quality measured? Sequencing systems use to assign quality scores to each peak Phred scores provide log(10)-transformed error probability values: If p is probability that the base call is wrong the Phred score is Q =.10 log 10 p score = 20 corresponds to a 1% error rate score = 30 corresponds to a 0.1% error rate score = 40 corresponds to a 0.01% error rate The base calling (A, T, G or C) is performed based on Phred scores. Ambiguous positions with Phred scores <= 20 are labeled with N. NGS Data analysis

88 Data formats FastA format (everybody knows about it) Header line starts with > followed by a sequence ID Sequence (string of nt). FastQ format ( First is the sequence (like Fasta but starting ) Then + and sequence ID (optional) and in the following line are QVs encoded as single byte ASCII codes Different quality encode variants Nearly all downstream analysis take FastQ as input sequence NGS Data analysis

89 The fastq format A FASTQ file normally uses four lines per sequence. Line 1 begins with a '@' character and is followed by a sequence identifier and an optional description (like a FASTA title line). Line 2 is the raw sequence letters. Line 3 begins with a '+' character and isoptionally followed by the same sequence identifier (and any description) again. Line 4 encodes the quality values for the sequence in Line 2, and must contain the same number of symbols as letters in the sequence. Different encodings are in use Sanger format can encode a Phred quality score from 0 to 93 using ASCII 33 to description GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT +!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65 NGS Data analysis

90 Some tools to deal with QC Use FastQC to see your starting state. Use Fastx-toolkit to optimize different datasets and then visualize the result with FastQC to prove your success! Hints: Trimming, clipping and filtering may improve quality But beware of removing too many sequences Go to the tutorial and try the exercises... NGS Data analysis

91 Applications [1] Metagenomics [2] De novo sequencing [3] Amplicon analysis [4] Variant discovery [5] Transcriptome analysis and more NGS Data analysis

92 [1] Metagenomics &other community-based omics Zoetendal E G et al. Gut 2008;57: NGS Data analysis

93 [1] Metagenomic Approaches SMALL-SCALE: 16S rrna gene profiling The basic approach is to identify microbes in a complex community by exploiting universal and conserved targets, such as rrna genespetrosini. Challenges and limitations: Chimeric sequences caused by PCR amplification and sequencing errors. LARGE-SCALE: Whole Genome Shotgun (WGS) Whole-genome approaches enable to identify and annotate microbial genes and its functions in the community. Challenges and limitations: relatively large amounts of starting material required potential contamination of metagenomic samples with host genetic material high numbers of genes of unknown function. Environmental Shotgun Sequencing (ESS). A primer on metagenomics. PLoS Comput Biol Feb 26;6(2):e

94 [1] A metagenomics workflow AAGACGTGGACA GTCCGTCACAACTGA CATGCGTGCATG AGTCGTCAGTCATGGG Short reads ( bps) Assembly AAGACGTGGACAGATCTGCTCAGGCTAGCATGAAC GATAGGTGGACCGATATGCATTAGACTTGCAGGGC Contigs Gene prediction Proteins, families, functions Homology searching ORFs Functional classification Ontologies Binning Functional profiles Sequences into species

95 [1] Comparative Metagenomics Comparing two or more metagenomes is necessary to understand how genomic differences affect, and are affected by the abiotic environment. MEGAN can also be used to compare the OTU composition of two or more frequencynormalized samples. MG-RAST provides a comparative functional and sequence-based analysis for uploaded samples. Other software based on phylogenetic data are UniFrac.

96 [1] Some Metagenomics projects "whole-genome shotgun sequencing" was applied to microbial populations A total of billion base pairs of nonredundant sequence were analyzed "whole-genome shotgun sequencing" 78 million base pairs of unique DNA sequence were analyzed To date, 242 metagenomic projects are on going and 103 are completed (

97 [2] De novo sequencing NGS Data analysis

98 [3] Amplicon analysis Each amplicon (PCR product) is sequenced individually, allowing for the identification of rare variants and the assignment of haplotype information over the full sequence length Some applications: Detection of low-frequency (<1%) variants in complex mixtures rare somatic mutations, viral quasispecies... Ultradeep sequencing amplicon Identification of rare alleles associated with hereditary diseases, heterozygote SNP calling... Ultra-broad amplicon sequencing Metabolic profiling of environmental habitats, bacterial taxonomy and phlylogeny 16S rrna amplicon sequencing

99 [3] Example of raw data generation with GS-FLX...

100 Data Processing [3] Data Workflow...

101 [3] Final output examples... NT substitution (error) matrices Bar plots output example (with circular legend for the AA) AA frequency tables

102 [4] Variant discovery Your aligner decides the type/amount of variants you can identify Naive SNP calling Reads counting Statistic support SNP calling Maximum likelihood, Bayesian Quality score recalibration Recalibrate quality score from whole alignment Local realignment around indels Realign reads Known variants (limited species) dbsnp

103 [4] Example: Exome Variant Analysis

104 [4] Genotype calling tools

105 [4] GATK pipeline

106 [4] NGS Data analysis

107 [4] Many ongoing sequencing projects NGS Data analysis

108 [5] Transcriptome Analysis using NGS RNA-Seq, or "Whole Transcriptome Shotgun Sequencing" ("WTSS") refers to use of HTS technologies to sequence cdna in order to get information about a sample's RNA content. Reads produced by sequencing Aligned to a reference genome to build transcriptome mappings.

109 [5] Applications (1) Whole transcriptome analysis mrna cdna library sequencing AAAA Fragmentation RT Detects expression of known and novel mrnas Identification of alternative splicing events Detects expressed SNPs or mutations Identifies allele specific expression patterns Reads cover the full length of a transcript CEMCAT-Neuroimmunology

110 [5] Applications (2) Differential expression 1.Reads are mapped to the reference genome or transcriptome 2.Mapped reads are assembled into expression summaries (tables of counts, showing how may reads are in coding region, exon, gene or junction); 3.The data are normalized; 4.Statistical testing of differential expression (DE) is performed, producing a list of genes with P-values and fold changes.

111 [5] RNA Seq data analysis - Mapping Main Issues: Number of allowed mismatches Number of multihits Mates expected distance Considering exon junctions End up with a list of # of reads per transcript These will be our (discrete) response variable 10 years or plus of high throughput data analysis

112 [5] RNA Seq data analysis -Normalization Two main sources of bias Influence of length: Counts are proportional to the transcript length times the mrna expression level. Influence of sequencing depth: The higher sequencing depth, the higher counts. How to deal with this Normalize (correct) gene counts to minimize biases. Use statistical models that take into account length and sequencing depth 10 years or plus of high throughput data analysis

113 [5] RNA Seq - Differential expression methods Fisher's exact test or similar approaches. Use Generalized Linear Models and model counts using Poisson distribution. Negative binomial distribution. Transform count data to use existing approaches for microarray data. 10 years or plus of high throughput data analysis

114 [5] Advantages of RNA-seq Unlike hybridization approaches does not require existing genomic sequence Expected to replace microarrays for transcriptomic studies Very low background noise Reads can be unabmiguously mapped Resolution up to 1 bp High-throughput quantitative measurement of transcript abundance Better than Sanger sequencing of cdna or EST libraries Cost decreasing all the time Lower than traditional sequencing Can reveal sequence variations (SNPs) Automated pipelines available

115 Software for NGS preprocessing and analysis NGS Data analysis

116 Which software for NGS (data) analysis? Answer is not straightforward. Many possible classifications Biological domains SNP discovery, Genomics, ChIP-Seq, De-novo assembly, Bioinformatics methods Mapping, Assembly, Alignment, Seq-QC, Technology Illumina, 454, ABI SOLID, Helicos, Operating system Linux, Mac OS X, Windows, License type GPLv3, GPL, Commercial, Free for academic use, Language C++, Perl, Java, C, Phyton Interface Web Based, Integrated solutions, command line tools, pipelines, NGS Data analysis

117 Which software for NGS (data) analysis? Answer is not straightforward. Many possible classifications Biological domains SNP discovery, Genomics, ChIP-Seq, De-novo assembly, Bioinformatics methods Mapping, Assembly, Alignment, Seq-QC, Technology Illumina, 454, ABI SOLID, Helicos, Operating system Linux, Mac OS X, Windows, License type GPLv3, GPL, Commercial, Free for academic use, Language C++, Perl, Java, C, Phyton Interface Web Based, Integrated solutions, command line tools, pipelines, NGS Data analysis

118 Some popular tools and places NGS Data analysis

119 Galaxy Site 11 9

120 Obtain data from many data sources including the UCSC Table Browser, BioMart, WormBase, or your own data. Prepare data for further analysis by rearranging or cutting data columns, filtering data and many other actions. Analyze data by finding overlapping regions, determining statistics, phylogenetic analysis and much more 12 0

121 User Register contains links to the downloading, pre-procession and analysis tools displays menus and data inputs Shows the history of analysis steps, data and result viewing 12 1

122 Click Get Data 12 2

123 Get Data from Database 12 3

124 Upload File File Format Upload or paste file 12 4

125 12 5

126 FASTQ file manipulation: format conversation, summary statistics, trimming reads, filtering reads by quality score

127 Input: sanger FASTQ Output: SAM format

128 Downstream analysis: SAM -> BAM

129 List saved histories and shared histories. Work on a current history, create new, share workflow Co py rig ht Op en He lix. No us e or re pr od uct ion wit ho ut ex pr es s wri tte n co ns en 12 t9

130 Creates a workflow, allows user to repeat analysis using different datasets.

131 DATA VISUALIZATION NGS Data analysis

132 History of Genome Visualization 1800s 1900s 2000s time

133 Why is visualization important? make large amounts of data more interpretable glean patterns from the data sanity check / visual debugging more

134 What is a Genome Browser linear representation of a genome position-based annotations, each called a track continuous annotations: e.g. conservation interval annotations: e.g. gene, read alignment point annotations: e.g. SNPs user specifies a subsectionof genome to look at

135 Server-side model (e.g. UCSC, Ensembl, Gbrowse) server central data store renders images sends to client client requests images displays images

136 Client-side model (e.g. Savant, IGV) server stores data client local HTS store renders images displays images HTS machine

137 Rough comparison of Genome Browsers UCSC Ensem GBrows Savant IGV Model Server Server bl Server e Client Client Interactive HTS support Database of tracks Plugins No support Some support Good support

138 Limitations of most genome browsers do not support multiple genomes simultaneously do not capture 3-dimensional conformation do not capture spatial or temporal information do not integrate well with analytics cannot be customized The SAVANT GENOME BROWSER has been created to overcome these limitations

139 Integrative Genomics Viewer (IGV) he Integrative Genomics Viewer (IGV) is a high-performance visualization tool for interactive exploration of large, integrated datasets. It supports a wide variety of data types including sequence alignments, microarrays, and genomic annotations.

140 Acknowledgements Grupo de investigación en Estadística y Bioinformática del departamento de Estadística de la Universidad de Barcelona. All the members at the Unitat d Estadística i Bioinformàtica del VHIR (Vall d Hebron Institut de Recerca) Unitat de Serveis Científico Tècnics (UCTS) del VHIR (Vall d Hebron Institut de Recerca) People whose materials have been borrowed or who have contributed with their work Manel Comabella, Rosa Prieto, Paqui Gallego, Javier Santoyo, Ana Conesa, Thomas Girke and Silvia Cardona. NGS Data analysis

141 Gracias por la atención y la paciencia NGS Data analysis