La bioinformática es la computación de los datos biológicos, sobre todo de las secuencias: ADN, ARN y proteínas. Los secuenciadores producen miles de millones de lecturas cortas, y el software debe ensamblarlas, alinearlas, compararlas y anotarlas para encontrar variantes, genes y las relaciones evolutivas entre organismos. Es en parte ingeniería de datos, en parte estadística y en parte biología.
Conceptos clave
- Secuencias y formatos: FASTA para secuencias, FASTQ para lecturas con puntuaciones de calidad, SAM y BAM para alineamientos, VCF para variantes.
- Alineamiento: métodos por pares como la programación dinámica, y semillas e índices rápidos para mapear millones de lecturas.
- Ensamblaje: reconstruir un genoma a partir de lecturas solapadas, con grafos como estructura habitual.
- Variantes y expresión: encontrar diferencias respecto a una referencia, y contar cuán activo está cada gen.
- Filogenética: árboles que describen cómo se relacionan secuencias, especies o poblaciones.
- Pipelines: pasos encadenados y versionados que hacen repetible un análisis.
Vocabulario
- Lectura: un fragmento corto de secuencia que sale de un secuenciador.
- Genoma de referencia: una secuencia estándar con la que se comparan las lecturas.
- Anotación: las etiquetas sobre un genoma que dicen dónde están los genes y otros elementos.
- Pruebas múltiples: el aumento de falsos positivos cuando se contrastan miles de hipótesis a la vez.
Qué estudiar, en orden
- Biología molecular básica: ADN, transcripción, traducción, mutación.
- Python o R, y la línea de órdenes para manejar archivos de texto grandes.
- Implementa el alineamiento global y local con programación dinámica, y puntúa unas secuencias.
- Pasa un conjunto de datos público pequeño por un pipeline estándar de mapeo de lecturas y detección de variantes, inspeccionando cada archivo.
- Pon los pasos en un gestor de flujos con versiones fijadas de las herramientas, y calcula un estadístico con una corrección adecuada por pruebas múltiples.
Etiquetas relacionadas
#computational-biology #algorithms #data-science #shell #research-software