Si lo que se programa con código en F27–F29, también se puede hacer con clics del ratón

Snakemake (F27), Nextflow (F28) y nf-core (F29) definen todos los pipelines mediante código. Sin embargo, entre los colegas de laboratorio, muchos no están familiarizados con la línea de comandos. usegalaxy.eu es una plataforma web gratuita que permite configurar el mismo concepto (un pipeline DAG compuesto por herramientas conectadas paso a paso) mediante una interfaz gráfica de usuario (GUI). En D02 se aborda la estructura de esta plataforma y su división de funciones práctica con las herramientas basadas en código.

Principio: motor de flujos de trabajo en la web

Lo que Galaxy abstrae

En el lienzo de flujo de trabajo de Galaxy, cada cuadro es una herramienta (FastQC, HISAT2, featureCounts, etc.) y las líneas de conexión entre los cuadros indican la dirección del flujo de datos. Esto es, estructuralmente, lo mismo que trasladar visualmente los conceptos de procesos y canales de Nextflow DSL2 (F28); la diferencia es si este DAG se programa mediante código de texto o si se construye arrastrando y soltando cuadros en el lienzo.

$\text{Nextflow: define el DAG mediante código} \quad \Longleftrightarrow \quad \text{Galaxy: define el DAG mediante una GUI}$

Internamente, el servidor de Galaxy realiza los cálculos reales (alineación, conteo, etc.) en la infraestructura informática de la UE, por lo que el usuario no necesita instalar las herramientas en su entorno local.

Significado práctico del almacenamiento gratuito

usegalaxy.eu proporciona espacio de almacenamiento y recursos computacionales gratuitos a los usuarios registrados, pero la cuota y las políticas de retención pueden cambiar según la situación operativa. Antes de la ejecución, se debe verificar la cuota actual y la política oficial en la pantalla del servidor. Por ejemplo, si la cuota actual es de 250 GB y el archivo FASTQ original de una sola muestra de RNA-seq de transcriptoma humano pesa 4 GB, el cálculo simple de capacidad sería

$\frac{250\text{ GB}}{4\text{ GB/muestra}} \approx 62\text{ muestras}$

Sin embargo, dado que los productos intermedios, los datos de referencia y las copias también consumen cuota, el número real de muestras que se pueden alojar será menor. Los servidores públicos gratuitos también cuentan con colas de trabajo y políticas de retención de datos, por lo que no deben considerarse como archivos de larga duración o clústeres dedicados con capacidad de cómputo garantizada.

División de funciones con pipelines basados en código

Galaxy no reemplaza por completo a las herramientas basadas en código. Para pipelines de producción a gran escala donde la reproducibilidad es extremadamente crítica (el ámbito de F27–F29), sigue siendo más ventajoso definirlos mediante código con control de versiones. Por otro lado, en etapas exploratorias como "verifiquemos rápidamente si esta combinación de herramientas se ajusta a nuestros datos", o al entregar un pipeline a colaboradores que no están familiarizados con la programación, Galaxy reduce significativamente la barrera de entrada.

Práctica: Configuración de un mini pipeline de RNA-seq mediante GUI (usegalaxy.eu)

1. Registrarse en usegalaxy.eu → crear un flujo nuevo desde el menú "Workflow"
2. Importar el conjunto de datos práctico del tutorial vigente de RNA-seq de Galaxy Training Network (GTN)
3. Colocar las herramientas en orden sobre el lienzo:
   FastQC (control de calidad) → HISAT2 (alineamiento) → featureCounts (recuento de expresión)
4. Conectar cada bloque para formar el DAG → ejecutar "Run Workflow"
5. Revisar de inmediato en el panel History la salida de cada etapa (tasa de alineamiento, tabla de recuentos)

En este ejercicio, es importante destacar que la entrada, la versión de la herramienta, los parámetros y la salida de cada paso se registran como procedencia (provenance) en el Historial. Sin embargo, dado que el Historial puede eliminarse o modificarse, no constituye un control de versiones permanente como Git. Los flujos de trabajo necesarios para la reproducibilidad deben exportarse mediante .ga y gestionarse con control de versiones en un repositorio independiente.

Correspondencias en Ciencias de la Computación

• Programación visual: El enfoque que define el flujo del programa mediante cuadros y líneas de conexión comparte el mismo paradigma que los lenguajes de programación visual como Scratch o Node-RED.
• Motor de pipeline DAG: El planificador de ejecución interno de Galaxy ejecuta las tareas siguiendo el orden de ordenamiento topológico de un grafo acíclico dirigido (DAG), al igual que Nextflow o Snakemake.
• Motor de flujo de trabajo sobre GUI: El diseño que separa la capa de interfaz de usuario de la capa del motor de ejecución sigue el mismo principio de arquitectura de software general que separa la lógica del backend de la representación del frontend.

Problemas comunes

• Descuidar el control de versiones de los flujos de trabajo configurados mediante la GUI: Los flujos de trabajo de Galaxy pueden exportarse y registrarse en Git en formato de texto (.ga JSON); no hacerlo dificulta la reproducción de "cómo se diseñó aquel pipeline en su momento".
• Repetir clics en la GUI para tareas por lotes a gran escala: Cuando hay cientos de muestras, ejecutarlas una por una mediante la GUI es ineficiente. Galaxy también proporciona una API y un cliente de línea de comandos (bioblend), por lo que es más seguro migrar a estos métodos cuando el volumen de trabajo aumenta.

Para profundizar

El presente contenido ha sido reconstruido directamente por el equipo de investigación de BPD.

• Galaxy Training Network (GTN): Lista completa de tutoriales gratuitos, que incluye conjuntos de datos prácticos para RNA-seq, identificación de variantes (variant calling), entre otros.
• Documentación oficial de usegalaxy.eu: Políticas de almacenamiento y reglas de asignación de recursos computacionales.
• GitHub oficial de bioblend: API de Python para controlar Galaxy mediante código.

En la siguiente sección D03, se tratará la herramienta de anotación Ensembl VEP, que asigna significado funcional a las variantes tras la etapa de identificación de variantes.