Cómo leer las Buenas Prácticas de GATK
¿Por qué es necesario este concepto?
La búsqueda de variantes en datos de secuenciación no concluye con un único comando. La forma en que se alinean las lecturas crudas contra el genoma de referencia, la calidad de dicha alineación, la consistencia de las bases observadas en cada posición y cómo se comparan múltiples muestras influyen directamente en la llamada final de variantes.
Las Buenas Prácticas de GATK suelen utilizarse como punto de referencia para comprender este flujo de análisis de variantes. Sin embargo, el nombre "Buenas Prácticas" no implica una receta fija que se aplique tal cual a todos los datos y a todas las versiones de GATK.
Este texto es una guía que aborda la frontera entre conceptos y evidencia. La serie de prácticas paso a paso continúa en Serie de prácticas de GATK4.
Conceptos clave — un pipeline no es una lista de comandos, sino un proceso de transformación de evidencia
El flujo conceptual es el siguiente:
sequencing reads
↓
alignment to a reference genome
↓
quality control and preprocessing
↓
variant evidence aggregation
↓
variant calling and filtering
↓
VCF + quality / evidence annotationsCada paso es un proceso que “transforma un archivo en el siguiente” y, al mismo tiempo, cambia el significado de la evidencia observada. Por ejemplo, que las lecturas estén alineadas en un archivo BAM no significa que todas las discrepancias sean variaciones biológicas. Deben considerarse conjuntamente los errores de secuenciación, la ambigüedad del mapeo, las duplicados y la baja cobertura.
Relación entre entrada y salida
FASTQ
FASTQ contiene la secuencia de las lecturas y la calidad de las bases. En esta etapa, al no haber coordenadas de referencia, no es posible afirmar directamente “qué variante hay en qué gen”.
BAM/CRAM
Al alinear las lecturas contra el genoma de referencia, se puede verificar en qué coordenada se coloca cada lectura y su calidad de alineación. Las condiciones como la versión del genoma de referencia, el alineador, los grupos de lectura y el tratamiento de duplicados influyen en la interpretación de las etapas posteriores.
VCF
El llamador de variantes recopila la evidencia de alelos en posiciones específicas a partir de las lecturas alineadas para registrar candidatos a variante e información de calidad. El VCF es un resumen de resultados, no una tabla final de verdad absoluta donde desaparecen todos los datos originales y el proceso de decisión. Debe leerse junto con información como la referencia, el llamador utilizado, los filtros aplicados, la profundidad de cobertura y el equilibrio de alelos.
¿Son germline y somatic el mismo pipeline?
No. La llamada de variantes germinales busca las variaciones genéticas individuales de una persona, mientras que la llamada somática busca diferencias entre muestras tumorales y normales o variantes dentro del tumor. Pueden diferir la composición de las muestras, la fracción alélica esperada, el modelo de error y los criterios de filtrado e interpretación.
Por lo tanto, escribir simplemente “pipeline GATK” es insuficiente. Se debe especificar al menos lo siguiente:
- si es germline o somatic
- si es single-sample o cohort
- si es WGS, WES o un panel dirigido
- cuál es la versión del genoma de referencia utilizada
- qué versión de GATK y herramientas upstream/downstream se emplearon
El flujo conceptual actual de las cohortes germlines debe distinguirse mediante BAM listo para análisis → gVCF por muestra → agregación de gVCF → genotipado conjunto → filtering. Por otro lado, el flujo de trabajo para variantes cortas somáticas es una pregunta analítica separada que toma como entrada muestras tumorales y, opcionalmente, normales emparejadas.
Pequeño ejemplo — interpretar la misma discrepancia de manera diferente
Supongamos que en una posición determinada, 15 de las 20 lecturas muestran un nucleótido diferente al de la referencia. Con este resultado por sí solo, no se puede confirmar la presencia de una variante.
| Elemento a verificar | Pregunta |
|---|---|
| Profundidad de lectura (read depth) | ¿Se observó un número suficiente de lecturas? |
| Calidad de base/mapeo (base/mapping quality) | ¿Tienen alta confiabilidad las lecturas y la posición en cuestión? |
| Equilibrio de hebras (strand balance) | ¿No hay sesgo hacia lecturas de una sola dirección? |
| Fracción alélica (allele fraction) | ¿Coincide la proporción con la pregunta sobre variantes germinales o somáticas? |
| Alineamiento cercano (nearby alignment) | ¿Existen indels, secuencias repetitivas o ambigüedad en el mapeo? |
Solo tras superar esta verificación se puede interpretar la diferencia observada como evidencia de una variante. Aunque los pipelines automatizan este proceso, la automatización no elimina la necesidad de definir las preguntas ni la responsabilidad en el control de calidad.
Por qué importa la versión
Las etapas y recomendaciones de las Buenas Prácticas de GATK pueden variar según el tipo de datos, la versión de GATK, el genoma de referencia, el llamador de variantes (caller) y los parámetros utilizados. Mezclar en un mismo documento los nombres de las etapas de artículos anteriores con el flujo de trabajo oficial actual podría hacer que un flujo educativo pasado pareciera un método reproducible actual.
Para garantizar la reproducibilidad del registro, deben incluirse los siguientes elementos:
- Versión exacta de GATK
- Versión exacta o commit del workflow/WDL ejecutado
- Versión del workflow o herramienta
- Construcción del genoma de referencia y recursos de sitios conocidos (known-sites)
- Tipo de datos de entrada y diseño de las muestras
- Condiciones de filtrado y control de calidad
- Recursos posteriores para anotación e interpretación del VCF
Este artículo conceptual no presenta comandos de ejecución de GATK. Dado que la versión y las condiciones pueden variar según el conjunto de datos, su alcance se limita a describir el flujo de datos y los puntos de decisión.
Puntos propensos a confusión
¿Son las Buenas Prácticas una receta estándar permanente?
No. Las Buenas Prácticas constituyen un punto de referencia para flujos de trabajo validados en función de preguntas analíticas específicas y versiones de herramientas. Para utilizarlas actualmente, es necesario consultar nuevamente la documentación oficial y las guías específicas de cada versión (release).
¿Son las variantes registradas en el VCF clínicamente relevantes?
No. El VCF es un producto analítico que contiene las llamadas de variantes y la evidencia asociada. El significado clínico requiere una etapa de interpretación separada, que involucra anotación, datos poblacionales, fenotipo y directrices.
¿Desaparecen los errores una vez completada la preprocesamiento?
No. El preprocesamiento reduce determinados errores y sesgos, pero no garantiza la eliminación de todos ellos. Pueden persistir limitaciones de cobertura, alineamiento, calidad de la muestra y diseño del ensayo.
Evidencia y limitaciones actuales
- GATK puede describirse como un ecosistema de herramientas y flujos de trabajo para el análisis de variantes de NGS.
- El alineamiento, el preprocesamiento, la llamada de variantes y el filtrado son etapas interconectadas.
- No debe suponerse que un flujo de trabajo histórico concreto coincida con el flujo oficial actual.
- El realineamiento de indels no se presenta como una etapa obligatoria del preprocesamiento actual de GATK4.
- Este artículo no es un tutorial de comandos, sino una guía conceptual sobre entradas, evidencia, resultados y dependencia de versiones.
Concepto/historia relacionados
- Concept: FASTQ, BAM/CRAM, VCF, reference genome, variant calling
- Historia candidata: proceso analítico por el que una discrepancia de una lectura se convierte en evidencia de una variante