01 Curso Transcriptoma PDF

1 de 28
CURSO DE INTRODUO BIOINFORMTICA

APLICADA A GENMICA
De 28/09 a 09/10 de 2015
ANLISE DE EXPRESSO DIFERENCIAL EM

TRANSCRIPTOMAS
Rogrio F. de Souza
Sumrio
1 Introduo.....................................................................................................................................................2
2 Preparando as bibliotecas de cDNA para a anlise.......................................................................................5
a) Analisando a qualidade das bibliotecas de cDNA..........................................................................................5
b) Limpando as bibliotecas de cDNA.................................................................................................................5
3 Preparando as sequncias a serem buscadas.................................................................................................7
a) Criando arquivos fasta individuais.................................................................................................................7
b) Analisando a integridade de cada sequncia a ser buscada............................................................................8
c) Caracterizando melhor cada sequncia a ser buscada....................................................................................9
4 Fazendo o alinhamento das sequncias......................................................................................................10
a) Alinhando sequncias pelo Blast..................................................................................................................10
b) Alinhando sequncias com o Bowtie2..........................................................................................................14
c) Convertendo arquivos SAM para BAM.......................................................................................................15
d) Visualizando o alinhamento da sequncia alvo............................................................................................16
5 Usando programao Shell.........................................................................................................................17
6 Normalizao dos reads quando no se tem repeties para as diferentes bibliotecas...............................18
7 Anlise da expresso diferencial quando se tem repeties para as diferentes bibliotecas........................20
8 Normalizao dos reads quando se tem repeties para as diferentes bibliotecas.....................................21
9 Produzindo um heatmap para os nossos resultados....................................................................................26
2 de 28
1 Introduo
O que seriam os RNAs-seq?
RNAs-seq o nome dado a as novas
tecnologias de sequenciamento (Next-generation
sequencing) aplicadas aos transcriptomas, ou
seja, s regies do DNA transcritas em molculas
de RNAs.
Os mtodos de sequenciamento Illumina e
Torrent usam uma metodologia de
sequenciamento via sntese. Neste processo, as
molculas de RNAs sintetizadas por um
determinado organismo ou de um determinado
tecido so fragmentadas para ento serem
transformadas em pequenas molculas de DNA
(cDNA), gerando ento uma biblioteca de cDNA.
Com essa tcnica possvel:
Fazer uma anlise da expresso gnica

(dos xons e das diferentes isoformas dos
locos que sofrem processamento
alternativo);
Descobrir novas regies dos genomas que
so transcritas;
Estudar a expresso diferencial de
diferentes locos em diferentes tecidos ou condies ambientais;
Identificar molculas de RNAs que participam de processos regulatrios etc.
Alguns aspectos das metodologias de anlise dos RNAs-seq

Quando os transcriptomas so submetidos ao sequenciamento do tipo Illumina, so geradas
milhes de pequenas sequncias de cDNAs. Dependendo do organismo, eucarioto ou procarioto, os
arquivos produzidos neste processo costumam ser muito grandes, comumente com mais de 10 ou 20
GB. Assim, o grande desafio para os bioinformatas processar e manipular tais tipos de arquivos.
Existem uma srie de programas pagos e gratuitos disponveis para essas tarefas, bem como vrios
tutoriais na Internet sobre o seu funcionamento e a forma de utilizao. Os arquivos gratuitos permitem
um maior controle das diferentes etapas de estudo. Porm, muitas dessas anlises precisam ser feitas
em terminal GNU/Linux, via linha de comando, o que, por um lado pode ser complicado para iniciantes.
Mas, por outro, essa forma de trabalho costuma ser mais rpida e eficiente principalmente quando
necessrio lidar com arquivos contendo uma quantidade muito grande de dados. Tambm existem uma
srie de plataformas on line, como a Galaxy (https://galaxyproject.org/), que rene uma srie de
programas que podem ser bastante teis neste tipo de anlise:
3 de 28
Assim, muitas dessas anlises podem ser feitas online. Porm, neste caso, podem haver
limitaes para a transferncia de arquivos, devido ao tamanho destes e a velocidade da conexo de
internet. Alm disso, tambm pode-se encontrar problemas com o espao disponibilizado por essas
plataformas para as anlises. Por outro lado, muitos desses programas de anlise podem ser baixados
para computadores ou servidores do prprio usurio.
Quais so os passos para o estudo dos RNAs-seq?

As diferentes tecnologias e protocolos de sequenciamento atualmente disponveis costumam
compartilhar os mesmos passos de pr-processamento e de anlise (Dillies et al., 2012), descritos a
seguir:
Os short reads (sequncias curtas) provenientes do sequenciamento so pr processados, a fim

de remover os adaptadores e as sequncias com baixa qualidade, sendo em seguida mapeados
em um genoma de referncia ou a um genoma alinhado;
O nvel de expresso estimado para cada transcrito (por exemplo, para cada loco);
Os dados so normalizados;
Uma anlise estatstica usada para identificar os transcritos diferencialmente expressos.
Que tipos de arquivos normalmente so usados nessas anlises?
Arquivo do tipo FASTQ

Os arquivos fastq so gravados em formato texto, sendo gerados durante o processo de
sequenciamento:
Um arquivo FASTQ representa uma biblioteca das sequncias de cDNAs produzidas a partir de
uma populao de molculas de RNAs. Lembrando que, pelo mtodo de sequenciamento Illumina, esse
arquivo conter milhes de trechos pequenos, tambm chamadas de reads, que devem apresentar
homologia com as sequncias do DNA transcritas em RNAs:
Para cada trecho sequenciado, tambm so colocadas outras informaes, inclusive, sobre a
qualidade do sequenciamento. Para cada base sequenciada, esta qualidade dada por um smbolo em
ASCII especfico, onde ! e ~ indicam menor e maior qualidade, respectivamente:
Trecho sequenciado: GCCAGTGATGGTACCGATTATATATG
Qualidade desse sequenciamento: !"%&_ÀBCDEPQRSTUVWXYZ{|}~

4 de 28
Os escores de qualidade indicam a probabilidade de que uma determinada base tenha sido
corretamente identificada durante o sequenciamento:
Phred Quality Score Probability of incorrect base call Base call accuracy
10 1 in 10 90%
20 1 in 100 99%
30 1 in 1000 99,9%
40 1 in 10,000 99,99%
50 1 in 100.000 99,999%
60 1 in 1.000.000 99,9999%
Fonte: https://en.wikipedia.org/wiki/Phred_quality_score
Arquivos do tipo FASTA

Os arquivos no formato FASTA contm um nome de entrada, seguido de uma sequncia
nucleotdica especfica, que pode representar um loco completo, um xon, um retroelemento etc:
Os arquivos FASTA so usados para se tentar descobrir se, na nossa biblioteca de cDNAs, ou seja,
nos arquivos FASTQ, determinadas sequncias de interesse esto sendo expressas e, caso positivo, com
que intensidade.
Arquivos do tipo SAM/BAM

SAM (Sequence Alignment/Map) um formato genrico para a estocagem de grandes
quantidades de alinhamentos de nucleotdeos. Eles so arquivos de tabela gravados em formato de
texto e que contm as informaes sobre os alinhamentos das sequncias que foram buscadas na
biblioteca de cDNAs, ou seja, em nossos arquivos FASTQ. Por exemplo, neste tipo de arquivo
informado quantos trechos presentes em nossa biblioteca de cDNA foram compatveis com cada
sequncia FASTA que estamos buscando. Um arquivo no formato SAM separado por tabulaes e
possui um cabealho (opcional) e uma seo de alinhamento. A linha do cabealho, quando presente,
comea com @, sendo seguida pelas linhas do alinhamento. Cada linha de alinhamento possui 11
campos informacionais obrigatrios (tais como as posies das sequncias ou reads em relao a
sequncia buscada) e um nmero varivel de campos contendo outras informaes:
Embora possa ser utilizado por uma srie de programas, arquivos neste formato costumam ser
maiores, ocupando grande espao no computador. Alm disso, alguns programas trabalham com
arquivos contendo sequncias alinhadas em outros formatos. Por exemplo, arquivos no formato BAM
(Binary Alignment/Map), pelo fato de serem estocadas em formato binrio, alm de serem mais
compactos, podem ser mais facilmente usado por diferentes programas de anlise de sequncias. Os
arquivos no formato BAM (Binary Alignment/Map) contm as mesmas informaes dos arquivos SAM
(Sequence Alignment/Map). Entretanto, eles so comprimidos em formato BGZF (um formato de
compresso padro do gzip), no podendo ser visualizados por editores de texto. Algumas informaes
mais aprofundadas sobre programas, metodologias etc podem ser conseguidas no seguinte endereo:
http://www.labome.com/method/RNA-seq-Using-Next-Generation-Sequencing.html
5 de 28
2 Preparando as bibliotecas de cDNA para a anlise

Para a busca por sequncias especficas, preciso que as bibliotecas de cDNA, gravadas em
formato FASTQ, sejam limpas. A limpeza e o preparo das bibliotecas de cDNA antes de serem
analisadas so necessrios porque:
Durante o processo de sequenciamento so usados adaptadores pequenas sequncias de

DNA/RNA que permitem a amplificao dos genomas que precisam ser retirados antes das
anlises subsequentes;
Muitos trechos sequenciados podem apresentar baixa qualidade ou seja, por algum motivo no
foram sequenciados adequadamente ou tm tamanho muito reduzido o que pode interferir
na montagem correta dos genomas ou na identificao de sequncias de interesse.
a) Analisando a qualidade das bibliotecas de cDNA

O programa FastQC permite verificar diferentes parmetros de qualidade das bibliotecas de
cDNA. Ele facilita a determinao do tipo de limpeza a que cada biblioteca de cDNA dever ser
submetida, tais como a retirada:
Das sequncias dos adaptadores usados na construo da biblioteca;

Das caudas poli-A dos RNAs mensageiros;
De trechos que foram mal sequenciados e que apresentam baixa qualidade;
Dos trechos sequenciados, mas de tamanho muito reduzido etc.
Observaes
O programa FastQC serve apenas de verificao da qualidade das bibliotecas, no permitindo a
sua manipulao e, portanto, a sua limpeza;
Este programa pode ser instalado diretamente em um terminal:
~$ sudo apt-get install fastqc
Ou ento, pode ser baixado do seguinte endereo:
http://www.bioinformatics.babraham.ac.uk/projects/fastqc/
b) Limpando as bibliotecas de cDNA

O programa PRINSEQ permite analisar a qualidade das bibliotecs de cDNA e fazer os cortes e
ajustes necessrios. Pode-se fazer o upload das sequncias (compactadas em diferentes formatos) para
se realizar a anlise online no stio do programa ou instal-lo em um computador com GNU/linux,
utilizando comandos no terminal.
Usando o PRINSEQ na internet

Escolher o formato do arquivo (por exemplo, em fastq);
Fazer o upload (este pode estar compactado);
Escolher os parmetros de limpeza:
6 de 28
O tamanho mnimo das sequncias a serem mantidas;

Os trechos de cada sequncia que sero cortados (ex: para a retirada das regies
adaptadoras);
A manuteno apenas das sequncias com um escore mnimo de qualidade etc;
http://prinseq.sourceforge.net/
Usando o PRINSEQ no computador via terminal

Depois de descompactado, necessrio ir at o diretrio onde este foi colocado e mudar a
permisso de uso do programa para torn-lo executvel (via terminal):
~$ chmod 766 prinseq-lite.pl
~$ chmod 766 prinseq-graphs.pl
Observaes
O comando chmod permite mudar os privilgios que o indivduo, o grupo e outros usurios tm
para manipular arquivos e programas:
As permisses rwx (read, write e execute) para cada um dessas categorias so: (0) permisso
negada para qualquer atividade; (1) permisso de execuo (para caso do arquivo ser um
programa); (2) permisso de gravao do arquivo; (3) permisso de gravao e execuo do
arquivo (para programas); (4) permisso de leitura do arquivo; (5) permisso de leitura e
execuo do arquivo (para programas); (6) permisso de leitura e gravao do arquivo e (7)
permisso de leitura, gravao e execuo do arquivo (para programas). Por exemplo, para
permitir que o usurio, o grupo e usurios externos possam utilizar o prinseq, basta digitar no
terminal o seguinte comando:
Para permitir que apenas o usurio e o grupo leiam, escrevam e executem esse arquivo, deve-se
digitar:
Para saber quais comandos utilizar com o PRINSEQ

~$ perl ./prinseq-lite.pl -h
7 de 28
Usando o comando do PRINSEQ para a limpeza da biblioteca

No diretrio em que estiver instalado o PRINSEQ, depois de se saber quais tipos de limpeza
devero ser feita:
~$ perl prinseq-lite.pl -fastq nome_da_biblioteca.fastq -out_format 3 -min_len 40 -trim_left 9
-trim_qual_right 20
Significado de cada opo

-fastq informa que o arquivo a ser limpo (biblioteca.fastq) est no formato fastq;
-out_format 5 indica o formato de sada que se deseja: 1 (fasta), 2 (fasta e qual), 3 (fastq), 4
(fastq e fasta), 5 (fastq, fasta e qual);
-min_len 40 elimina as sequncias menores que X nucleotdeos (neste caso X = 40);
-trim_left 9 corta X (neste caso X = 9) nucleotdeos esquerda (devido a baixa qualidade
mdia dessa regio apontada pelo FastQC ou a presena de adaptadores);
-trim_qual_right 20 elimina as sequncias com escore de qualidade inferior a X (neste caso
X = 20).
Pode-se trabalhar com arquivos compactados (gzip)

Neste caso, aciona-se o gzip antes de executar o programa prinseq:
~$ gzip -dc nome_da_biblioteca.fastq.gz | perl prinseq-lite.pl -fastq nome_da_biblioteca.fastq
-out_format 3 -min_len 40 -trim_left 9 -trim_qual_right 20
Onde:
gzip programa de compactao;
-d informa ao gzip que este deve descomprimir o arquivo;
-c informa ao gzip que este mantenha o arquivo original sem modificaes (ou seja,
compactado), produzindo um arquivo de sada descompactado;
| (pipe) permite que um segundo processo se inicie automaticamente aps a finalizao do
primeiro processo.
3 Preparando as sequncias a serem buscadas

Uma biblioteca de cDNA conter sequncias de diferentes tipos de transcritos. Sendo assim,
necessrio ter uma estratgia de busca dos segmentos de interesse. No nosso caso, cada sequncia
que ser buscada na biblioteca de cDNA, estar em formato FASTA, em arquivos individuais.
a) Criando arquivos fasta individuais

Diferentes bancos
protemicos armazenam dados
de sequncias gnicas no
formato FASTA que podem ser
utilizadas em nossos estudos.
Se estas sequncias estiverem
guardadas em um nico
arquivo, preciso criar
arquivos FASTA individuais
para ento iniciarmos a busca
em nossa biblioteca de cDNA.
Quando temos uma grande quantidade de sequncias a serem a serem buscadas, podemos usar
8 de 28
uma ferramenta presentes no Emboss, para criarmos esses arquivos individuais. O Emboss, que
funciona em GNU/Linux, fornece uma srie de ferramentas que permitem manipular esses e outros
tipos de arquivos.
Caso o computador no possua o Emboss, se o usurio tiver direitos de administrador (root),

basta digitar o seguinte comando:
~$ sudo apt-get install emboss
No nosso caso, podemos usar o seqretsplit para gerar os arquivos FASTA individuais. Este
permite dividir o arquivo fasta total em arquivos individuais, preservando os nomes de cada sequncia.
Para tanto, basta digitar no terminal o seguinte comando:
~$ seqretsplit nome_do_arquivo.fasta
Observao
Aparecer a mensagem Reads and writes (returns) sequences in individual files output
sequence(s), mas basta dar enter para conseguir os arquivos individuais.
b) Analisando a integridade de cada sequncia a ser buscada

Quando estamos produzindo as nossas prprias sequncias FASTA, a partir do
sequenciamento ou da anlise de genomas especficos, preciso verificar a disposio e a integridade
destas. Por exemplo, no caso do estudo de retroelementos, precisamos analisar as regies LTRs
flanqueadoras, para tentar identificar se existem outros LTRs inseridos na sequncia a ser analisada
(nested LTRs) etc. Alm disso, se ambos os LTRs esto intactos, mantendo uma sequncia nucleotdica
similar, e se no existirem muitas repeties ou mutaes na regio interna do LTR-RT, isso um
indicativo de que este est ativo. A manuteno da semelhana entre ambos os LTRs ocorre porque a
metade final do primeiro (5') serve de molde para a produo da metade inicial do segundo (3') e vice-
versa. O programa Dotter pode ser usado para verificar a integridade das sequncias a serem
buscadas em nossa biblioteca de cDNA.
O grfico do Dotter mostra na diagonal central a sequncia analisada e paralelo a ela as

sequncias duplicadas, assim, possvel definir a poro inicial e final do LTR-RT (o incio tem uma
9 de 28
sequncia 5-TG-3 e o final uma sequncia 5-CA-3 em cada um dos 2 LTRs). Tambm possvel
analisar a integridade da parte interna do LTR-RT, sendo que as linhas paralelas indicaro a integridade
dos genes, a presena de mutaes (como snp) etc. Quanto mais intacta a ORF (Open Read Frame),
maior o indcio de atividade do LTR-RT.
Exemplos de alguns comandos do Dotter a serem feitos no terminal linux

~$ dotter -l dot nome_do_arquivo.fasta nome_do_arquivo.fasta
~$ dotter -b dot nome_do_arquivo.fasta nome_do_arquivo.fasta
Observao
Deve-se repetir o nome do arquivo duas vezes quando se quiser comparar as suas sequncias
internas. No caso dos retroelementos, isso relevante devido a presena de sequncias
repetidas, como as LTRs.
c) Caracterizando melhor cada sequncia a ser buscada

Uma anlise mais profunda das sequncias FASTA pode ser feita, a fim de identificar, por exemplo,
a presena de cdons de trmino dentro de uma ORF ou, ento para anotar os diferentes componentes
dessas regies, como promotores, introns, exons etc. Neste caso, podemos utilizar o programa Artemis:
Este programa pode ser baixado do seguinte endereo:

https://www.sanger.ac.uk/resources/software/artemis/
Para abrir a interface grfica do Artemis via terminal, basta ir ao diretrio onde este foi
descompactado, mudar a permisso de uso do arquivo arc (uma programao em Shell que inicia o
Artemis) para torn-lo executvel:
~$ chmod 777 art
Em seguida, tecla-se:
~$ ./art &
Onde:
./ representa um comando que indica que arc uma programao em shell que dever ser
iniciada;
& permite que o terminal fique livre para realizar outras atividades enquanto o programa
acionado (no caso, o Artemis) estiver funcionando.
Este programa pode ser utilizado para demarcar regies especficas em nossas sequncias, como
as regies promotoras, ntrons, xons etc. Automaticamente, ele tambm apresenta as trs possveis
matrizes de leitura do trecho analisado, os seus respectivos aminocidos, bem como os cdons sem
sentido (de trmino). Assim, no caso da nossa sequncia de interesse representar uma ORF ( Open Read
Frame ou seja, um trecho que costuma ser transcrito e que pode ser traduzido em peptdeo),
podemos tirar concluses importantes sobre a mesma. Por exemplo, a matriz de leitura correta da
mesma dever ser aquela que tenha apenas cdons de trmino na sua parte final. Por outro lado, a
presena de vrios cdons de trmino dentro de uma ORF nas diferentes matrizes de leitura, um
indicativo de que esta no seja funcional.
10 de 28
4 Fazendo o alinhamento das sequncias

Depois que todos os arquivos esto preparados para a anlise, possvel iniciar a busca pelas
sequncias de interesse em nossa biblioteca de cDNA. Existem diferentes programas que podem fazer
esse alinhamento, sendo um dos mais conhecido o BLAST (The Basic Local Alignment Search Tool).
Entretanto, cada programa costuma se utilizar de algortimos especficos, e pode servir a diferentes
interesses de busca. No endereo abaixo so listados uma srie de softwares que permitem fazer o
alinhamento de sequncias:
https://en.wikipedia.org/wiki/List_of_sequence_alignment_software
a) Alinhando sequncias pelo Blast

BLAST significa Ferramenta de Busca por Alinhamento Local (Basic Local Alignment Search Tool) .
Esta ferramenta mantida pelo NCBI (National Center for Biotechnology Information), um banco pblico
norte americano de biologia molecular que rene sequncias de protenas e de nucleotdeos de
diferentes espcies, bem como ferramentas que permitem o seu estudo, disponvel no seguinte
endereo:
http://www.ncbi.nlm.nih.gov/
O BLAST um algoritmo que serve para compararmos sequncias biolgicas, como trechos de
aminocidos ou nucleotdeos de diferentes espcies. Embora menos eficiente que outros programas de
alinhamento (como o Bowtie), o uso do Blast importante para termos uma ideia da qualidade dos
nossos dados, sendo que os seus resultados podero ser usados para comparao com aqueles obtidos
por outros programas. Na internet, o Blast est disponvel no seguinte endereo:
www.ncbi.nlm.nih.gov/BLAST/
11 de 28
Porm, no nosso caso, possvel baixar e instalar no computador ou servidor essa ferramento de
alinhamento, a partir do seguinte comando:
~$ sudo apt-get install ncbi-blast+
Dessa forma, poderemos buscar por sequncias de interesse em nossa biblioteca de cDNA.
Lembrando que isto dever ser feito somente depois de analisarmos a qualidade da nossa biblioteca
(com o FastQC) e de eliminarmos dela as sequncias curtas ou de m qualidade (com o PRINSEQ). Para
tanto, preciso realizar os seguintes passos:
1 Converter a nossa biblioteca do formato fastq para fasta, pois este o formato padro usado
pelo BLAST:
~$awk 'BEGIN{P=1}{if(P==1||P==2){gsub(/^[@]/,">");print}; if(P==4)P=0; P++}'
nome_da_biblioteca.fastq > nome_da_biblioteca.fasta
Observao
Mais informaes sobre o programa awk sero dadas logo abaixo.
2 Criar os arquivos DB (database) de referncia do BLAST, a partir da biblioteca em fasta:

~$ makeblastdb -in nome_da_biblioteca.fasta -dbtype nucl
Onde:
in indica que o arquivo a seguir ser modificado;
-dbtype indica o tipo de arquivo da biblioteca fasta (protena ou nucleotdeo o
padro protena, por isso precisa colocar nucl).
Com isso, sero gerados os arquivos ndices (com as extenses .nhr, .nin e .nsq) que sero
utilizados pelo BLAST para fazer o alinhamento com as nossas sequncias de interesse.
3 Em seguida, possvel fazer a busca da sequncia de interesse em nossa biblioteca:

~$ blastn -query nome_do_arquivo.fasta -db nome_da_biblioteca.fasta -out nome_do_arquivo.fasta.res
-evalue 10e-20 -outfmt 6
Onde:
-query informa ao BLAST a sequncia que ser buscada na biblioteca;
-db informa ao BLAST a biblioteca onde ser feita a busca;
-out informa ao BLAST o nome do arquivo de sada onde sero gravados os resultados;
-evalue 10e-20 determina os alinhamentos que sero mantidos no arquivo de sada,
considerando um valor mnimo de probabilidade (quanto menor o evalue mais
significativo o escore e o alinhamento ou seja, menor a probabilidade de que o
alinhamento tenha ocorrido apenas por acaso), sendo o default = 10;
-outfmt formato em que o arquivo de sada ser gravado [Opes: 0 = pairwise, 1 =
query-anchored showing identities, 2 = query-anchored no identities, 3 = flat query-
anchored, show identities, 4 = flat query-anchored, no identities, 5 = XML Blast output, 6
= tabular, 7 = tabular with comment lines, 8 = Text ASN.1, 9 = Binary ASN.1, 10 =
Comma-separated values, 11 = BLAST archive format (ASN.1)].
Como resultado teremos um arquivo no formato tabular contendo as informaes sobre o

alinhamento da nossa sequncia fasta especfica com as sequncias presentes na nossa biblioteca:
gbs0001 SRR922308.22970895.1 100.00 91 0 0 738 828 1 91 2e-39 169
gbs0001 SRR922308.22905848.1 100.00 91 0 0 1045 1135 1 91 2e-39 169
gbs0001 SRR922308.22893067.1 100.00 91 0 0 70 160 1 91 2e-39 169
gbs0001 SRR922308.21109612.1 100.00 91 0 0 962 1052 1 91 2e-39 169
gbs0001 SRR922308.20753907.1 100.00 91 0 0 836 926 1 91 2e-39 169
gbs0001 SRR922308.20480445.1 100.00 91 0 0 963 1053 91 1 2e-39 169
gbs0001 SRR922308.19361126.1 100.00 91 0 0 698 788 1 91 2e-39 169
.........................
12 de 28
Onde, cada uma dessas colunas representam, respectivamente:

Query id, subject id, % identity, alignment length, mismatches, gap opens, q. start, q. end, s.
start, s. end, evalue e bit score.
Observaes
No momento de se fazer o BLAST, pode-se usar a opo -outfmt 7 para obter essa mesma
tabela com as informaes sobre cada campo;
Entretanto, para quem deseja manipular essas informaes via terminal, como veremos a
seguir, conveniente que o arquivo a ser trabalhado seja uniforme, ou seja, contenha apenas
colunas separadas por um espaador regular (tabulaes, ponto e vrgula etc);
Lembrando que possvel obter essas informaes um dos seguinte comando:
~$ blastn -help ou blastx -help ou blastp - help
Extraindo informaes da nossa tabela de resultados com o programa awk

O programa awk permite extrair informaes de arquivos com padres regulares, como tabelas, e
reorganizar essas informaes para gerao de novas tabelas ou arquivos. Combinado com outros
comandos (grep, cat etc) possvel extrair rapidamente uma srie de informaes importantes de um
arquivo de resultados com milhares de informaes. A seguir so dados alguns exemplos de comandos
que podem ser usados para extrair informaes do nosso arquivo resultados no formato de tabelas:
~$ cat nome_do_arquivo.fasta.res | awk '{print $1}'
Significado: pegue o arquivo especificado e exiba a primeira coluna.
~$ awk -F';' '{print $2,$4}' nome_do_arquivo.fasta.res
Significado: imprima as colunas 2 (sequncia que alinhou com o query) e 4 (comprimento do
alinhamento) do arquivo especificado, cujo separador de campos ';'.
~$ awk '$3 >= 95 {print $3, $4}' nome_do_arquivo.fasta.res
Significado: pegue na coluna 3 (% de identidade entre as sequncias) do arquivo especificado
os indivduos com valores iguais ou superiores a 95 (semelhana gentica) e exiba essas
mesmas colunas.
~$ cat nome_do_arquivo.fasta.res | awk '$4 >= 80 {print $3, $4}'
Significado: no arquivo especificado, se o resultado da coluna 4 (comprimento do alinhamento)
for igual ou superior a 80, imprima as colunas 3 (% de identidade entre as sequncias) e 4
(comprimento do alinhamento).
~$ awk '{if($3 >= 95 && $4 >= 80) print $2, $3}' nome_do_arquivo.fasta.res
Significado: se no arquivo especificado a coluna 3 (% de identidade entre as sequncias) for
igual ou maior que 95 e a coluna 4 (comprimento do alinhamento) for igual ou maior que 80,
imprima ambas.
~$ awk '{if($3 >= 95 && $4 >= 80) print $2, $3} END {print Total = NR}'
nome_do_arquivo.fasta.res
Significado: obtm o mesmo resultado anterior e, no final (comando END), exiba o total de
registros (NR).
~$ awk '/100.00/ {print $3, $4} nome_do_arquivo.fasta.res
Significado: procure pelo nmero 100.00 e exiba as respectivas colunas 3 e 4.
~$ awk '$3 ~/100/ {print $3, $4} nome_do_arquivo.fasta.res
Significado: procure pelo nmero 100 apenas na coluna 3 e exiba as respectivas colunas 3 e 4.
~$ awk '$3 ~/100/ , /95/ {print $3, $4} nome_do_arquivo.fasta.res
Significado: procure pelos valores entre 100 e 95 apenas na coluna 3 (semelhana gentica) e
exiba as respectivas colunas 3 e 4.
Alguns significados dos comandos utilizados

awk -f especifica o nome do arquivo que possui o conjunto de padres a ser usado;
$1, $2 etc se referem a coluna 1 coluna 2 etc do arquivo a ser analisado;
$NF se refere sempre ltima coluna do arquivo a ser analisado;
-F define quem o separador de campos (o padro o espao, mas pode ser tab (/t), ponto e
13 de 28
vrgula etc). Outra forma de informar isso:

BEGIN{RS = / ou /t} no primeiro caso o separador dos campos a barra
invertida e no segundo, tabulao;
BEGIN e END padres especiais que indicam, respectivamente, o que o awk deve
fazer antes de iniciar e depois de terminar a anlise.
Operadores relacionais usados no awk

== igual a;
!= no igual a;
> maior que;
>= maior ou igual a;
< menor que;
<= menor ou igual a.
Operadores lgicos usados no awk

&& e (isso e isso);
|| ou (isso ou aquilo);
! no (diferente disso).
Redicionadores de Entrada/Sada usados no awk

> redireciona os resultados para a sada;
>> redireciona para o final de um arquivo;
< redireciona para a entrada de um arquivo.
Criando um arquivo awk executvel

Um script pode ser usado para analisar diferentes arquivos que tenham uma mesma estrutura.
Neste caso:
1 Abrimos um editor de texto simples (por exemplo, o gedit), que no crie formataes
complexas nos arquivos e digitamos as seguintes linhas:
awk
'{
if($3 >= 95 && $4 >= 80)
print $2, $3}
{sum+=$4}
END {print Sequence number = NR}
END {print Total lenght of fragments = sum}'
arquivo.res
2 Salvamos o arquivo colocando a extenso awk, (ex: comando1.awk).

3 No terminal, mudamos a permisso desse arquivo para que este se torne executvel:
~$ chmod 777 comando1.awk
4 Agora podemos extrair os dados automaticamente dos diferentes arquivos de resultados, para
os diferentes arquivos fasta alinhados com o BLAST:
~$ cat arquivo1_fasta.res | ./comando1.awk
...
Com esse comando podemos descobrir rapidamente em nosso blast o total de sequncias que
apresentaram identidade igual ou superior a 95% com a nossa sequncia modelo ( query) e que tm
tamanho mnimo de 80 nucleotdeos.
Porm, tambm importante comparar o total de sequncias obtidas com o nosso arquivo
14 de 28
original o nosso material sequenciado (arquivo em formato fastq original) pois cada sequenciamento
de cDNA de cada tecido poder ter tamanhos diferentes (profundidade diferente de sequenciamento).
Neste caso, usa-se o programa infoseq do Emboss junto com o awk:
~$ infoseq -only -length -nohead [nome_da_biblioteca.fastq/a] | awk '{sum += $1}END{print sum}'
b) Alinhando sequncias com o Bowtie2

O programa Bowtie2 alinha sequncias curtas de DNA (reads) de grandes genomas, de uma
maneira rpida e consumindo pouca memria devido a forma como este indexa os dados. Ele tambm
forma a base de outras ferramentas de anlise, como o TopHat. Alm disso, devido ao seu algoritmo,
ele uma alternativa melhor que o Blast para esse tipo de anlise.
O Bowtie2 pode ser instalado via terminal:

~$ sudo apt-get install bowtie2
Passos necessrios
I Indexando um genoma de referncia com o bowtie2-build
Para cada uma das sequncias (em formato fasta) que ser buscada em nossa biblioteca de cDNA
preciso gerar um grupo de arquivos ndices. Isso conseguido a partir do seguinte comando:
~$ bowtie2-build nome_do_arquivo.fasta nome_do_arquivo.fasta.index
Com isso so criados 6 arquivos ndices que sero utilizados pelo Bowtie2 para o alinhamento das
sequncias:
Depois que o Bowtie2 termina de fazer os alinhamentos, esses arquivos *bt2 podem ser
deletados.
II Alinhando as sequncias
Depois que os arquivos ndices so gerados, pode-se iniciar o alinhamento de cada uma das
sequncias em nossa biblioteca de cDNA. Para tanto, basta digitar no diretrio em que esto os
arquivos fasta, fastq e index, o seguinte comando:
~$ bowtie2 -x nome_do_arquivo.fasta.index -U nome_da_biblioteca.fastq -S nome_do_arquivo.sam -p 2
-a --no-unal --sensitive
Observaes
Nome do arquivo sam: convm colocar o nome da sequncia buscada e da biblioteca (ex:
fasta1.biblioteca5.fastq.sam);
x indica o arquivo ndice (obtido a partir de cada arquivo fasta isolado e indexado) a ser
utilizado;
15 de 28
U indica o arquivo (ou arquivos, se separados por vrgula) contendo as sequncias no

pareadas que sero alinhadas (no caso, a nossa biblioteca de cDNA);
S indica o arquivo de sada produzido pelo Bowtie2 e que ser gravado no formato SAM
(deve-se escolher o mesmo nome dado aos arquivos fasta e fastq buscados quando se trabalha
com vrios arquivos fasta e so analisadas vrias bibliotecas);
a indica ao Bowtie2 que este deve buscar pelos alinhamentos vlidos sem limitar o nmero
de alinhamentos a serem procurados (demora um pouco mais, mas mais eficiente);
p indica o nmero de ncleos do servidor/computador que sero utilizados pelo programa
para o processamento dos dados (quanto mais ncleos, maior a velocidade de processamento);
--sensitive indica ao programa que este deve procurar por alinhamentos que envolvam todos
os nucleotdeos da sequncia buscada e no apenas por alinhamentos parciais (alinhamento
"untrimmed" ou "unclipped");
--no-unal indica ao programa que este deve eliminar as sequncias (reads) que no
alinharam (o que diminui o tamanho do arquivo de sada), gravando-as em um arquivo (se for
especificado -- no-unal nome_do_arquivo);
--un separa os reads que no se parearam e os grava em um arquivo (se for especificado
--un nome_do_arquivo).
c) Convertendo arquivos SAM para BAM

Ao utilizarmos o programa Bowtie2, gerado um arquivo em formato SAM contendo informaes
sobre todas as sequncias que se alinharam na biblioteca de cDNA. Entretanto, como vimos
anteriormente, alm de ocuparem um grande espao, eles podem no ser o formato padro para uma
srie de programas. Por isso, comum termos que convert-los para o formato BAM. O programa
SAMtools fornece uma srie de sub-rotinas que permitem manipular e converter programas gravados
no formato SAM, incluindo o sorteio, unio, indexao etc. Para instalar essa ferramenta, basta digitar
no terminal:
~$ sudo apt-get install samtools
Em seguida, basta acessar o terminal e digitar o seguinte comando:

~$ samtools view -Sb nome_do_arquivo.sam -o nome_do_arquivo.bam
Onde:
-S informa que arquivo de entrada est em formato SAM;
-b indica que o arquivo de sada dever ser gravado no formato BAM;
-o nome do arquivo de sada;
-t deve ser usado caso a linha de cabealho (@SQ) esteja ausente.
I Criando um arquivo BAM sorteado

Alguns programas de anlise, como o Artemis, exigem que o arquivo no formato BAM seja
sorteado, o que garante um acesso mais eficiente essas sequncias. Um arquivo BAM sorteado, alm
de ser mais compacto mais conveniente para a descoberta de variao nas sequncias estudadas.
Para produzi-lo, basta acessar o terminal e digitar o seguinte comando:
~$ samtools sort nome_do_arquivo.bam nome_do_arquivo.bam.sorted
16 de 28
II Criando um arquivo BAM indexado

Alguns programas de anlise, como o Artemis, tambm exigem um arquivo BAM indexado para
poder acess-lo de uma maneira mais eficiente. Isso feito a partir do arquivo bam sorteado, usando-
se o seguinte comando:
~$ samtools index nome_do_arquivo.sorted.bam
III Convertendo um arquivo BAM em SAM

Como os arquivos no formato BAM so mais compactados que aqueles em formato SAM, comum
manter no computador apenas os primeiros. Mas, s vezes, pode ser necessrio retornar um arquivo
BAM ao formato SAM para que possamos extrair alguma informao, usando, por exemplo, um editor
de texto (uma vez que isso no pode ser feito com os arquivos no formato BAM). Neste caso, pode-se
utilizar o seguinte comando:
~$ samtools view -h nome_do_arquivo.bam -o nome_do_arquivo.sam
Onde:
-h inclui cabealho no arquivo de sada.
-o nome do arquivo de sada.
d) Visualizando o alinhamento da sequncia alvo

possvel visualizar, com o programa Artemis, como as sequncias buscadas alinharam em um
trecho da nossa biblioteca de cDNA. Para tanto, so necessrios os seguintes arquivos:
arquivo.fasta arquivo.sorted.bam arquivo.sorted.bam.bai
Tendo os arquivos em mos, basta abrir o programa Artemis e seguir os passos abaixo:
~$ ./art &
Passo 1: File Open (ou control O) arquivo.fasta

Passo 2: File Read BAM /VCF arquivo.sorted.bam
Com isso gerada uma imagem mostrando a posio em que cada read pareou:
Observaes
Os reads alinhados e com a mesma sequncia nucleotdica da biblioteca pesquisada so
representados com colorao escura;
Os reads alinhados e que apresentam sequncia inversa da biblioteca so apresentados na
colorao verde;
17 de 28
Este ltimo caso bastante comum quando se pesquisa por ncRNA (RNAs no expressos em
peptdeos), tendo em vista que muitos deles so reguladores da expresso gnica.
5 Usando programao Shell

possvel criar uma programao em Shell para fazer boa parte dessas anlises, bem como para
extrair as informaes de interesse. Por exemplo, pode-se fazer as buscas de todas as sequncias fasta
na biblioteca fastq usando o programa Bowtie2, combinar subrotinas do Emboss (como o infoseq) com
a linguagem de programao AWK e com outros mdulos do Shell, obter normalizaes etc. Com isso,
boa parte da busca por sequncias nas bibliotecas de cDNA podem ser automatizadas. Abaixo
apresentado uma programao em Shell desenvolvida pelo Dr. Romain Guyot para tal tipo de estudo:
#!/bin/sh
###########################################
# Fazendo a indexao e a busca das sequncias #
# de interesse (*.fasta) em nosso transcriptoma #
# (*.fastq) usando o programa Bowtie2 e usando o #
# programa Samstools para converter os arquivos sam em bam #
###########################################
# Colocando a data de anlise nos arquivos gerados:

DATE=`date '+%d_%m_%Y'`
for j in *.fasta
do
# Indexando os arquivos fasta:

bowtie2-build ${j} ${j}.index
# Mapeando as sequncias (fasta) na biblioteca com o Bowtie2:
bowtie2 -x ${j}.index -U nome_do_arquivo.fastq -S ${j}.nome_do_arquivo.sam -a --no-unal

--sensitive --met-file README.${j}.nome_do_arquivo.res
# Opes:
# --no-unal: elimina as sequencias (reads) que no alinharam, tornando o arquivo menor.
# a: busca pelos alinhamentos validos sem limitar o numero de alinhamentos a serem procurados.
# Convertendo o arquivo SAM em BAM:

samtools view -Sb ${j}.nome_do_arquivo.sam -o ${j}. nome_do_arquivo.bam
# Sorteando e indexando o arquivo BAM para ser usado no programa Artemis:

samtools sort ${j}.nome_do_arquivo.bam ${j}.nome_do_arquivo.bam.sorted
samtools index ${j}.nome_do_arquivo.sorted.bam
############################################
# Coletando os dados e gravando uma tabela com #
# os resultados de interesse #
############################################
# Obtendo o tamanho da sequencia fasta que foi buscada:

SIZE=ìnfoseq -only -length -nohead ${j} | sed 's/ //g'`
echo ${SIZE:-PROBLEM}
# O arquivo acima entrar na varivel FILE

# indexando a varivel FILE
# Calculando o nmero de sequncias encontradas na biblioteca:

NB=àwk 'END {print $2}' README.{j}.nome_do_arquivo.res`
# Calculando o nmero de sequencias alinhadas nos arquivos SAM:

sed -i '/^@/d' ${j}.nome_do_arquivo.sam
READS=`grep -c '^' ${j}.nome_do_arquivo.sam`
18 de 28
# Agrupando os dados e fazendo as normalizaes:
N1=$( echo "scale=11; ${READS} / ${NB} * 1000000" | bc )

N2=$( echo "scale=11; ${N1} / ${SIZE} * 1000" | bc )
echo "${j};${SIZE:-PROBLEM};nome_do_arquivo.fastq;${NB:-PROBLEM};${READS:-PROBLEM};
${N1:-PROBLEM};${N2:-PROBLEM}" >> nome_do_arquivo.fastq.RESULTS_all_db.${DATE}
#
done
Alguns comandos a serem usados em linha de comando para se rodar ou se fazer alteraes
em nosso programa em Shell:
~$ chmod 770 nome_do_programa.sh
Significado: muda a permisso do arquivo e indica que este um programa que pode ser lido,
aberto e executado pelo usurio e pelo grupo.
~$ ./nome_do_programa.sh
Significado: para iniciar o programa pelo terminal.
~$ ./nome_do_programa.sh &
Significado: colocando o & no final do comando far o processo correr em segundo plano,
liberando o terminal para outras atividades.
~$ sed -i "s/nome_a_ser_trocado/novo_nome/g" nome_do_programa.sh
Significado: usando esse comando, no preciso abrir o arquivo de programa para trocar os
nomes das bibliotecas e dos arquivos correspondentes (sam, bam, res etc), o que facilita
sobremaneira a anlise quando se tem um grande nmero de bibliotecas a serem estudadas e
um grande nmero de trocas dentro dos arquivos.
6 Normalizao dos reads quando no se tem repeties para as diferentes bibliotecas

Um dos objetivos do sequenciamento de RNAs (RNA-Seq) tentar descobrir como os genes se
expressam diferencialmente em diferentes condies ou tecidos. Acontece que, o nmero de reads
mapeados para cada tipo de RNA linearmente correlacionado com a sua abundncia dentro da clula:
nmero de reads nvel de expresso do gene
Assim, o sequenciamento de RNA (RNA-Seq) oferece uma aproximao quantitativa da

abundncia dos transcritos-alvo na forma de counts (contagens). Entretanto, essas contagens precisam
ser normalizadas para a remoo de vises tcnicos decorrentes dos passos necessrios para a
realizao do RNA-seq, particularmente aquelas referentes ao comprimento das diferentes molculas
de RNAs e a profundidade do sequenciamento de diferentes bibliotecas ou de amostras:
Por exemplo, esperado que sequenciamentos mais profundos resultem em um maior

nmero de counts, provocando um vis se formos comparar transcritos de diferentes
sequenciamentos com diferentes profundidades;
Similarmente, sequncias maiores de RNAs so mais provveis de serem sequenciadas,
resultando em uma maior quantidade de counts, provocando um vis nas comparaes
entre sequncias com diferentes tamanhos.
Portanto, preciso equacionar os dados para se ter uma medida mais correta da taxa de
expresso dos RNAs nas diferentes bibliotecas. Por esse motivo feita a normalizao dos counts.
Existem vrias metodologias utilizadas na normalizao das sequncias detectadas nas bibliotecas de
cDNA e, cada uma delas pode ser mais ou menos adequada, dependendo do tipo de dados que
dispomos. Alm disso, por se tratar de uma metodologia recente, as vantagens e as desvantagens de
cada uma delas ainda esto sendo avaliadas pela comunidade cientfica, no existindo ainda uma
metodologia definitiva. Na verdade, estudos recentes apontam que os resultados da normalizao e da
anlise da expresso diferencial pode variar bastante de acordo com a metodologia que usamos.
Principalmente para os casos onde os experimentos so planejados sem repeties. Na verdade,
atualmente totalmente recomendvel que os experimentos sejam feitos com repeties e as anlises
19 de 28
realizadas com metodologias mais eficientes, como veremos mais frente.
Exemplificando
Imagine que foram realizados dois sequenciamentos, sendo que, no RNA-seq1 foram mapeados 6
milhes de reads e no RNA-Seq2, 8 milhes de reads, sendo obtidos os seguintes dados:
N de reads para o loco N de reads para o loco

Loco Tamanho do loco
(RNA-Seq 1) (RNA-Seq 2)
A 600 12 19
B 1100 24 28
C 1400 11 16
I A normalizao via RPKM

RPKM significa Reads por Kilobase por Milho de Reads Mapeados ( Reads Per Kilobase per Million
mapped reads). Este leva em conta o nmero de reads, o tamanho dos locos e o nmero total de reads
obtidos.
RPKM = C/LN
Onde:
C: Nmero de reads mapeados para uma sequncia (ex. transcrito, exon, etc).
L: Comprimento da sequncia (em kb).
N: Nmero total de reads mapeados (em milhes).
Os valores ajustados via RPKM para os locos analisados nos RNA-seq1 e 2 sero:
Amostra 1 - foram mapeados 6 milhes de reads:

Loco A: C = 12 reads, L = 0,6 e N = 6 RPKM = 12/(0,6x6) = 3,33
Loco B: C = 24 reads, L = 1,1 e N = 6 RPKM = 24/(1,1x6) = 3,64
Loco C: C = 11 reads, L = 1,4 e N = 6 RPKM = 11/(1,4x6) = 1,31
Amostra 2 - foram mapeados 8 milhes de reads:

Loco A: C = 19 reads, L = 0,6 e N = 8 RPKM = 19/(0,6x8) = 3,96
Loco B: C = 28 reads, L = 1,1 e N = 8 RPKM = 28/(1,1x8) = 3,18
Loco C: C = 16 reads, L = 1,4 e N = 8 RPKM = 16/(1,4x8) = 1,43
II Normalizao via TPM

TPM significa Transcritos por milho (Transcripts per million), e foi proposto por Wagner et al., 2012
(http://link.springer.com/article/10.1007%2Fs12064-012-0162-3 e https://www.biostars.org/p/133488/),
como uma alternativa de normalizao mais consistente que o RPKM:
TPM = (Nx1000000)/(TxL)
Onde:
N: Nmero de reads mapeados para uma sequncia (ex. transcrito, exon, etc)
L: Comprimento da sequncia (em Kb)
T: Soma de todas as taxas de transcrio (Soma de N/L) = Comprimento mdio dos reads
Retornando ao nosso exemplo:
Amostra 1: Loco N L N/L T [(N/L)] TPM (Nx1000000)/(TxL)

A 12 0,6 20,000 49,675 402614,38
B 24 1,1 21,818 49,675 439215,69
C 11 1,4 7,857 49,675 158169,93
T = 49,675
20 de 28
Amostra 2: Loco N L N/L T [(N/L)] TPM (Nx1000000)/(TxL)

A 19 0,6 31,667 68,550 461951,37
B 28 1,1 25,455 68,550 371329,33
C 16 1,4 11,429 68,550 166719,29
T = 68,550
Agora, podemos comparar os resultados das nossas normalizaes com os nossos dados brutos:
Pode-se observar com as normalizaes que as diferenas encontradas entre os RNA-seq1 e 2,

que tinham profundidades diferentes de sequenciamento, so minimizadas. Alm disso, ocorre uma
inverso para o loco B em termos de expresso entre o RNA-seq 1 e 2.
7 Anlise da expresso diferencial quando se tem repeties para as diferentes bibliotecas

Neste caso, podemos utilizar programa IDEG6 (Identification Differentially Expressed Genes test
statistics), disponvel no site http://telethon.bio.unipd.it/bioinfo/IDEG6_form/).
A montagem do arquivo para a normalizao e o teste de expresso diferencial feita da seguinte

forma:
UNIQID Description 32000000 19581904 30541254 27345728 21296792

Loco 1 229 171 252 27 41
Loco 2 483 297 289 41 21
Loco 3 5 4 6 2 40
Loco 4 151 112 282 29 63
Loco 5 17 13 48 1 5
Loco 6 164 107 246 20 68
Loco 7 956 526 1441 65 94
21 de 28
Loco 8 114 93 131 18 37

Loco 9 271 131 228 24 48
Loco 10 351 280 325 360 29 0
...
Onde:
A primeira coluna contm os locos buscados em nossa biblioteca;
As colunas subsequentes contm os nmeros de reads de cada biblioteca estudada;
Na primeira linha deve ser colocado o tamanho (o nmero total de reads) de cada biblioteca;
Nas linhas subsequentes so colocados os nmeros de reads (number of aligned/mapped reads)
para cada loco;
Genes que no apresentaram nenhum read em nehuma das bibliotecas precisam ser retirados.
No nosso exemplo, utilizamos a anlise de Audic and Claverie (1997), que desenvolveram um
teste estatstico especificamente adaptado para a anlise da expresso diferencial de genes (tags).
Neste caso:
Dado p(x), que a probabilidade de observarmos um nmero x de tags em uma biblioteca

genmica A;
Eles obtiveram a probabilidade de observarmos y nmero de tags na biblioteca B, tendo em
vista que x tags foram observados em A;
Considerando-se que NA e NB so o nmero total de tags para as bibliotecas A e B,
respectivamente;
E sob a hiptese de expresso igual desse mesmo gene nas condies A e B (ou seja, de
mesmos valores em ambas as condies).
Nesta anlise, quanto menor a probabilidade p(y|x), mais diferencialmente expresso ser o loco
analisado entre ambas as bibliotecas analisadas. Lembrando que estas comparaes sero sempre
duas a duas. Ento, se tenho os resultados da expresso as bibliotecas A, B e C, sero obtidas as
comparaes para cada loco: (A x B), (A x C) e (B x C). Tambm trabalharemos com a correo de
Bonferroni, que pode ser usada caso o mesmo teste estatstico seja aplicado repetidamente usando o
mesmo conjunto de dados. Neste caso, o nvel alfa (a probabilidade de se cometer o erro estatstico
tipo I) ser ajustado de acordo com os resultados da nossa anlise. Ou seja, a nossa linha de corte para
definirmos os resultados significativos dos no significativos no ser necessariamente um valor fixo de
alfa (como o 5% comumente usado, por exemplo).
Os resultados produzidos pelo IDEG6 para os genes acima so dados na figura abaixo. Observe
que como o resultado da correo de Bonferroni foi de 0,005, todos as comparaes cuja probabilidade
foi igual ou maior que esse valor foram consideradas no significativas (apenas as expresses
significativas entre cada par de comparao so marcadas em amarelo):
8 Normalizao dos reads quando se tem repeties para as diferentes bibliotecas

A situao ideal que faamos 3 ou mais sequenciamentos independentes para cada tratamento
e para cada grupo controle. Algo que est se tornando cada vez mais vivel, com o barateamento e
rapidez do processo de sequenciamento graas as tecnologias de sequenciamento nova gerao (NGS
22 de 28
Next Generation Sequencing). Quando temos tais repeties, podemos usar programas como o EdgeR e
o DESeq2 para fazer a normalizao e as anlises estatsticas.
possvel usar o DESeq para analisar experimentos sem repetio, mas os resultados costumam
no ser to precisos. Com o uso de repeties, minimizamos os erros amostrais do nosso experimento,
o que aumenta a chance de descobrirmos realmente quais locos influenciam o fenmeno que estamos
estudando. O programa DESeq2 se utiliza te teste exato baseado em distribuio negativa binomial
para realizar a anlise de expresso diferencial. Como vimos anteriormente, faz-se a normalizao:
Quando trabalhamos com sequncias de diferentes tamanhos;

Para que as sequncias totais obtidas de diferentes condies (profundidades de
sequenciamento) possam ser comparadas.
Existem diferentes tutoriais disponveis na internet para se fazer a normalizao com o DESeq2
com o pipeline a ser seguido, tambm chamados de vignettes. Vamos utilizar apenas um deles. Este
programa roda em R, e deve ser instalado a partir do site Bioconductor, sendo necessria a instalao
de vrios programas diferentes:
https://www.bioconductor.org/
O programa R est disponvel para diferentes sistemas operacionais e o programa Rstudio possui
uma interface grfica que facilita o uso deste programa. Existem verses para o Windows e Linux
desses programas:
Site do R: https://www.r-project.org/
Site do RStudio: https://www.rstudio.com/
Lembrando que em ambos os casos, as anlises ocorrero a partir da digitao de comandos.

Abaixo apresentada a interface grfica do programa RStudio para GNU/Linux:
23 de 28
A seguir so listados alguns dos programas necessrios para se rodar o DESeq2:
BIOCONDUCTOR: CRAN:
source("https://bioconductor.org/biocLite.R") DBI liblapack (exige instalao proto
biocLite("Biobase") RSQLite pela central de programas) MASS
biocLite("S4Vectors") xtable lattice Formula
biocLite("IRanges") Rcpp snow latticeExtra
biocLite("GenomicRanges") reshape2 locfit cluster
biocLite("GenomeInfoDb") digest RColorBrewer rpart
biocLite("BiocParallel") stringr dichromat nnet
biocLite("genefilter") (exige instalao do stringi colorspace acepack
gfortran pela central de programas) magrittr munsell Hmisc
biocLite("annotate") RcppArmadillo xml2 (precisa instalar xml2- plyr
biocLite("biogenerics") gtable dev -> sudo apt-get install survival
biocLite("geneplotter") BH libxml2-dev) XML
biocLite("ggprot2") (instalado a partir de lambda.r labeling foreign
download do arquivo) futile.options scales gridExtra
biocLite("AnnotationDbi") futile.logger
biocLite("DESeq")
biocLite("DESeq2")
Lembrando que a instalao de alguns desses programas pode depender da instalao prvia dos
outros. Depois de instalado precisamos preparar os dados para a anlise. O tutorial aqui apresentado
foi modificado do seguinte endereo:
https://harshinamdar.wordpress.com/2014/11/11/quick-tutorial-on-deseq2/
Neste caso, so necessrios 2 arquivos:

Arquivo_de_dados.tbl
Arquivo_de_informao_do_experimento.tbl
Exemplo do formato do arquivo de dados:

gene Controle1 Controle2 Tratamento1 Tratamentok2
loco1 29 10 660 963
loco2 123 33 1295 1671
loco3 9 4 145 250 504
Exemplo do formato do arquivo de informao do delineamento experimental:

samples condition
Controle1 control
Controle2 control
Tratamento1 treatment
Tratamento2 treatment
Exemplo de um vignette para se analisar esses dados pelo DESeq2:
#############################################################
# Fazendo as anlises no DESeq2
#############################################################
# Abrindo o programa:
library("DESeq2")
# Informando o arquivo de dados:

countData <- read.table("strepto_data.tbl",header=TRUE,row.names=1)
countData
24 de 28
# Aparecer a seguinte informao:

#gene Controle1 Controle2 Tratamento1 Tratamentok2
#loco129 10 660 963
#loco2123 33 1295 1671
#loco39 4 145 250 504
#
# Informando o arquivo com o modelo experimental:

colData <- read.table("strepto_info.tbl",header=TRUE,row.names=1)
colData

#samples condition
#Controle1 control
#Controle2 control
#Tratamento1 treatment
#Tratamento2 treatment
# Criando a matriz de dados do DESeq (DESeqDataSet):

dds <- DESeqDataSetFromMatrix(countData = countData,colData = colData,design = ~ condition)
dds

# class: DESeqDataSet
# dim: 2176 5
# exptData(0):
# assays(1): counts
# rownames(2176): ncRNA_1 ncRNA_2 ... gbs2133 gbs2134
# rowRanges metadata column names(0):
# colnames(5): broth1 broth2 milk1 milk2 milk3
# colData names(1): condition
# Fazendo a anlise de expresso diferencial padro do DESeq:
dds <- DESeq(dds)
# Obtendo os genes diferencialmente expressos:

res <- results(dds)
res

# log2 fold change (MAP): condition treatment vs control
# Wald test p-value: condition treatment vs control
# DataFrame with 2176 rows and 6 columns
# baseMean log2FoldChange lfcSE stat pvalue padj
# <numeric> <numeric> <numeric> <numeric> <numeric> <numeric>
# loco10 3.145789e+06 -8.6242939 0.5344340 -16.1372471 1.396316e-58 1.242721e-56
# loco23 3.145789e+06 -8.6242939 0.5344340 -16.1372471 1.396316e-58 1.242721e-56
# loco100 8.369083e+04 -8.7677753 0.3341674 -26.2376724 9.882579e-152 6.450030e-149
# ... ... ... ... ... ... ...
# Para obter informaes sobre quais variveis e testes foram usados e quantos genes foram
significativamente
# up (LFC > 0) e down (LFC < 0)regulados:
summary (res)

# out of 2176 with nonzero total read count
# adjusted p-value < 0.1
# LFC > 0 (up) : 452, 21%
# LFC < 0 (down) : 497, 23%
# outliers [1] : 0, 0%
# low counts [2] : 218, 10%
25 de 28
# (mean count < 8)

# [1] see 'cooksCutoff' argument of ?results
# [2] see 'independentFiltering' argument of ?results
# Gravando esses resultados em um arquivo:

write.csv(res, file="a_strepto_dif_expressao_total.csv")
# Organizando os resultados de acordo com os valores ajustados de p (padj):

resOrdered <- res[order(res$padj),]

write.csv(as.data.frame(resOrdered), file="b_strepto_dif_expressao_total_ordenados.csv")
# Listando apenas os genes que apresentaram um limite/limiar significativo de expresso (o padro

padj < 0,1):
resSig <- subset(resOrdered, padj < 0.1)
resSig

write.csv(resSig, file="c_strepto_dif_expressao_padj01.csv")
# Listando apenas os genes que apresentaram um limite/limiar significativo de expresso (padj < 0,1)
e
# uma mudana na taxa de expresso de maior que 2 (fold-change)|>2:
resSig2 <- resOrdered[!is.na(resOrdered$padj) & resOrdered$padj<0.10 &
abs(resOrdered$log2FoldChange)>=1,]
resSig2

write.csv(resSig2, file="d_strepto_dif_expressao_padj01_logchange1.csv")
#############################################################
# Obtendo os dados normalizados para a construo do heatmap
# Visualizando os dados normalizados:

counts(dds, normalized=TRUE)
# Criando um arquivo calc desses dados normalizados:

write.csv(counts(dds, normalized=TRUE), file="e_strepto_deseq_normalizado.csv")
# Criando um arquivo txt desses dados normalizados:

write.table(counts(dds, normalized=TRUE), file="e_strepto_deseq_normalizado.txt", sep=";",quote=F)
# Obtendo algumas informaes sobre o significado de cada coluna dada nos resultados:
mcols(res,use.names=TRUE)
# DataFrame with 6 rows and 2 columns
# type description
# <character> <character>
# baseMean intermediate mean of normalized counts for all samples
# log2FoldChange results log2 fold change (MAP): condition treatment vs control
# lfcSE results standard error: condition treatment vs control
# stat results Wald statistic: condition treatment vs control
# pvalue results Wald test p-value: condition treatment vs control
# padj results BH adjusted p-values
# Visualizando graficamente os genes diferencialmente expressos (em vermelho):

plotMA(dds)
# Para plotar em um grfico as mudanas com log2 vezes em relao a mdia normalizada.
26 de 28
# Os pontos em vermelho representam os genes cujo valor do ajuste de p menor que 0,1.
# Os pontos que saem fora da janela so plotados como tringulos vermelhos.
plotMA(res, main="DESeq2", ylim=c(-2,2))
___________________________________________________________________________________________________
9 Produzindo um heatmap para os nossos resultados

Depois de definirmos quais genes se expressaram diferencialmente, podemos criar um heatmap
para visualizar melhor esses resultados. Neste caso, fazemos a normalizao dos nossos genes, ou por
linha de comando ou em uma planilha tipo Excell. No exemplo abaixo, so apresentados os dados
brutos e as normalizaes RPKM e TPM para um pequeno conjunto de genes:
Tissue 1 Tissue 2 Number of

Number of reads TPM RPKM TPM
Loco Loco size Library size RPKM Library sizereads
A 11588 51581904 40 0,0669 4377,8012 30541254 18 0,0509 1591,9756
B 10320 51581904 288 0,5410 35392,9958 30541254 145 0,4600 14399,9407
C 10765 51581904 403 0,7258 47478,3422 30541254 307 0,9338 29227,8413
D 10206 51581904 467 0,8871 58031,7745 30541254 199 0,6384 19983,4244
E 10416 51581904 196 0,3648 23864,9009 30541254 91 0,2861 8953,9120
F 9591 51581904 581 1,1744 76827,5132 30541254 362 1,2358 38682,7266
G 10190 51581904 45 0,0856 5600,7071 30541254 10 0,0321 1005,7689
H 9382 51581904 367 0,7584 49610,6789 30541254 198 0,6910 21629,2849
I 9648 51581904 325 0,6531 42721,9041 30541254 136 0,4615 14446,8782
J 9562 51581904 208 0,4217 27587,9309 30541254 92 0,3150 9860,7849
K 16231 51581904 6044 7,2191 472262,7723 30541254 12622 25,4622 796994,4501
L 14132 51581904 1741 2,3883 156242,6789 30541254 596 1,3809 43223,0123
Continuao...
Tissue 3 Tissue 4 Number of
Number of reads TPM RPKM TPM
Loco Loco size Library size RPKM Library sizereads
A 11588 27345728 4 0,0126 6408,5980 21296792 0 0,0000 0,0000
B 10320 27345728 59 0,2091 106141,1625 21296792 15 0,0682 33140,2509
C 10765 27345728 51 0,1732 87956,4449 21296792 11 0,0480 23298,2275
D 10206 27345728 84 0,3010 152804,1846 21296792 14 0,0644 31276,3959
E 10416 27345728 50 0,1755 89121,1042 21296792 8 0,0361 17511,8991
F 9591 27345728 5 0,0191 9678,7136 21296792 19 0,0930 45168,3202
G 10190 27345728 4 0,0144 7287,8149 21296792 12 0,0553 26850,4329
H 9382 27345728 3 0,0117 5936,5940 21296792 20 0,1001 48604,7593
I 9648 27345728 34 0,1289 65426,4186 21296792 14 0,0681 33085,2919
J 9562 27345728 14 0,0535 27182,5892 21296792 6 0,0295 14306,9395
K 16231 27345728 321 0,7232 367173,4586 21296792 445 1,2874 625113,6225
L 14132 27345728 57 0,1475 74882,9168 21296792 63 0,2093 101643,8603
Podemos ento gravar arquivos individuais em formato txt contendo os dados normalizados que
sero apresentados na forma de um heatmap:
Tissue1;Tissue2;Tissue3;Tissue4
A;0.0669197232;0.0508600934;0.0126229835;0
B;0.541022618;0.4600461918;0.2090657182;0.0682491697
C;0.7257610271;0.9337647529;0.1732473707;0.047980466
D;0.8870823692;0.6384261207;0.3009776399;0.0644107391
E;0.3648024373;0.2860576432;0.1755413942;0.0360640774
F;1.1743968361;1.2358273851;0.0190641139;0.0930198255
G;0.0856132455;0.0321320883;0.0143547726;0.0552958926
H;0.7583562438;0.6910077159;0.0116932797;0.1000968424
I;0.6530534037;0.461545742;0.1288700902;0.068135987
J;0.4217132308;0.3150302248;0.0535414103;0.0294637704
27 de 28
K;7.2190792435;25.462206338;0.7232197291;1.2873615801
L2.3883489157;1.3808794485;0.1474965076;0.2093257864
Neste caso:
A primeira linha conter as informaes das bibliotecas analisadas;
A primeira coluna contm os nomes dos locos estudados;
Lembrando que os dados devero ser separados por ponto e vrgula e as vrgulas dos nmeros
(ex: 103141,28) precisam ser trocadas por ponto (ex: 103141.28).
Abaixo apresentado um script para se fazer um heatmap:
# Obs: trocar as vrgulas por ponto e TAB por ponto e vrgula!

# Verificar se o gplots, o heatmap3 e o RColorBrewer esto instalados (se no, ver script abaixo)
# Definindo o diretrio de trabalho:

setwd("~/Documentos/02_bioinformatica/01_analises/02_estrepto/04_analises_st/04_heatmap_st")
##############################################################
### A) Lendo os dados para transformao em formato de matriz
##############################################################
normalized <- read.table("02_dados_reads.txt", header=T, sep=";", row.names=1)
head(normalized)
##############################################################
### B) Transformando os dados em uma matriz
##############################################################
normalized_matrix <- data.matrix(normalized)
head(normalized_matrix)
##############################################################
### C) Criando o heatmap
##############################################################
library(gplots)
library(heatmap3)
# Opo 1:
heatmap3(normalized_matrix, col=bluered(75), Rowv=NA, Colv=NA, balanceColor = F,
cexRow=0.8,cexCol=1.1, margins=c(5,15))
# Opo 2:
heatmap3(normalized_matrix, col=bluered(75), Rowv=NA, Colv=NA, balanceColor = F,
cexRow=0.8,cexCol=1.1, margins=c(5,15))
28 de 28
Os heatmaps abaixo foram produzidos para os mesmos locos (A a L) e as mesmas condies (1 a

4), considerados diferencialmente expressos (http://telethon.bio.unipd.it/bioinfo/IDEG6_form/) e
normalizados via RPKM e TPM:
Podemos observar que os resultados, em termos de maior (vermelho) ou menor (azul) grau de
expresso nas diferentes condies so muito diferentes. Portanto, refora-se a necessidade de se
trabalhar com repeties e com ferramentas mais adequadas para este tipo de anlise, pois os
resultados parecem no ser confiveis.

01 Curso Transcriptoma PDF

Enviado por

Direitos autorais:

Formatos disponíveis

01 Curso Transcriptoma PDF

Enviado por

Dados do documento

Descrição original:

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

01 Curso Transcriptoma PDF

Enviado por

Direitos autorais:

Formatos disponíveis

1 de 28

CURSO DE INTRODUO BIOINFORMTICA

ANLISE DE EXPRESSO DIFERENCIAL EM

Fazer uma anlise da expresso gnica

Alguns aspectos das metodologias de anlise dos RNAs-seq

Quais so os passos para o estudo dos RNAs-seq?

Os short reads (sequncias curtas) provenientes do sequenciamento so pr processados, a fim

Que tipos de arquivos normalmente so usados nessas anlises?

Arquivo do tipo FASTQ

Trecho sequenciado: GCCAGTGATGGTACCGATTATATATG

Qualidade desse sequenciamento: !"%&_`ABCDEPQRSTUVWXYZ{|}~

Arquivos do tipo FASTA

Arquivos do tipo SAM/BAM

2 Preparando as bibliotecas de cDNA para a anlise

Durante o processo de sequenciamento so usados adaptadores pequenas sequncias de

a) Analisando a qualidade das bibliotecas de cDNA

Das sequncias dos adaptadores usados na construo da biblioteca;

b) Limpando as bibliotecas de cDNA

Usando o PRINSEQ na internet

O tamanho mnimo das sequncias a serem mantidas;

Usando o PRINSEQ no computador via terminal

Para saber quais comandos utilizar com o PRINSEQ

Usando o comando do PRINSEQ para a limpeza da biblioteca

Significado de cada opo

Pode-se trabalhar com arquivos compactados (gzip)

3 Preparando as sequncias a serem buscadas

a) Criando arquivos fasta individuais

Caso o computador no possua o Emboss, se o usurio tiver direitos de administrador (root),

b) Analisando a integridade de cada sequncia a ser buscada

O grfico do Dotter mostra na diagonal central a sequncia analisada e paralelo a ela as

Exemplos de alguns comandos do Dotter a serem feitos no terminal linux

c) Caracterizando melhor cada sequncia a ser buscada

Este programa pode ser baixado do seguinte endereo:

4 Fazendo o alinhamento das sequncias

a) Alinhando sequncias pelo Blast

2 Criar os arquivos DB (database) de referncia do BLAST, a partir da biblioteca em fasta:

3 Em seguida, possvel fazer a busca da sequncia de interesse em nossa biblioteca:

Como resultado teremos um arquivo no formato tabular contendo as informaes sobre o

Onde, cada uma dessas colunas representam, respectivamente:

Extraindo informaes da nossa tabela de resultados com o programa awk

Alguns significados dos comandos utilizados

vrgula etc). Outra forma de informar isso:

Operadores relacionais usados no awk

Operadores lgicos usados no awk

Redicionadores de Entrada/Sada usados no awk

Criando um arquivo awk executvel

2 Salvamos o arquivo colocando a extenso awk, (ex: comando1.awk).

b) Alinhando sequncias com o Bowtie2

O Bowtie2 pode ser instalado via terminal:

U indica o arquivo (ou arquivos, se separados por vrgula) contendo as sequncias no

c) Convertendo arquivos SAM para BAM

Em seguida, basta acessar o terminal e digitar o seguinte comando:

I Criando um arquivo BAM sorteado

II Criando um arquivo BAM indexado

III Convertendo um arquivo BAM em SAM

d) Visualizando o alinhamento da sequncia alvo

Passo 1: File Open (ou control O) arquivo.fasta

5 Usando programao Shell