1.5. Manejo de Archivos de Secuencias Biológicas desde el Terminal

El manejo de archivos de secuencias biológicas en bioinformática es fundamental para el análisis de datos genómicos. Los formatos más comunes incluyen FASTA, FASTQ, GFF y otros formatos específicos. A continuación, se presentan técnicas para manipular estos archivos desde la terminal usando herramientas de Linux y Bash.

1.5.1. Comandos Avanzados para Manipulación de Archivos Grandes de Secuencias

Los archivos de secuencias biológicas, especialmente cuando contienen grandes volúmenes de datos (por ejemplo, resultados de secuenciación de alto rendimiento), pueden ser bastante grandes y difíciles de manejar. Sin embargo, con los comandos adecuados desde BASH se pueden gestionar y procesar de manera eficiente.

1.5.1.1. Lectura y Modificación de Archivos en Formato FASTA, FASTQ, GFF y Otros Formatos Bioinformáticos

El siguiente ejemplo muestra las tres primeras líneas de cada secuencia del archivo FASTA analizado:

Para visualizar el contenido de un archivo FASTA , como se mencionó previamente, es posible emplear el comando cat:

(se muestran solo las primeras líneas)

Mientras que, para buscar patrones o secuencias en un archivo FASTA, se puede usar grep:

La salida del comando indica que se han encontrado coincidencias coincidencias en las líneas 2, 47 y 209

A continuación se presenta un ejemplo de archivo FASTQ:

Este archivo, perteneciente a la Escherichia coli K1, se descarga con:

El análisis de la calidad de las lecturas que contiene el archivo FASTQ puede realizarse con la herramienta FASTQC. Para instalar esta herramienta en el entorno de trabajo, se emplea el siguiente comando:

La ejecución de la herramienta se realiza con el comando fastqc acompañado del archivo FASTQ a analizar:

Esta herramienta genera un informe visual que describe varios aspectos clave de la calidad de las lecturas (reads) en un archivo FASTQ. Aquí se explican las principales secciones del informe:

1. Basic Statistics

Descripción: Resume las características generales del archivo FASTQ.

Incluye:

• Número de secuencias totales.
• Longitud de las secuencias (mínima, máxima y promedio).
• Calidad promedio (Q-score).
• Contenido de GC (%).

2. Per Base Sequence Quality

• Gráfico: Muestra la calidad de las bases en cada posición a lo largo de las lecturas.
• Interpretación:
• Cada caja del gráfico representa la mediana (línea central), el rango intercuartil (caja) y las posiciones extremas (bigotes).
• Alta calidad se refleja en puntajes de calidad (>28) constantes.

Degradación de calidad en las bases finales es común en plataformas como Illumina.

3. Per Sequence Quality Scores

• Gráfico: Distribución de las calidades promedio por lectura.
• Interpretación:
• Lecturas con calidades consistentemente altas son ideales.
• Picos en calidades bajas pueden indicar problemas en la secuenciación.

4. Per Base Sequence Content

• Gráfico: Proporción de nucleótidos (A, T, C, G) por posición en las lecturas.
• Interpretación:
• En una biblioteca bien balanceada, las proporciones deben ser similares.
• Desequilibrios (especialmente al inicio de las lecturas).

5. Per Sequence GC Content

• Gráfico: Distribución del contenido de GC entre las lecturas.
• Interpretación:
• Un pico único y simétrico es normal.
• Las desviaciones pueden sugerir contaminación por organismos con distinto contenido GC.

6. Per Base N Content

• Gráfico: Frecuencia de bases no determinadas ("N") por posición.
• Interpretación:
• Idealmente, debe ser cercano a 0.
• Valores altos indican problemas en la calidad de la secuenciación.

7. Sequence Length Distribution

• Gráfico: Longitud de las lecturas.
• Interpretación:
• Una única longitud dominante es típica.
• Variación puede ser esperada en datos de secuenciación adaptativa.

8. Sequence Duplication Levels

• Gráfico: Frecuencia de duplicación de lecturas.
• Interpretación:
• Altos niveles de duplicación pueden indicar enriquecimiento intencionado (e.g., RNA-seq) o contaminación.

9. Overrepresented Sequences

• Lista: Secuencias presentes en frecuencias anormalmente altas.
• Interpretación:
• Puede indicar contaminantes como adaptadores, primers, o secuencias repetitivas.

10.Adapter Content

• Gráfico: Muestra la proporción de secuencias que contienen adaptadores en cada posición de las lecturas.
• En el eje X: La posición a lo largo de las lecturas.
• En el eje Y: Porcentaje de lecturas con adaptadores detectados.
• Interpretación:
• Idealmente, el porcentaje debe ser cercano a 0%.
• Un aumento hacia el final de las lecturas es común en bibliotecas con fragmentos más cortos que la longitud de lectura.

11. Íconos y su significado:

• ✔ (Visto verde): Aprobado
• Indica que los datos para esa métrica cumplen con los estándares de calidad esperados.
• No se requieren acciones adicionales.
• Ejemplo: Una buena distribución de calidad por base o un contenido de GC uniforme.
• ! (Advertencia amarilla): Precaución
• Indica que hay algo inusual o ligeramente fuera de los parámetros óptimos.
• Puede no ser un problema grave, pero merece atención para evaluar si afecta el análisis downstream.
• Ejemplo: Ligero desequilibrio en el contenido de bases al inicio de las lecturas.
• ✘ (Cruz roja): Problema detectado
• Indica que hay un problema significativo en esa métrica.
• Puede requerir intervención, como recorte, filtrado, o repetir la preparación/secuenciación de la muestra.
• Ejemplo: Alta proporción de bases de baja calidad o sobre-representación de adaptadores.

13 Interpretación en el contexto del análisis:

• ✔ Verde: Los datos están en buen estado y no necesitas realizar ajustes específicos para esa métrica.
• ! Amarillo: Es una señal para investigar. Si afecta mucho al análisis downstream (como ensamblaje o mapeo), considere tomar medidas correctivas
• ✘ Rojo: Necesita acción inmediata, ya que puede comprometer la utilidad de los datos para análisis posteriores.

Al revisar estos íconos como una guía rápida se puede identificar las áreas que requieren atención en los datos de secuenciación.

GFF (General Feature Format): Los archivos GFF son un estándar ampliamente utilizado en bioinformática para describir características genómicas de secuencias de ADN, ARN o proteínas. Estos archivos contienen información estructurada sobre anotaciones, como genes, exones, intrones, regiones promotoras, sitios de inicio de transcripción, y otros elementos funcionales.

Ejemplo de archivo GFF:

Si se desea buscar patrones en un archivo GFF, se puede usar grep, en archivos no comprimidos, y zgrep, en archivos comprimidos en formato .gz:

1.5.1.2. Uso de head, tail y split para la Gestión de Archivos de Secuencias Grandes

Como se vio previamente, cuando trabajamos con archivos de secuencias biológicas grandes, es útil utilizar comandos como head y tail para visualizar el contenido de un archivo sin necesidad de cargarlo completamente en memoria.

split

En ocasiones, cuando un archivo es muy grande se lo puede dividir para realizar análisis más sencillos con los pedazos de archivos más pequeños. Para ello se puede usar el comando split que puede dividir el archivo con base al criterio de líneas o de tamaño de archivo. En biología computacional puede ser conveniente dividirlo por líneas.

De manera ilustrativa trabajaremos en el archivo “SRR957824_1.fastq.gz” que se descargó previamente, inicialmente lo descomprimiremos con gunzip y lo dividiremos en segmentos, cuyos nombres empezaran con “xaa”, “xab”, … etc.

Para saber cuántas líneas tiene originalmente, se puede usar “wc -l” en el archivo descomprimido:

Lo que arroja:

Es decir, más de 7 millones de líneas, por lo que lo dividiremos en archivos de 200000 líneas cada uno.

Estos archivos nuevos pueden analizarse de manera individual. Por ejemplo, de manera ilustrativa, nuevamente con fastqc.

1.5.2. Ejercicios Prácticos para Extraer y Procesar Subregiones de Secuencias Biológicas

Para procesar subregiones de secuencias biológicas, por ejemplo, con herramientas como cut, awk y sed se puede extraer ciertas posiciones de una secuencia de ADN o ARN para manipular las cadenas de texto que contienen las secuencias.

Ejemplo: Extraer un fragmento de secuencia de un archivo FASTA

Si se tiene un archivo FASTA y se necesita extraer una subregión de la secuencia (por ejemplo, de la posición 10 a la 50), se puede usar sed o awk.

Con fines ilustrativos, se puede usar sed para extraer la subcadena:

Este comando extrae 41 bases. Comienza desde la posición 10 de la secuencia de la línea 2 de la primera secuencia delarchivo sproteases_small_dna.fasta.

Esta instrucción:

• Lee la segunda línea del archivo.
• Extrae los caracteres del 10 al 50.
• Imprime únicamente esos caracteres en la salida estándar.

Análisis detallado de la instrucción:

1. sed -n: Invoca el comando sed (stream editor) en modo "silencioso". No imprime nada automáticamente, a menos que se indique con el modificador p (print).
2. 2s: Aplica la operación de sustitución (s/.../.../) únicamente a la segunda línea del archivo.
3. Patrón de búsqueda: \(.\{9\}\)\(.\{41\}\):

Busca una secuencia en la línea que coincida con:

• (.{9}): Los primeros 9 caracteres de la línea (grupo 1).
• (.{41}): Los siguientes 41 caracteres de la línea (grupo 2).
• Los paréntesis (...) agrupan estas partes como subexpresiones para referencia posterior.
4. Reemplazo: \2:
• Sustituye todo el contenido de la línea con el segundo grupo capturado (los caracteres 10 al 50 de la línea original).
• El primer grupo (\1) es descartado.
5. p (print): Imprime la línea modificada después de la sustitución.

Otro para Extraer y Procesar Subregiones de Secuencias Biológicas será traducir

1.6. Estructuras de Programación en BASH Aplicadas a Bioinformática

En bioinformática, muchas tareas de análisis y procesamiento de secuencias requieren automatización, lo que se puede lograr utilizando estructuras de programación en Bash. Estas estructuras permiten ejecutar operaciones repetitivas, condicionales y de control de flujo, lo que facilita la gestión de grandes volúmenes de datos.

1.6.1. Estructuras de Control: IF, FOR, WHILE

1. IF: Se utiliza para realizar decisiones condicionales.

Código

if [ "$secuencia" == "ATG" ]; then
echo "Secuencia encontrada"
fi
2. FOR: Se utiliza para iterar sobre una lista de elementos o secuencias.

Código

for archivo in *.fasta; do
echo "Procesando $archivo"
done
3. WHILE: Se utiliza para ejecutar un bloque de código mientras se cumpla una condición.

Código

while read línea; do
echo "Leyendo: $línea"
done < archivo.fasta

1.6.1.1. Implementación de Ciclos y Estructuras Condicionales para Automatización de Tareas Bioinformáticas

En análisis bioinformáticos, estas estructuras son esenciales para automatizar tareas como el procesamiento de secuencias, la búsqueda de patrones o la conversión de archivos.

Ejemplo de automatización con IF y FOR:

Este script recorre todos los archivos FASTQ en el directorio, buscando una secuencia específica ("AGCT") en cada archivo y proporcionando una salida basada en si la secuencia está presente.

1.6.2. Iteración sobre Secuencias

Cuando se trabaja con múltiples archivos o secuencias, es esencial iterar sobre ellos para realizar análisis masivos o automáticos.

1.6.2.1. Implementación de Bucles para Procesar Múltiples Archivos de Secuencias de ADN o ARN

Ejemplo de bucle sobre archivos de secuencias:

1.6.2.2. Automatización de Tareas Repetitivas para Análisis Masivo de Secuencias

Automatizar tareas repetitivas, como la alineación de secuencias, la extracción de características o la conversión de formatos, es esencial cuando se gestionan grandes volúmenes de datos. Los bucles for y while, junto con el uso de herramientas de bioinformática como BLAST, SAMtools, o BEDTools, hacen que estos análisis sean mucho más eficientes.

Este script recorre todos los archivos .fasta e imprime el nombre de cada secuencia.

Conexiones remotas con BASH

En BASH, las conexiones remotas pueden ser establecidas utilizando el protocolo SSH (Secure Shell), el cual es un protocolo de comunicación que permite a los usuarios conectarse a servidores remotos y ejecutar comandos en el servidor. El protocolo utiliza algoritmos de cifrado avanzados para asegurar la privacidad y seguridad de la información transmitida durante la conexión.

Las conexiones remotas con SSH se pueden establecer utilizando el terminal de GNU/Linux, la consola CMD de Windows® o programas de terceros como PuTTY®. Este comando usa la siguiente sintaxis:

Donde:

• usuario: es el nombre del usuario que se desea utilizar para acceder al servidor.
• dirección: la dirección IP o el nombre de dominio del servidor.

Por ejemplo, si desea conectarse como usuario jupyter a un servidor con la dirección IP 192.168.1.100, puede utilizar la siguiente sintaxis:

Una vez que se ha establecido la conexión SSH, puede comenzar a ejecutar comandos en el servidor. La conexión se mantiene durante la sesión de shell, y puede cerrarla utilizando el comando exit.

El puerto de conexión por lo general es el 22; sin embargo esto puede ser definido al configurar este servicio en el servidor.

En nuestro caso, la máquina virtual que hospeda la máquina anfitriona escucha las conexiones SSH en el puerto 2224 y lo direcciona internamente al 22.

De manera ilustrativa puede conectarse desde windows usando el programa Putty [https://www.putty.org/] e ingresando los parámetros de conexión como se muestra en la Figura 11. Nótese el usuario localhost y el puerto 2224:

Al ejecutarlo se desplegará la ventana de conexión que solicita el usuario y contraseña

En resumen, las conexiones remotas con SSH permiten a los usuarios conectarse a servidores remotos y ejecutar comandos en el servidor de forma segura. Conocer cómo se establecen estas conexiones es fundamental para cualquier usuario que trabaje en entornos de línea de comandos.

Resumen

En este documento hemos explorado diversas herramientas y técnicas para el manejo eficiente de archivos de secuencias biológicas desde la línea de comandos. Se han abordado comandos avanzados para la manipulación de archivos de gran tamaño en formatos ampliamente utilizados en bioinformática, como FASTA, FASTQ y GFF, además del uso de herramientas como head, tail y split para facilitar la gestión de estos datos. Asimismo, se presentaron ejercicios prácticos enfocados en la extracción y procesamiento de subregiones de secuencias biológicas, permitiendo aplicar los conceptos aprendidos en escenarios reales.

También se ha profundizado en el uso de estructuras de programación en BASH aplicadas a la bioinformática, destacando el uso de estructuras de control como IF, FOR y WHILE para la automatización de tareas. Se han presentado ejemplos prácticos de su implementación en el análisis de archivos de secuencias biológicas, así como la aplicación de bucles para procesar múltiples archivos de ADN o ARN de manera eficiente. Finalmente, se ha abordado la automatización de tareas repetitivas, facilitando el análisis masivo de secuencias y optimizando los flujos de trabajo bioinformáticos.

Adicionalmente, se ha cubierto el proceso de conexión remota a servidores mediante el uso del protocolo SSH, proporcionando las bases para acceder de manera segura a sistemas remotos, ejecutar comandos y gestionar archivos de secuencias biológicas desde entornos de computación de alto rendimiento.