Basenaufrufen

Basenaufrufen, englisch base calling, ist der rechnerische Prozess, bei dem Rohsignale von Sequenziergeräten in eine Zeichenkette aus Nukleotiden übersetzt wird, üblicherweise A, C, G und T (mit N für unbekannt). Es ist eine zentrale Aufgabe in der Datenverarbeitung von DNA- und RNA-Sequenzierung, sowohl bei klassischen Sanger- als auch bei Hochdurchsatzplattformen.

In der Sanger-Sequenzierung werden die Peaks im Elektropherogramm bewertet und in Basen übersetzt. Bei Hochdurchsatzplattformen wie Illumina, 454 oder SOLiD erfolgt die Bestimmung der Basen softwaregestützt aus Rohsignalen oder Farbspuren. Illumina-basierte Systeme wandeln Intensitäten pro Zyklus in Basen um und speichern gleichzeitig Qualitätsinformationen (Phred-ähnliche Scores). SOLiD arbeitet historisch in Farbcode statt Basen, wodurch ein weiterer Schritt der Konversion notwendig ist. Moderne Sequenziergeräte liefern in der Regel Basenfolgen zusammen mit Qualitätswerten, die in nachfolgenden Analysen genutzt werden.

Methodisch reicht das Spektrum von einfachen Schwellenwert-Ansätzen bis zu komplexen probabilistischen Modellen wie Hidden Markov Models oder Bayes-basierten Ansätzen. Fortschrittliche Base Caller setzen zunehmend maschinelles Lernen ein, verbessern die Kalibrierung, Fehlermodelle und die Phasen-/Pre-Phasen-Korrektur, um die Zuverlässigkeit der Base Calls zu erhöhen.

Typische Herausforderungen umfassen Signalrauschen, Phasing- und Pre-Phasing-Effekte, Abnutzung des Signals, Homopolymere bei bestimmten Plattformen und platformabhängige Fehlermuster. Die Qualität der Base Calls beeinflusst entscheidend das Mapping, die Variantenerkennung und die Quantifizierung von Transkripten.

Ausgabe ist meist eine FASTQ-Datei, die Sequenzdaten zusammen mit Qualitätsscores enthält. Basenaufrufen sind somit eine fundamentale Stufe in der genomischen Analytik.