Sekvenseringsdata

Sekvenseringsdata er informasjon som genereres av DNA- eller RNA-sekvenseringsteknologier og beskriver rekkefølgen av nukleotider, ofte ledsaget av kvalitetsinformasjon per base. Data kan være rå, bestående av lesninger og tilhørende kvalitetsverdier, eller bearbeidede, slik som avlesninger som kartlegges mot en referanse og rapporteres som varianter. Vanlige tilnærminger inkluderer kortlesingssekvensering (for eksempel Illumina) og langlesingssekvensering (PacBio, Oxford Nanopore). Rådata lagres typisk i FASTQ-format, mens referansedata lagres i FASTA-format; bearbeidede data kan være alignments i BAM/CRAM og varianter i VCF, med annoteringer i GFF/GTF.

Bearbeiding av sekvenseringsdata omfatter kvalitetssikring, trimming og kartlegging av lesninger mot et referansegenom eller en referansesamling. Deretter følger nedstrøms analyser som variantoppdagning, kvantifisering av genuttrykk eller metagenomisk profilering. Vanlige trinn inkluderer basiskalling, demultiplexing, QC-kontroller (for eksempel FastQC), trimming, og alignering med verktøy som BWA eller Bowtie; variantkalling med GATK eller FreeBayes; og annotering av funn. Langlesingsdata gir bedre gjenkjenning av strukturelle varianter og full-lengde transkript-sekvenser, mens kortlesingsdata gir høy presisjon i SNP-er og uttrykk. Databehandling for store prosjekter krever betydelig lagrings- og beregningsressurser.

Sekvenseringsdata lagres og deles i offentlige arkiver som NCBI Sequence Read Archive (SRA), European Nucleotide Archive (ENA) og DNA Data Bank of Japan (DDBJ). Metadata bør følge fellesskapsstandarder som MINSEQE eller MIxS, og dataene bør være i tråd med FAIR-prinsippene for gjenbruk. For menneskelige data gjelder streng personvern og samtykke, noe som ofte medfører restriksjoner eller kontrollert tilgang. På grunn av stor størrelse og kompleksitet er en god datastyringsplan og tydelig sporbarhet viktig for gjenbruk og reproduksjon.