Introducción a la bioinformática e investigación reproducible para análisis genómicos
Mediante una colaboración entre el Posgrado en Ciencias Biológicas de la Universidad Nacional Autónoma de México, CONABIO y la U. de Chile, ofreceremos un curso intensivo de bioinformática, orientado a entregar las herramientas básicas para análisis de datos genómicos en el contexto de genética, especialmente la genética de poblaciones.
INSTRUCTORES:
Dra. Alicia Mastretta Yanes, PhD. Catedrática CONACYT-CONABIO, www.mastrettayanes-lab.org
Dra. Camille Truong, PhD. Investigadora Instituto de Biología, UNAM camilletruong.wixsite.com
Dr. Ricardo Verdugo Salgado, PhD Profesor Asistente, Programa de Genética Humana, ICBM, Facultad de Medicina, Universidad de Chile http://genomed.med.uchile.cl
Dr. Matthieu J. Miossec, PhD Bioinformatics Analyst, Wellcome Centre for Human Genetics de la Universidad de Oxford https://www.researchgate.net/profile/Matthieu-Miossec
Dr. Luis Castañeda, PhD Profesor Asistente, Programa de Genética Humana, ICBM, Facultad de Medicina, Universidad de Chile https://sites.google.com/site/lecastane/
Dr. Pablo Saenz Agudelo Profesor Asociado, Instituto de Ciencias Ambientales y Evolutivas, Facultad de Ciencias, Universidad Austral de Chile http://icaev.cl/academicos/pablo-saenz-agudelo/
Los materiales aquí presentados son de acceso libre. La transmisión online y videos de clases se pueden encontrar en este canal de Youtube
Sala de chat para anuncios de la clase y dudas si lo estás viendo remotamente: en Gitter
Objetivos
El objetivo general es brindar a los y las alumnas las herramientas computacionales de software libre, mejores prácticas y metodologías de reproducibilidad de la ciencia para efectuar, documentar y publicar proyectos bioinformáticos de análisis genómicos.
Los objetivos particulares son:
- Formar a los y las alumnas en los principios de investigación reproducible y metodologías para organizar proyectos bioinformáticos
- Introducir a los alumnos a bash, R y git
- Presentar a los alumnos los tipos de datos genéticos producidos por la secuenciación de siguiente generación
- Introducir a los y las alumnas al análisis e datos genómicos y genomas reducidos
- Revisar a nivel teórico y práctico los métodos bioinformáticos clásicos de análisis secuencias genómicas
- Asesorar a los alumnos en la realización de sus propios proyectos bioinformáticos
Que sí es este curso
- Una introducción a los métodos y mejores prácticas de la biología computacional, los análisis bioinformáticos y la ciencia reproducible.
- Un resumen general de los tipos de datos utilizados en genómica y las herramientas computacionales para analizarlos.
- Una introducción para saber utilizar la línea de comando y R de forma fluida a través de mucha práctica. Muchos cursos enfocados en análisis de datos genómicos asumen que ya sabes esto, o dan una introducción flash y luego saltan al otro tema, lo que hace muy difícil realmente aprovechar el otro tema o te deja con malas prácticas difíciles de borrar.
- El lenguaje para aprender a entender los manuales de cualquier software bioinformático para poder utilizarlo a fondo por cuenta propia.
- Un curso con mucha práctica de R enfocado en ciencia reproducible, limpieza y graficación de datos biológicos y genéticos.
- El piso básico para poder tomar un curso más avanzado o adentrarse por uno mismo en algún análisis concreto (ensamblado de genomas, análisis transcriotómicos, filogenética con métodos Bayesianos, etc).
Que NO es este curso
- La respuesta a qué tienes que hacer en tu proyecto de tesis.
- Una discusión profunda de los diferentes softwares para analizar datos GBS, RAD, genomas, transcriptomas, metabarcoding, etc.
En otras palabras en este curso no te vamos a decir qué programa utilizar ni discutir a profundidad métodos de ensamblado etc. Para eso hay cursos especializados intensivos de un par de días que asumen ya sabes usar chido la terminal.
Algunos ejemplos:
- Curso Bioinformática Instituto de Biotecnología, Cuernavaca.
- Talleres Internacionales de Genómica del Centro de Ciencias Genómicas, Cuernavaca
Dinámica del curso
¿Cómo serán las clases?
-
Exposición + ejercicos y ejemplos en clase
-
Todos los materiales de la clase los iremos subiendo/actualizando a GitHub conforme avance el semestre
-
Dejaremos lecturas a casa antes o después de algunos temas. Es una muy buena idea sí leerlas.
-
Ocuparemos Google Classroom para enviar tareas y hacer anuncios del curso. Debes recibir una invitación a tu correo.
-
¿Necesito una computadora?
El curso es teórico-práctico, por lo que se requiere traigan su laptop con Mac o GNU/Linux (no Windows, sorry, lo intenté 2 años y es una pesadilla para todxs) y:
- Docker instalado y FUNCIONANDO (ocuparemos Docker dentro de un mes)
-
¿Necesito instalar algo más? Sí
- Un editor de texto decente. Listo para la 2da clase. Recomendaciones:
- Un editor de Markdown
- R y RStudio.
Si van a tomar notas, que sean ahí o en un editor de Markdown, nooooo en Word, de veritas de veritas.
También necesitas abrir una cuenta de Github para unirte al 
Este repositorio
El repositorio está dividido en un folder por Unidad. Dentro de cada folder subiremos los apuntes y código utilizado en cada clase conforme los vayamos viendo en el semestre, así como los enlaces a las tareas.
Las notas de este repositorio están escritas en formato Markdown y, como notarás, el repositorio se encuentra hospedado en GitHub.
Cubriremos ambas herramientas en el curso, pero en resumen:
-
Markdown es un procesador texto-a-HTML que de forma sencilla permite formatear texto
así. Esto es útil para resaltar los los comandos y los resultados de la terminal del resto del texto en los documentos de clase (y en foros de ayuda). -
GitHub es un repositorio web especializado en software (pero se puede subir cualquier texto, como este). La parte de arriba enlista los archivos y carpetas dentro del repositorio. La nota de texto a su derecha es el comentario que yo realicé al subir o modificar (commit) el archivo de mi computadora a GitHub. En la parte de abajo puedes leer el contenido de dichos archivos en formato html. Y si los bajas los verás en formato Markdown.
En este mismo repositorio de github están las versiones de cursos que hemos dado los años pasados. Cada curso está en una "rama" de del repositorio (más adelante veremos qué es esto). Si estás siguiendo este curso en youtube en un año diferente al del curso, quizá sea necesario que cambies la rama para que los videos correspondan con los apuntes.
En la unidad 2 aprenderemos a utilizar github desde la línea de comando, pero por lo pronto, para hacer los ejercicios de la unidad 1: baja el respositorio y guárdalo en tu escritorio. Para bajarlo da click en el botón vere del lado derecho que dice "Clone or Download" y selecciona "Download zip".
Mecanismo de calificación
El curso se dividirá en secciones que se calificarán por separado:
Unidades 1-3:
- 70% Tareas. Aproximadamente una tarea por sesión. Todas las tareas tienen el mismo valor. Habrá tareas opcionales, que se suman a la calificación esta sección
- 20% Examen
- 10% Asistencia (física o virtual) y participación
Unidad 4-5:
- 10% Tareas. Todas las tareas tienen el mismo valor. Habrá tareas opcionales, que se suman a la calificación esta sección.
- 90% Proyecto de la Unidad 5, el cual se califica con:
- 10% Organización del repositorio
- 15% README (debe ser en inglés)
- 20% Análisis
- 10% Resumen y discusión en formato Markdown
- 15% Gráfica(s) en R
- 15% Scripts deben estar comentados en inglés
- 15% Avances preliminares
Unidad 6-8:
100% Tareas. Aproximadamente una tarea por sesión. Todas las tareas tienen el mismo valor.
Proyecto final opcional
Igual que el proyecto de la Unidad 5 pero con:
A) Tus datos propios
o
B) Los datos de alguna tarea de las vistas en unidad 6-9 que se acerquen a lo que trabajarás en tu proyecto.
Los scripts pueden ser muy sencillos por ejemplo: bajar las secuencias, examinarlas con fastqc y hacer una gráfica del número de reads por muestra.
Se calificará:
- 20% Organización del repositorio
- 20% README (debe ser en inglés)
- 20% Resumen y discusión en formato Markdown
- 20% Gráfica(s) en R (mínima 1)
- 20% Script(s) (mínimo 1) deben estar comentados en inglés
Para Chile, las unidades 1-4 y 6-8 constituyen dos cursos independientes. La Unidad 5 es opcional.
Para México, todas las unidades son obligatorias.
Copiar o plagiar (tareas, exámenes, trabajo final, lo que sea) es motivo suficiente para reprobarte sin lugar a discusión.
Temario
Video de Bienvenida al curso 2020
Unidad 1 Introducción a la programación
Video Sesión 1: Introducción al código y la terminal
- Código en computación
- Cómo buscar ayuda (permanentemente)
- Introducción a la consola y línea de comando de bash y R
- Funciones básicas de navegación y manejo de archivos con bash
Video Sesión 2: Introducción a los scripts y grep
- Funciones básicas de exploración de archivos con bash
- Regular expressions y búsqueda de patrones (grep)
- Redirección con bash
Video Sesión 3: Continuación de bash
- Introducción a los scripts
- Loops con bash
Video Extra: Volver ejecutable un script
Unidad 2 Organización de un proyecto bioinformático
Video Sesión 1: Documentación bioinformática
- Documentación de scripts y del proyecto
- Markdown
- git
- Manejo de proyectos e issues en Github
- Creación de pipelines
Unidad 3 Introducción a R con un enfoque bioinformático
Video Sesión 1: Introducción a R
Video Sesión 1: Introducción a R-CONTINUACIÓN
- R y RStudio
- Funciones básicas de R más importantes para bioinformática
Video Sesión 2: Rmrkown y Funciones en R
- Continuación intro
- Funciones propias: crear funciones y utilizarlas con source
- Rmarkdown y R Notebook
Video Sesión 3: Manipulación y limpieza de datos en R
- Manipulación y limpieza de datos en R
- Graficar en R
- Bioconductor
Unidad 4 Introducción a software especializado y uso de servidores remotos
Video Sesión 1: Software especializado y servidores remotos
- Introducción a Software especializado y cómo instalarlo
- Uso de servidores remotos
Unidad 5 Genética de poblaciones con software especializado
Video Sesión 1: genética de poblaciones con software bioinformático
- Formatos VCF-tools y plink
- Paquetes de R y otros software para genética de poblaciones
Video Sesión 2:continuación de genética de poblaciones
- PCA exploratorios
- Análisis básicos de diversidad y diferenciación genética
Trabajo en casa en proyectos finales y tareas
Se dará seguimiento online al proyecto de las unidades 1-5 con las herramientas de la Unidad 2 y se dejarán tareas para mantener la práctica de las unidades anteriores
Unidad 6 Introducción a la genómica y secuenciación de siguiente generación
Sesión 1 Generación y QC de datos NGS
- Técnicas de secuenciación
- Errores de secuenciación
- Formatos fastq, bam, vcf
- Análisis básicos de calidad
Sesión 2 Alineamiento de lecturas de secuenciación
- Limpieza de datos crudos
- Alineamiento contra un genoma de referencia
Sesión 3 Llamado de variantes
- Llamado de variantes
- Predicción funcional de variantes
- Interpretación y anotación de variantes
Unidad 7 Análisis de transcriptomas
Sesión 1 Expresión diferencial
- Diseño experimental
- Análisis de expresion diferencia
Sesión 2 Análisis funcional
- Clustering
- Enriquecimiento funcional
Sesión 3 RNA-seq
- Generación de datos RNAseq
- Modelamiento de datos
- Software
Unidad 8 Aplicaciones de NGS
Sesión 1 Metagenómica
- Secuenciación de amplicones
- Barcoding
- Metabarcoding
Sesión 2 Ensamblaje de representación reducida de genomas
- Metodologías de representación reducida de genomas (RAD, GBS, etc)
- Ensamblaje de novo vs. sobre una referencia
- Principales algoritmos y software (Stacks, pyRAD, Tassel)
- Uso de replicados para informar el ensamblaje
- Primera inspección de los datos
Unidad 9 Análisis genómicos reproducibles en la nube
Sesión 1
- Terra
- pipelining en la nube
Sesión 2
- Mejores prácticas de GATK
- workflow GVCF
- Jupyter
- WDL
Sesión 3
- Variantes somáticas con Mutect2
- Variantes en número de copias con GermlineCNVCaller