Praca magisterska z bioinformatyki to inny typ projektu niż klasyczna praca przyrodnicza czy informatyczna. Nie piszesz kodu dla samego kodu i nie opisujesz tylko wyników eksperymentów. Analizujesz dane biologiczne metodami obliczeniowymi i musisz udowodnić, że rozumiesz obie strony. Promotorzy z bioinformatyki patrzą na to, czy pipeline jest poprawnie udokumentowany, czy statystyki zostały zastosowane właściwie i czy interpretacja biologiczna ma sens w kontekście danych.
Specyfika tego kierunku polega na tym, że praca wymaga jednocześnie kompetencji programistycznych (Python, R, Bash), znajomości narzędzi bioinformatycznych i biologicznego rozumienia wyników. Studentowi bez doświadczenia to brzmi groźnie, ale w praktyce rozkłada się na etapy: wybierasz temat, uczysz się konkretnego pipeline’u, analizujesz dane publiczne lub własne, interpretujesz wyniki. Żaden promotor nie oczekuje od magistranta, że zrobi przełom naukowy. Oczekuje rzetelnej analizy z dobrą dokumentacją.
Poniżej znajdziesz praktyczny przewodnik po każdym etapie: od wyboru tematu, przez konkretne narzędzia z parametrami, po typowe błędy, których uniknięcie zaoszczędzi ci miesięcy frustracji.
Specyfika kierunku i typy prac
Prace magisterskie z bioinformatyki i genomiki obliczeniowej dzielą się na trzy główne typy. Pierwsze to prace metodologiczne, w których opracowujesz lub modyfikujesz algorytm, pipeline albo narzędzie. Drugie to prace aplikacyjne, w których stosujesz istniejące metody do nowych danych biologicznych i interpretujesz wyniki. Trzecia kategoria to przeglądy porównawcze, czyli benchmarking kilku narzędzi na tym samym zbiorze danych.
Dla magistranta najczęstsza i najbezpieczniejsza jest praca aplikacyjna. Bierzesz dane z publicznej bazy (NCBI SRA, TCGA, 1000 Genomes), uruchamiasz udokumentowany pipeline i interpretujesz wyniki biologiczne. To nie jest „leniwa” opcja. Dobra praca aplikacyjna wymaga głębokiego zrozumienia metod i krytycznej oceny wyników. Właśnie tu większość studentów się potyka, bo uruchamiają pipeline z domyślnymi parametrami i kopiują wykresy bez interpretacji.
Praca metodologiczna jest trudniejsza i wymaga zwykle doświadczenia programistycznego powyżej średniej. Jeśli twój promotor sam zajmuje się rozwojem algorytmów, masz szansę na ciekawy projekt, ale licz się z tym, że połowę czasu spędzisz debugując kod, a nie pisząc tekst.
Wybór tematu
Genomika: analiza WGS, warianty SNP/InDel, GWAS
Temat z obszaru genomiki strukturalnej polega zwykle na analizie danych whole genome sequencing (WGS) albo whole exome sequencing (WES). Identyfikujesz warianty genetyczne (SNP, InDel, strukturalne zmiany chromosomowe) i interpretujesz ich znaczenie funkcjonalne lub kliniczne.
GWAS (genome-wide association study) to poszukiwanie korelacji między wariantami a cechą fenotypową. Do pracy magisterskiej możesz pobrać dane z projektu 1000 Genomes lub gnomAD i powtórzyć analizę opisaną w literaturze, ale na własnym podzbiorze populacji. Istotne jest to, że wyniki GWAS wymagają replikacji w niezależnej kohorcie, żeby cokolwiek twierdzić. Bez tego możesz opisać trend, ale nie wyciągać mocnych wniosków o przyczynowości.
Transkryptomika: RNA-seq, analiza ekspresji genów, splicing alternatywny
RNA-seq to jeden z najpopularniejszych tematów magisterskich w bioinformatyce. Analizujesz, które geny zmieniają ekspresję między dwoma warunkami (choroba vs. zdrowie, leczenie vs. kontrola, różne tkanki). Dane możesz pobrać z GEO (Gene Expression Omnibus) albo TCGA.
Alternatywny splicing to bardziej zaawansowany wariant. Analizujesz nie tylko to, czy gen jest aktywny, ale jak jego transkrypt jest składany. Narzędzia: rMATS, MAJIQ, LeafCutter. Wymaga głębszego pokrycia sekwencjonowania (zwykle >50M reads na próbkę) i dobrego zrozumienia biologii mRNA.
Metagenomika: 16S rRNA, shotgun metagenomics, mikrobiom
Metagenomika bada społeczności mikroorganizmów bez hodowli w laboratorium. Dwa główne podejścia to sekwencjonowanie amplikonu 16S rRNA (tańsze, mniej informacji taksonomicznej) i shotgun metagenomics (droższe, pełna informacja funkcjonalna).
Tematy magisterskie z mikrobiomu są popularne, bo dane są publicznie dostępne (Human Microbiome Project, EBI Metagenomics), a pipeline’y są dobrze opisane. Uwaga: wyniki mikrobiomu są bardzo wrażliwe na protokół pobierania próbek i pipeline analityczny. Jeśli porównujesz swoje wyniki z literaturą, sprawdź, czy protokoły były zbliżone.
Proteomika i metabolomika obliczeniowa
Proteomika obliczeniowa analizuje dane z mass spectrometry. Identyfikujesz białka obecne w próbce i ich ilościowe zmiany. Narzędzia: MaxQuant (identyfikacja peptydów), Perseus (analiza statystyczna), MSFragger (szybki search engine). Dane publiczne znajdziesz w ProteomeXchange.
Metabolomika bada profile metabolitów w próbkach biologicznych. Pipeline analityczny w R opiera się zwykle na pakiecie XCMS do przetwarzania danych LC-MS i MetaboAnalyst do statystyk. Ten obszar jest mniej standardowy niż genomika, więc możliwości popełnienia błędu metodologicznego są większe.
Bioinformatyka strukturalna: modelowanie białek (AlphaFold2), docking molekularny
AlphaFold2 (DeepMind) zmienił w 2021 roku bioinformatykę strukturalną. Teraz możesz przewidzieć strukturę 3D białka z sekwencji aminokwasowej z dokładnością porównywalną do krystalografii. Praktycznie każde białko, którego struktura nie jest znana, jest potencjalnym tematem magisterskim.
Docking molekularny to przewidywanie, jak cząsteczka (lek, ligand) wiąże się z białkiem. Narzędzia: AutoDock Vina do szybkiego dockingu, Glide (Schrodinger) do zaawansowanego modelowania. Wizualizacja wyników: PyMOL, UCSF ChimeraX. Tematy z dockingu są popularne w laboratoriach farmakologicznych i chemii medycznej.
Narzędzia i pipeline’y bioinformatyczne
Kontrola jakości: FastQC, MultiQC, Trimmomatic
Zanim zaczniesz jakąkolwiek analizę, sprawdzasz jakość odczytów (reads) z sekwencjonowania. FastQC generuje raport HTML z metrykami: rozkładem jakości per pozycja, zawartością GC, duplikacją, contamination adapterów. Uruchamiasz go:
fastqc sample_R1.fastq.gz sample_R2.fastq.gz -o fastqc_output/
MultiQC agreguje raporty z FastQC (i wielu innych narzędzi) w jeden zbiorczy raport. To szczególnie przydatne, gdy masz 20+ próbek:
multiqc fastqc_output/ -o multiqc_report/
Trimmomatic usuwa adaptery i filtruje reads niskiej jakości. Parametry dla danych paired-end:
LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36
Oznaczają odpowiednio: przytnij 3 bazy z początku jeśli jakość < 3, przytnij z końca jeśli jakość < 3, przesuń okno 4 bp i przytnij jeśli średnia jakość < 15, odrzuć read jeśli długość po przycięciu < 36 bp. Alternatywa to Fastp, który jest szybszy i ma automatyczne wykrywanie adapterów.
Mapowanie reads: BWA-MEM, STAR, HISAT2
Do mapowania genomowego (DNA-seq, WGS, WES) używasz BWA-MEM. Najpierw indeksujesz referencję:
bwa index GRCh38.fa
bwa mem -t 8 GRCh38.fa sample_R1.fastq.gz sample_R2.fastq.gz | samtools sort -o sample.bam
samtools index sample.bam
Do RNA-seq mapujesz na genomie z adnotacją splicing sites. STAR radzi sobie z tym dobrze, ale wymaga dużo RAM (~30 GB dla genomu ludzkiego). HISAT2 jest bardziej oszczędny pamięciowo i wystarczający do większości zastosowań magisterskich:
hisat2 -x GRCh38_index -1 sample_R1.fastq.gz -2 sample_R2.fastq.gz | samtools sort -o sample.bam
Po mapowaniu sprawdzasz procent mapowanych reads (powinno być >80% dla danych genomowych, >75% dla RNA-seq) i coverage depth, czyli ile razy każda pozycja genomu jest pokryta odczytami.
Wywołanie wariantów (variant calling): GATK4, FreeBayes, DeepVariant
GATK4 HaplotypeCaller to standard w variant callingu dla danych germline (zmiany dziedziczne). Pipeline Best Practices obejmuje: marking duplicates (MarkDuplicates), BQSR (base quality score recalibration), wywołanie wariantów, genotyping, VQSR (variant quality score recalibration):
gatk HaplotypeCaller -R GRCh38.fa -I sample.bam -O sample.g.vcf -ERC GVCF
gatk GenotypeGVCFs -R GRCh38.fa -V sample.g.vcf -O sample.vcf
VQSR (Variant Quality Score Recalibration) wymaga dużej kohorty próbek do trenowania modelu. Dla mniejszych zbiorów stosujesz twardą filtrację (hard filtering) według metryk: QD < 2.0, FS > 60, MQ < 40 dla SNP.
FreeBayes to alternatywa dla GATK4, szczególnie do małych kohort i danych niestandardowych. DeepVariant (Google) używa sieci neuronowej i osiąga wyższą czułość dla danych Illumina short-read.
Adnotacja wariantów: Annovar, snpEff, VEP
Po wywołaniu wariantów musisz zrozumieć, co biologicznie oznaczają. Annovar i snpEff adnotują warianty na podstawie ich pozycji genomowej: czy wariant jest w ekson, intronie, regionie regulatorowym, czy zmienia kodowaną sekwencję aminokwasów.
VEP (Variant Effect Predictor, Ensembl) jest najbardziej rozbudowany i integruje wiele baz danych jednocześnie: dbSNP (częstość populacyjna), ClinVar (kliniczne znaczenie), CADD (score szkodliwości), PolyPhen-2 i SIFT (przewidywanie wpływu na białko). Uruchamiasz go online albo lokalnie:
vep --input_file variants.vcf --output_file annotated.vcf --cache --offline --species homo_sapiens
Analiza ekspresji różnicowej: DESeq2, edgeR
DESeq2 i edgeR to pakiety R do analizy RNA-seq. Wczytasz macierz count (liczba reads zmapowanych na każdy gen w każdej próbce) i identyfikujesz geny różnicowo ekspresjonowane (DEG).
W DESeq2 minimalna analiza wygląda tak:
library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = counts, colData = metadata, design = ~condition)
dds <- DESeq(dds)
res <- results(dds, contrast = c("condition", "disease", "control"))
res_ordered <- res[order(res$padj), ]
Wynik zawiera: log2FoldChange (jak bardzo zmienia się ekspresja: 1.0 = dwukrotny wzrost) i padj (p-wartość po korekcji FDR). Standardowy próg to |log2FC| > 1 i padj < 0.05.
edgeR jest lepszy dla bardzo małych replikatów (n=2) i używa ujemnego rozkładu dwumianowego. W praktyce obie metody dają zbliżone wyniki dla dobrze zaprojektowanych eksperymentów.
Metagenomika: QIIME2, DADA2, MetaPhlAn4, HUMAnN3
QIIME2 to platforma do analizy danych mikrobiomu z amplikonów 16S. Pipeline zaczyna się od importu danych, denoising przez DADA2 (tworzy ASV, amplicon sequence variants, zamiast starszych OTU), klasyfikacji taksonomicznej (Naive Bayes classifier trenowany na bazie SILVA lub Greengenes2) i analiz różnorodności:
qiime dada2 denoise-paired
--i-demultiplexed-seqs paired-end-demux.qza
--p-trim-left-f 13 --p-trim-left-r 13
--p-trunc-len-f 150 --p-trunc-len-r 150
--o-table table.qza --o-representative-sequences rep-seqs.qza
MetaPhlAn4 i HUMAnN3 służą do analizy shotgun metagenomics. MetaPhlAn4 identyfikuje taksonomię mikroorganizmów, HUMAnN3 rekonstruuje ścieżki metaboliczne.
Struktury białek: PyMOL, UCSF ChimeraX, AutoDock Vina
PyMOL i UCSF ChimeraX to narzędzia do wizualizacji i analizy struktur 3D. PyMOL generuje wysokiej jakości grafiki do publikacji. ChimeraX lepiej obsługuje duże kompleksy i ma bardziej intuicyjny interfejs.
Docking w AutoDock Vina wymaga przygotowania struktury białka (receptor) i ligandy w formacie PDBQT, zdefiniowania grid box (obszaru poszukiwań) i uruchomienia optymalizacji:
vina --config config.txt --receptor receptor.pdbqt --ligand ligand.pdbqt --out docked.pdbqt
Wynik to wartość energii wiązania (docking score) w kcal/mol. Im bardziej ujemna, tym silniejsze przewidywane wiązanie. Pamiętaj, że docking daje przybliżenie, a nie gwarancję wiązania. Wyniki wymagają walidacji eksperymentalnej lub przynajmniej porównania z wiązaniem liganda referencyjnego.
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Bazy danych bioinformatycznych
NCBI: GenBank, SRA, dbSNP, ClinVar
NCBI (National Center for Biotechnology Information) to główne repozytorium danych biologicznych. SRA (Sequence Read Archive) zawiera surowe dane z sekwencjonowania z tysięcy projektów. Pobierasz dane przez SRA Toolkit:
prefetch SRR1234567
fastq-dump --split-files SRR1234567
GenBank przechowuje sekwencje nukleotydów i adnotowane genomy. dbSNP to baza znanych polimorfizmów SNP z identyfikatorami rsID (np. rs334 to wariant hemoglobiny serpa). ClinVar zbiera interpretacje wariantów genetycznych w kontekście chorób klinicznych.
Ensembl i UCSC Genome Browser to przeglądarki genomowe z adnotacjami genów, regulatorów, wariantów. Ensembl używa swojej numeracji genów (ENSG…), UCSC operuje na wersjach genomu (hg38 = GRCh38).
UniProt, PDB, STRING
UniProt/Swiss-Prot to ręcznie kurowana baza białek z ich funkcją, strukturą, interakcjami i patologiami. Każde białko ma unikalny identyfikator (np. P68871 to hemoglobina beta). TrEMBL to mniej kurowana część UniProt z automatycznymi adnotacjami.
PDB (Protein Data Bank) zawiera eksperymentalne struktury 3D białek, kwasów nukleinowych i kompleksów. Pobierasz plik PDB lub mmCIF bezpośrednio ze strony lub przez PyMOL:
fetch 1HBB # hemoglobina beta w PyMOL
STRING zawiera sieć interakcji białek z wagami opartymi na dowodach: ko-ekspresja, literatura, eksperymenty, kolokalizacja. Używasz go do analizy sieci genów/białek (network analysis) po analizie DEG.
HPO, Gene Ontology, KEGG
Human Phenotype Ontology (HPO) opisuje kliniczne cechy chorób genetycznych w ustandaryzowanej hierarchii terminów. Przydatne, gdy interpretujesz warianty w kontekście chorób rzadkich.
Gene Ontology (GO) dzieli funkcje genów na trzy kategorie: procesy biologiczne (BP), funkcje molekularne (MF), komponenty komórkowe (CC). Analiza GO enrichment sprawdza, czy twoje geny DEG są wzbogacone w konkretne funkcje biologiczne. Robiąc to w R:
library(clusterProfiler)
ego <- enrichGO(gene = deg_list, OrgDb = org.Hs.eg.db, keyType = "ENSEMBL", ont = "BP")
dotplot(ego)
KEGG Pathways to baza ścieżek metabolicznych i sygnałowych. Analiza KEGG enrichment pokazuje, w jakich ścieżkach biologicznych są zaangażowane twoje geny.
1000 Genomes, gnomAD, TCGA
1000 Genomes Project zsekwencjonował 2504 osoby z 26 populacji globalnych. To punkt odniesienia dla częstości wariantów w populacji i LD (linkage disequilibrium) w GWAS.
gnomAD (Genome Aggregation Database) zawiera dane z >125 000 sekwencji exomów i >15 000 genomów. Jeśli wariant, który znalazłeś, ma MAF (minor allele frequency) > 1% w gnomAD, raczej nie jest rzadkim wariantem chorobotwórczym.
TCGA (The Cancer Genome Atlas) to wielki zbiór danych onkologicznych: dane mutacyjne, ekspresji, methylacji, CNV dla 33 typów nowotworów. Dostęp przez GDC Data Portal. Wymaga rejestracji dla danych chronionych, ale większość danych jest publicznie dostępna.
Analiza danych i statystyki
Metryki jakości NGS: Q30 score, coverage depth, duplication rate
Q30 score to odsetek zasad sekwencjonowania z jakością Phred >= 30, czyli prawdopodobieństwo błędu < 0.1%. Dobry zestaw danych ma Q30 > 75-80%. Duplication rate > 30-40% sugeruje zbyt małą ilość wyjściowego DNA lub błąd biblioteki. Coverage depth to ile razy każda pozycja genomu jest pokryta reads. Dla WGS wystarczy 30x, dla variant callingu rzadkich wariantów potrzebujesz 100x+, dla WES klinicznych zastosowań minimum 100x na region kodujący.
Sprawdzasz te metryki w raporcie FastQC, Picard CollectWgsMetrics albo samtools flagstat:
samtools flagstat sample.bam
samtools depth -a sample.bam | awk '{sum+=$3; count++} END {print "Mean depth:", sum/count}'
PCA i t-SNE w genomice
PCA (principal component analysis) w genomice pokazuje globalne podobieństwo próbek. W RNA-seq pierwsze dwa komponenty główne powinny separować twoje grupy eksperymentalne. Jeśli próbki grupują się według daty sekwencjonowania zamiast warunku biologicznego, masz efekt batcha, który musisz usunąć (narzędzia: ComBat, limma removeBatchEffect).
t-SNE i UMAP to metody nieliniowe, lepsze do wizualizacji danych single-cell RNA-seq (scRNA-seq), gdzie masz tysiące komórek. W genomice populacyjnej PCA jest standardem i umożliwia porównanie ze znannymi populacjami z 1000 Genomes.
Wielokrotne testowanie: korekta Bonferroniego, FDR
Testując jednocześnie 20 000 genów, oczekujesz 1000 fałszywie pozytywnych wyników przy progu p < 0.05. Korekta Bonferroniego mnoży p-wartości przez liczbę testów (lub dzieli próg), więc jest bardzo konserwatywna. W genomice stosuje się ją do GWAS (próg p < 5e-8).
W RNA-seq standardem jest FDR (false discovery rate) metodą Benjamini-Hochberg. DESeq2 automatycznie oblicza padj (adjusted p-value). Próg padj < 0.05 oznacza, że akceptujesz 5% fałszywych odkryć wśród odrzuconych hipotez zerowych.
Uczenie maszynowe w bioinformatyce
Random Forest (RF), SVM i XGBoost są stosowane do klasyfikacji próbek, predykcji funkcji genów i identyfikacji biomarkerów. W pracy magisterskiej stosujesz je zwykle do klasyfikacji typów nowotworu na podstawie profilu ekspresji albo do predykcji, czy wariant genetyczny jest szkodliwy.
Kluczowe zasady: nigdy nie trenujesz i nie testujesz na tych samych danych, stosujesz walidację krzyżową (k-fold cross-validation), a metryki to AUC-ROC, F1, precision/recall (nie tylko accuracy, szczególnie przy niezbalansowanych klasach). W R: pakiet caret lub tidymodels. W Pythonie: scikit-learn.
Infrastruktura obliczeniowa
Klastry HPC: SLURM, moduły środowiskowe
Analiza WGS jednej próbki na laptopie może trwać dni. Na klastrze HPC uruchamiasz job przez SLURM scheduler. Piszesz skrypt bash z dyrektywami SLURM:
#!/bin/bash
#SBATCH --job-name=bwa_mapping
#SBATCH --cpus-per-task=16
#SBATCH --mem=64G
#SBATCH --time=12:00:00
#SBATCH --output=logs/%x_%j.out
module load BWA/0.7.17
module load SAMtools/1.17
bwa mem -t 16 GRCh38.fa sample_R1.fastq.gz sample_R2.fastq.gz | samtools sort -o sample.bam
Moduły środowiskowe (module load) ładują konkretne wersje narzędzi bez konfliktu zależności. Zawsze notuj wersje narzędzi, których używasz, bo to jest wymagane do reprodukowalności.
Conda/Bioconda
Conda to menadżer pakietów i środowisk dla bioinformatyki. Bioconda to kanał z narzędziami bioinformatycznymi. Tworzysz izolowane środowisko dla projektu:
conda create -n magisterka -c bioconda -c conda-forge fastqc trimmomatic bwa samtools gatk4
conda activate magisterka
Eksportując środowisko do pliku YAML (conda env export > environment.yml), dajesz recenzentowi i promotorowi możliwość odtworzenia dokładnie tego samego zestawu narzędzi w tych samych wersjach.
Snakemake i Nextflow
Snakemake to system automatyzacji pipeline’ów w Pythonie. Piszesz reguły (rules), które opisują, jak z pliku wejściowego uzyskać plik wyjściowy. Snakemake sam oblicza kolejność kroków i może uruchomić pipeline na klastrze:
rule trim:
input: "raw/{sample}_R1.fastq.gz", "raw/{sample}_R2.fastq.gz"
output: "trimmed/{sample}_R1.fastq.gz", "trimmed/{sample}_R2.fastq.gz"
shell:
"trimmomatic PE {input} {output} LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36"
Nextflow to alternatywa, popularniejsza w środowiskach produkcyjnych. nf-core to zbiór gotowych, certyfikowanych pipeline’ów Nextflow (nf-core/rnaseq, nf-core/sarek dla variant callingu). Dla magistranta uruchomienie gotowego nf-core pipeline’u i jego dostosowanie do danych jest całkowicie akceptowalnym podejściem, pod warunkiem że rozumiesz każdy krok.
Struktura pracy magisterskiej z bioinformatyki
Struktura jest podobna do klasycznej pracy empirycznej, ale z kilkoma istotnymi różnicami.
Wstęp opisuje problem biologiczny, nie metodologiczny. Zacznij od pytania biologicznego (jakie geny zmieniają ekspresję w chorobie X?), nie od opisu narzędzi.
Przegląd literatury zawiera dwie warstwy: biologiczny kontekst tematu i przegląd metod stosowanych do podobnych analiz. Opisujesz, jakie pipeline’y stosowali inni, jakie dane publiczne są dostępne, jakie były ich ograniczenia.
Materiał i metody to kluczowa sekcja. Opisujesz: źródło danych (baza, identyfikatory próbek, data pobrania), każde narzędzie z wersją i parametrami, skrypty w repozytorium GitHub. Metody mają być napisane tak, żeby ktoś mógł powtórzyć analizę od zera. Jeśli nie mógłby, praca jest niereprodukowana.
Wyniki to wykresy i tabele z opisem. Nie interpretujesz jeszcze tutaj biologicznie, tylko opisujesz co widzisz: „Zidentyfikowano 347 genów różnicowo ekspresjonowanych (padj < 0.05, |log2FC| > 1), z czego 189 było nadekspresjonowanych w grupie chorobowej.”
Dyskusja to interpretacja biologiczna i konfrontacja z literaturą. Tutaj mówisz, co twoje wyniki znaczą, dlaczego są zgodne lub sprzeczne z publikacjami, jakie są ograniczenia analizy.
Załączniki/suplementy zawierają skrypty, pełne tabele DEG, dodatkowe wykresy QC.
Typowe błędy
Brak reprodukowalności
To najpoważniejszy błąd metodologiczny. Jeśli w sekcji metod piszesz „dane analizowano za pomocą narzędzi bioinformatycznych” bez podania nazw i wersji, recenzent nie może ocenić poprawności. Każde narzędzie musi mieć wersję, każdy skrypt musi być w repozytorium, każdy parametr musi być opisany. Używaj Conda environment.yml albo Docker/Singularity do pakowania środowiska.
Pomijanie filtrowania jakości reads
Nie można mapować surowych reads bez sprawdzenia jakości. Adaptery w sekwencjach powodują błędy mapowania i fałszywe warianty. Niskiej jakości 3′ końce reads obniżają specyficzność mapowania. Zawsze uruchamiaj FastQC przed i po Trimmomatic, żeby pokazać, że filtrowanie miało efekt.
Nadinterpretacja wyników GWAS bez replikacji
GWAS na jednej kohorcie generuje potencjalne sygnały, nie potwierdzone asocjacje. Każda pozycja genomu przeżywa próg p < 5e-8 to kandydat wymagający replikacji w niezależnej populacji. Bez replikacji mówisz o sugestii asocjacji, nie o udowodnionym związku. Ta różnica między „sugeruje” a „dowodzi” jest krytyczna w dyskusji.
FAQ – Najczęstsze pytania
Czy praca z bioinformatyki wymaga laboratoryjnego sekwencjonowania?
Nie. Większość prac magisterskich opiera się na danych publicznych z NCBI SRA, TCGA, GEO, EBI Metagenomics. Sekwencjonowanie własnych próbek jest możliwe, jeśli twoje laboratorium ma dostęp do platformy (Illumina NovaSeq, MinION), ale nie jest wymagane. Analiza danych publicznych jest metodologicznie równoważna, pod warunkiem że dobrze dobierzesz dane do pytania badawczego.
Jeśli jednak twój promotor ma projekt z własnym sekwencjonowaniem, to szansa na ciekawe, nieopublikowane dane. Bierz bez wahania.
Jak dokumentować pipeline bioinformatyczny w pracy?
Minimalny standard: każde narzędzie z wersją, pełne wywołanie komendy z parametrami (możesz dać w metodach skrócone, a pełne w suplemencie albo GitHub), lista baz danych z wersją i datą dostępu, link do repozytorium z kodem. Dobrą praktyką jest Snakemake albo plik Bash z całym pipeline’em od surowych reads do wyników finalnych.
W metodach piszesz: „Reads filtrowano Trimmomatic v0.39 (parametry: LEADING:3 TRAILING:3 SLIDINGWINDOW:4:15 MINLEN:36) i mapowano BWA-MEM v0.7.17 do genomu referencyjnego GRCh38 (Ensembl release 109). Warianty wywoływano GATK4 v4.4.0 HaplotypeCaller w trybie GVCF. Pełne komendy dostępne w repozytorium GitHub [link].”
Jak korzystać z danych publicznych (SRA, TCGA) do pracy?
Z SRA pobierasz dane przez SRA Toolkit (prefetch + fastq-dump). Opisujesz w metodach: identyfikatory próbek (SRR…), projekt (SRP…), gatunek, typ sekwencjonowania, datę pobrania. Każda próbka ma swój identyfikator, który możesz sprawdzić w tabeli metadanych projektu.
TCGA wymaga rejestracji na GDC Portal i akceptacji dbGaP data use agreement dla danych chronionych. Dane kontrolne (germline) są chronione, dane somatyczne nowotworów są zazwyczaj open access. Cytując dane TCGA, podajesz identyfikatory case i sample, typ projektu (np. TCGA-BRCA dla raka piersi) i wersję przetwarzania.
Jak interpretować wyniki DESeq2: log2FC i padj?
log2FoldChange mówi o kierunku i sile zmiany ekspresji. Wartość 1.0 to dwukrotny wzrost (2^1 = 2x), 2.0 to czterokrotny, -1.0 to dwukrotne obniżenie. Gen z log2FC = 1.5 i padj = 0.001 jest nadekspresjonowany i wynik jest statystycznie pewny.
padj (adjusted p-value) to p-wartość po korekcji FDR. Próg padj < 0.05 jest standardowy. Nie patrz tylko na padj, bo gen z log2FC = 0.1 i padj = 0.001 jest statystycznie znamienny, ale biologicznie nieistotny (zmiana ekspresji o 7%). Łącz oba filtry: |log2FC| > 1 i padj < 0.05 daje biologicznie i statystycznie znaczące geny.
Volcano plot zestawia na jednym wykresie log2FC (oś X) i -log10(padj) (oś Y), co pozwala szybko zobaczyć, ile genów spełnia oba kryteria.
Wymagania formalne i obrona
Praca magisterska z bioinformatyki ma takie same wymagania formalne jak inne kierunki: objętość (zwykle 60-100 stron bez suplementów), formatowanie (styl cytowania, marginesy, czcionka), streszczenie polskie i angielskie, oświadczenie o samodzielności. Sprawdź wymagania swojego wydziału, bo różnią się między uczelniami.
Jeden aspekt jest specyficzny: recenzent techniczny może sprawdzić twoje analizy. Dlatego kod musi działać. Przed oddaniem pracy uruchom cały pipeline od nowa na czystym środowisku i upewnij się, że wyniki się zgadzają z tym, co napisałeś.
Na obronie pytania z bioinformatyki dotyczą zwykle: dlaczego wybrałeś to narzędzie zamiast alternatywy (np. STAR zamiast HISAT2), co by się zmieniło przy innych parametrach filtrowania, jak interpretujesz biologicznie top 5 genów DEG, jakie są ograniczenia analizy. Nie musisz znać każdego parametru każdego narzędzia na pamięć, ale musisz rozumieć logikę pipeline’u i być w stanie wytłumaczyć swoje decyzje.
Przygotuj prezentację z jednym slajdem pokazującym schemat pipeline’u (od reads do wyników) i jednym z najważniejszym wynikiem biologicznym. Komisja doceni, jeśli zaczniesz od pytania biologicznego, nie od opisu narzędzi.
