Praca magisterska z bioinformatyki to zupełnie inny gatunek niż praca z biologii klasycznej czy informatyki. Łączysz tu dwa światy: musisz rozumieć biologię na tyle, żeby pytania miały sens, i jednocześnie obsługiwać narzędzia, które większość biologów omija szerokim łukiem. Promotorzy z komisji często nie mają specjalizacji w bioinformatyce, co oznacza, że pipeline analizy musisz opisać tak, żeby był zrozumiały dla kogoś, kto nie uruchamiał Pythona w życiu.
Poniższy przewodnik opieram na tym, jak wygląda to w praktyce: od pierwszego spotkania z promotorem do obrony.
Typy prac magisterskich w bioinformatyce
Zanim wybierzesz temat, ustal, do jakiego typu praca ma należeć. To decyduje o całej strukturze.
Analiza transkryptomu (RNA-seq) to jeden z najczęstszych typów. Porównujesz ekspresję genów między warunkami (choroba vs. zdrowie, leczenie vs. kontrola, dwa stadia rozwojowe). Dane publiczne są dostępne w NCBI GEO, więc można pracę zrobić bez laboratorium mokrego. Komisja zwykle rozumie ten typ najlepiej, bo wynik jest relatywnie intuicyjny: lista genów, które są „włączone” lub „wyłączone”.
Analiza genomu i wariantów polega na identyfikacji mutacji, polimorfizmów (SNP) lub strukturalnych zmian w genomie. Używasz wtedy narzędzi jak BWA/Bowtie2 do mapowania, GATK do variant calling, i annotatorów jak Annovar lub SnpEff. Jeśli masz dostęp do danych klinicznych, praca może wejść w obszar genomiki medycznej.
Filogeneza molekularna dotyczy rekonstrukcji drzew ewolucyjnych. Wybierasz marker (ITS, rbcL, COI, 16S rRNA), wyrównujesz sekwencje, budujesz model ewolucji i rysujesz drzewo. To typ popularny w taksonomii, ale wymaga solidnej znajomości teorii ewolucji.
Docking molekularny to domena chemoinformatyki i farmakologii obliczeniowej. Modelujesz, jak ligand (np. potencjalny lek) wiąże się z receptorem białkowym. Wynik to energia wiązania i konformacja kompleksu. AutoDock Vina to standard. Często połączone z analizą bazy PDB.
Proteomika obliczeniowa obejmuje analizę danych masowej spektrometrii (MaxQuant, Perseus) lub predykcję struktury i funkcji białek. AlphaFold2 zmienił ten obszar w ostatnich latach, bo teraz można przewidzieć strukturę praktycznie każdego białka bez eksperymentu krystalograficznego.
Metagenomika to analiza zbiorowisk mikroorganizmów bezpośrednio z próbek środowiskowych. Dane 16S rRNA (amplicon) albo shotgun sequencing. Narzędzia: QIIME2, Kraken2, MetaPhlAn. Praca metagenomiczna wymaga dobrej orientacji w ekologii mikrobiologicznej, bo samo odpalenie pipeline to za mało, musisz rozumieć, co te zbiorowiska robią w kontekście biologicznym.
Predykcja struktury białka i interakcji to tematy, które explodowały po wydaniu AlphaFold2 w 2021. Możesz porównywać struktury, szukać miejsc aktywnych, modelować kompleksy białko-białko.
Wybór tematu i źródeł danych
Dobry temat w bioinformatyce spełnia trzy warunki: pytanie biologiczne jest jasne, dane są dostępne (albo można je wygenerować w rozsądnym czasie), a pipeline da się ukończyć w ciągu semestru.
Publiczne bazy danych
Zanim zdecydujesz się zbierać własne dane, sprawdź co jest gotowe:
- NCBI GEO (Gene Expression Omnibus) to największe repozytorium danych ekspresji genów. Znajdziesz tu tysiące gotowych zbiorów RNA-seq i mikroarray
- NCBI SRA (Sequence Read Archive) przechowuje surowe odczyty sekwencjonowania. Z SRA możesz pobrać fastq i przetworzyć je od zera własnym pipeline
- Ensembl to referencyjne genomy i adnotacje genów dla setek organizmów. Indispensable przy RNA-seq, jeśli nie chcesz używać NCBI RefSeq
- UniProt to baza sekwencji i funkcji białek. Swiss-Prot (ręcznie curatowana) kontra TrEMBL (automatyczna) to rozróżnienie, które musisz znać
- PDB (Protein Data Bank) zawiera struktury białek z krystalografii i cryo-EM. Przy dockingu to Twoje główne źródło struktury receptora
- KEGG i Reactome to bazy szlaków metabolicznych. Niezbędne przy analizie wzbogacenia (enrichment analysis) po RNA-seq
Przed zaakceptowaniem tematu sprawdź: czy dane istnieją w GEO/SRA, czy mają odpowiednią liczbę replikaty (minimum 3 na grupę przy RNA-seq), i czy organizm ma dobrze zaadnotowany genom w Ensembl lub RefSeq.
Jak wybrać temat, który przejdzie
Najczęstszy błąd: temat zbyt szeroki lub bez wyraźnego pytania biologicznego. „Analiza transkryptomu raka piersi” to nie jest temat, to obszar. „Identyfikacja genów różnicowo eksprymowanych w potrójnie negatywnym raku piersi (TNBC) w porównaniu do raka ER+ na podstawie danych RNA-seq z GSE45827” to temat.
Konkretne pytanie biologiczne = konkretna hipoteza = praca, którą da się obronić.
Narzędzia bioinformatyczne, które powinieneś znać
Nie musisz znać wszystkiego, ale poniższe narzędzia wracają w kółko. Im wcześniej je poznasz, tym łatwiej.
Analiza sekwencji i dopasowanie
- BLAST (Basic Local Alignment Search Tool) to absolutne minimum. Szukasz podobieństwa sekwencji w bazach danych. blastn dla nukleotydów, blastp dla białek
- Bowtie2 i STAR to mappery RNA-seq do genomu referencyjnego. STAR lepiej radzi sobie z odczytami, które przecinają introny (splice-aware), więc do RNA-seq z eukariontów STAR jest częstszym wyborem
- MUSCLE i MAFFT to narzędzia do wyrównywania wielu sekwencji (multiple sequence alignment, MSA). MAFFT szybszy na dużych zbiorach, MUSCLE klasyczny. Bez MSA nie zbudujesz drzewa filogenetycznego
Analiza ekspresji różnicowej
- DESeq2 i edgeR to dwa najpopularniejsze pakiety R do analizy RNA-seq. Oba działają na surowych odczytach (count matrix). DESeq2 używa negative binomial model z shrinkage estimator dla małych próbek. Przy n < 6 na grupę DESeq2 często daje lepsze wyniki
- R/Bioconductor to ekosystem pakietów biologicznych dla R. Annotation packages (org.Hs.eg.db dla człowieka), clusterProfiler do enrichment analysis, ggplot2 + EnhancedVolcano do wizualizacji
- Python Biopython używasz do parsowania formatów (GenBank, FASTA, PDB), pobierania danych z Entrez, i automatyzacji powtarzalnych kroków pipeline
Narzędzia specjalistyczne
- FastQC sprawdza jakość surowych odczytów. Uruchom zawsze przed i po trimowaniu
- Trimmomatic (lub nowszy Fastp) usuwa adaptery i odczyty niskiej jakości
- featureCounts (pakiet Rsubread) lub HTSeq-count zlicza odczyty na gen po mapowaniu
- MEGA (Molecular Evolutionary Genetics Analysis) to GUI do filogenez. Dobry punkt startowy, jeśli nie czujesz się pewnie z IQ-TREE lub RAxML przez terminal
- AutoDock Vina do dockingu molekularnego, Open Babel do konwersji formatów cząsteczek, PyMOL lub UCSF Chimera do wizualizacji struktur
- AlphaFold2 do predykcji struktury. Jeśli nie masz GPU, możesz użyć ColabFold (wersja na Google Colab), który jest praktycznie równie dokładny
Wyślij fragment tekstu, bezpłatną wycenę otrzymasz w 24 h. Poprawki bez limitu w cenie usługi.
Metodologia RNA-seq krok po kroku
RNA-seq to temat na osobną monografię, ale poniżej masz rdzeń pipeline w wersji, która starczy do pracy magisterskiej.
Kontrola jakości (QC)
Pierwsza rzecz po pobraniu plików fastq: fastqc *.fastq.gz -o qc_output/. Sprawdzasz: per base sequence quality (Phred score powinien być > 28 na większości pozycji), zawartość adapterów, GC content (zbyt duże odchylenie od oczekiwanego rozkładu to flag), duplikaty odczytów (wysokie duplikaty w RNA-seq niekoniecznie są złe, bo very expressed genes naturalnie dają dużo identycznych odczytów).
Trimming
Trimmomatic usuwa sekwencje adapterów (musisz znać sekwencję adapterów Illuminy, zwykle TruSeq), odczyty krótkie (MINLEN:36) i bazy o niskiej jakości na końcach (TRAILING:3, LEADING:3, SLIDINGWINDOW:4:15). Po trimmingu powtarzasz FastQC i porównujesz wyniki.
Mapowanie do genomu
Przy STAR: najpierw budujesz index genomowy (to raz, zajmuje 30-60 min i ~30 GB miejsca dla genomu ludzkiego), potem mapujesz każdy sample osobno lub piszesz pętlę bash/snakemake. STAR generuje pliki BAM, które wizualizujesz w IGV (Integrative Genomics Viewer), żeby sprawdzić, czy mapowanie wygląda sensownie biologicznie.
Zliczanie odczytów
featureCounts -a annotation.gtf -o counts.txt -T 8 mapped/*.bam
Wynikowy plik to macierz: wiersze to geny, kolumny to próbki, wartości to surowe odczyty. Ta macierz trafia do DESeq2 lub edgeR.
Normalizacja
DESeq2 robi normalizację wewnętrznie (median of ratios method). Nie wgrywaj do DESeq2 danych już znormalizowanych (np. TPM). To klasyczny błąd studentów, którzy normalizują „bo tak się robi w biologii” przed analizą statystyczną.
Analiza różnicowej ekspresji
W R:
library(DESeq2)
dds <- DESeqDataSetFromMatrix(countData = counts, colData = metadata, design = ~ condition)
dds <- DESeq(dds)
res <- results(dds, contrast = c("condition", "treated", "control"))
res <- lfcShrink(dds, coef = "condition_treated_vs_control", type = "apeglm")
lfcShrink to ważny krok, który stabilizuje log2 fold change dla genów z małą liczbą odczytów. Bez tego wykres wulkaniczny wygląda chaotycznie.
Wykres wulkaniczny i interpretacja
Volcano plot to scatter plot: oś X to log2FC, oś Y to -log10(adjusted p-value). Pakiet EnhancedVolcano rysuje go z jedną linią kodu i etykietuje znaczące geny. Cutoff standardowy: |log2FC| > 1 i padj < 0.05 (adjusted p-value po korekcji Benjaminiego-Hochberga).
Po liście DEG (differentially expressed genes) robisz enrichment analysis (clusterProfiler, funkcja enrichGO lub enrichKEGG), żeby zobaczyć, w jakich procesach biologicznych skupiają się zmienione geny.
Filogeneza molekularna
Wybór markera molekularnego
Marker musi być odpowiedni do pytania i grupy organizmów. 16S rRNA do bakterii i archeonów, ITS do grzybów, rbcL/matK do roślin, COI do zwierząt (barcode DNA). Przy głębokich filogeniach (phylum level) często używa się kilku markerów razem (multigene phylogeny).
Wyrównanie i model ewolucji
- Pobierasz sekwencje z NCBI GenBank (dla konkretnego genu i grupy organizmów).
- Wyrównujesz MAFFT:
mafft --auto sequences.fasta > aligned.fasta - Sprawdzasz wyrównanie w MEGA lub AliView, ręcznie usuwasz źle wyrównane rejony (trimming: Gblocks lub trimAl).
- Dobierasz model podstawienia nukleotydów: ModelTest-NG lub jModelTest2 testuje setki modeli i wybiera najlepszy (AIC, BIC). Najczęściej wychodzi GTR+G+I lub pochodna
Budowanie drzewa
IQ-TREE2 to obecny standard do Maximum Likelihood:
iqtree2 -s aligned.fasta -m GTR+G+I -B 1000 -T AUTO
Parametr -B 1000 to 1000 ultrafast bootstrap. Wartości wsparcia > 95 traktujesz jako mocne. Drzewo wizualizujesz w FigTree lub iTOL (iTOL ma ładny interface webowy do figur do pracy).
Co raportować
W rozdziale metodologii opisujesz: skąd pobrano sekwencje (data dostępu do GenBank), jakie ID accession, jakie narzędzie do wyrównania i z jakimi parametrami, jaki model ewolucji i jak go wybrano, jak budowano drzewo i ile bootstrap replikacji.
Docking molekularny
Przygotowanie receptora
Struktura białka z PDB zawiera artefakty krystalograficzne: brakujące atomy wodoru, ligandy, wody, czasem alternatywne konformacje łańcucha bocznego. AutoDockTools (część MGLTools) lub skrypty w OpenBabel/Python przygotowują plik do dockingu (format PDBQT).
Definiujesz „grid box” wokół miejsca aktywnego lub kieszeni wiążącej (binding pocket). Jeśli nie wiesz, gdzie jest kieszeń, używasz FPocket lub CASTp do jej predykcji.
Przygotowanie liganda
Strukturę liganda możesz pobrać z PubChem (format SDF lub SMILES) lub rysować w ChemDraw/MarvinSketch. Optymalizujesz geometrię (energy minimization) w Open Babel, generujesz ładunki Gasteigera, konwertujesz do PDBQT.
Uruchomienie dockingu i interpretacja
AutoDock Vina jest stosunkowo prosty w obsłudze:
vina --receptor receptor.pdbqt --ligand ligand.pdbqt
--center_x 10.5 --center_y 20.3 --center_z 15.1
--size_x 20 --size_y 20 --size_z 20
--out results.pdbqt --log results.log
Wynik to kilka konformacji posortowanych według energii wiązania (kcal/mol). Im bardziej ujemna, tym silniejsze wiązanie. Zazwyczaj bierzesz do analizy pierwszą lub kilka pierwszych konformacji.
W PyMOL wizualizujesz kompleks, identyfikujesz reszty aminokwasowe zaangażowane w wiązanie (odległość < 3.5 A to potencjalne wiązanie wodorowe), i porównujesz z danymi literaturowymi lub z wiązaniem naturalnego liganda.
Pamiętaj o ograniczeniach: docking jest modelem in silico. Dobra energia wiązania nie oznacza automatycznie aktywności biologicznej.
Jak pisać pracę: struktura rozdziałów
Wstęp
Opisujesz kontekst biologiczny (nie informatyczny) i uzasadniasz pytanie badawcze. Komisja musi rozumieć, dlaczego ten gen, ten organizm, ten szlak jest ważny. Dwa akapity o biologii, jeden o tym, dlaczego podejście obliczeniowe jest tu odpowiednie.
Materiały i metody
To serce pracy z bioinformatyki. Opisujesz pipeline tak szczegółowo, żeby ktoś mógł go odtworzyć. Oznacza to: wersje programów, dokładne parametry, skąd pobrano dane (z datą i numerami accession), jak filtrowano dane, jakie cutoffi zastosowano. Ukrycie szczegółów metodycznych to najczęstszy powód odrzucenia artykułu w recenzji, i tego samego unikasz przy obronie.
Dobrym zwyczajem jest dołączenie do pracy kodu lub pipeline jako suplement (GitHub link, lub w appendixie). Pokazuje to, że analiza jest powtarzalna.
Wyniki
Nie interpretuj, tylko opisuj. „Rysunek 3 przedstawia 847 genów różnicowo eksprymowanych, z czego 412 ulegało up-regulacji (log2FC > 1, padj < 0.05).” Interpretacja idzie do dyskusji. Figury opisujesz dokładnie w legendzie, bez założenia, że czytelnik wie co widzi.
Przy wynikach RNA-seq standardowy zestaw figur to: heatmapa próbek (sample-to-sample distance lub PCA), wykres wulkaniczny, heatmapa top DEG, wykresy enrichment (dot plot lub bar plot z clusterProfiler).
Dyskusja
Tu łączysz wyniki z biologią i literaturą. „Gen X, który pojawia się w naszej analizie jako najsilniej up-regulowany, jest regulatorem apoptozy opisanym w kontekście TNBC przez Zhang et al. (2019).” Komisja z innych specjalizacji ocenia dyskusję jako pierwszą po wstępie. Musi być zrozumiała bez znajomości szczegółów pipeline.
Uczciwie opisz ograniczenia: mała próba (n=3 per group to standard przy publicznych danych, ale to jest ograniczenie), brak walidacji wet-lab, artefakty konkretnego datasetu.
RODO i dane genomowe
Jeśli pracujesz z danymi klinicznymi lub genomowymi pacjentów (nawet depersonalizowanymi), zwróć uwagę na kilka kwestii.
Dane genomowe są szczególną kategorią danych osobowych (RODO art. 9). W Polsce przetwarzanie wymaga albo zgody uczestnika badania, albo podstawy prawnej (cel naukowy, interes publiczny). Jeśli używasz danych z publicznej bazy (GEO, dbGaP), sprawdź warunki dostępu: część zbiorów w dbGaP wymaga formalnego wniosku o dostęp (controlled access) i instytucjonalnego IRB/bioethics approval.
W pracy opisz: skąd pochodzi zbiór danych, czy jest anonimizowany, czy wymagał szczególnych zgód, i czy Twój projekt wymagał zaopiniowania przez uczelnianą komisję bioetyczną. Przy czysto in silico analizie danych z otwartych repozytoriów GEO/SRA to często formalność, ale napisz to explicite. Promotor powinien Ci to powiedzieć na pierwszym spotkaniu.
Najczęstsze błędy w pracach bioinformatycznych
Brak kontroli jakości danych wejściowych. Widzę to regularnie: student wgrywa fastq do STAR bez FastQC, mapuje, i dopiero przy wynikach zauważa, że połowa odczytów była złej jakości albo skontaminowana adapterami. FastQC zajmuje 5 minut, problemy, które wykrywa, potrafią unieważnić całą analizę.
Nieodpowiedni model statystyczny. RNA-seq to dane zliczeniowe z overdyspersją, nie dane ciągłe z rozkładem normalnym. Nie używaj testu t-Studenta ani ANOVA do analizy liczby odczytów. DESeq2/edgeR to właściwe narzędzia i istnieje konkretne uzasadnienie matematyczne, dlaczego.
Za mała próba bez przyznania się do tego. n=2 per group przy RNA-seq nie daje mocy statystycznej. Możesz z tego zrobić analizę eksploratoryjną, ale nie konfirmacyjną. Napisz to wprost w ograniczeniach, nie chowaj tego.
Mylenie p-value z adjusted p-value. Przy testowaniu 20 000 genów jednocześnie, 5% poziom istotności bez korekcji daje 1000 fałszywych pozytywów. Zawsze używaj padj (BH correction), zawsze raportuj padj.
Brak reproducibility. Jeśli nie podasz dokładnych wersji programów i parametrów, praca nie jest powtarzalna. To nie jest usterka formalna, to błąd merytoryczny.
Przepisywanie pipeline bez rozumienia biologii. Wynik dockingu z dobrą energią wiązania nie ma wartości, jeśli nie wiesz, czy receptor jest farmakologicznie istotny w badanej chorobie. Bioinformatyka to narzędzie do odpowiadania na pytania biologiczne, nie cel sam w sobie.
FAQ
Czy do pracy magisterskiej z bioinformatyki muszę mieć własne dane laboratoryjne?
Nie. Zdecydowana większość prac korzysta z publicznych baz danych (GEO, SRA, PDB, GenBank). Komisja ocenia jakość analizy i interpretacji, nie to, czy sam zebrałeś próbki. Ważne, żeby opisać dokładnie, skąd dane pochodzą i jakie mają parametry jakościowe (ile próbek, jakiej głębokości sekwencjonowanie, jaki organizm, jaki kontekst eksperymentalny w oryginalnym badaniu).
Jakie oprogramowanie wybrać: R czy Python do analizy RNA-seq?
Do właściwej analizy różnicowej ekspresji: R z DESeq2/edgeR. Pakiety Bioconductor są pisane pod dane biologiczne i mają najlepszą dokumentację w tej dziedzinie. Python (Biopython, Pandas) sprawdza się przy automatyzacji pipeline, parsowaniu formatów, i preprocessing danych. W praktyce używasz obu.
Jak opisać pipeline bioinformatyczny komisji, która nie zna bioinformatyki?
Zacznij od analogii: „To jak przepis kulinarny, składniki to dane genomowe, każdy krok ma konkretny cel biologiczny.” Potem tłumacz kroki w języku biologii, nie informatyki. Zamiast „STAR mapuje odczyty do genomu referencyjnego”, powiedz „identyfikujemy, z których fragmentów genomu pochodzą sekwencje w naszych próbkach.” Rysunek schematu pipeline (flowchart) z krótkim opisem każdego kroku to standard, który komisja docenia.
Czy AlphaFold2 zastępuje docking molekularny?
Nie. AlphaFold2 przewiduje strukturę białka, ale nie modeluje interakcji z małymi cząsteczkami. Do dockingu nadal potrzebujesz osobnych narzędzi (AutoDock Vina, Glide, Smina). AlphaFold2 bywa za to bardzo przydatny jako źródło struktury receptora, kiedy PDB nie zawiera Twojego białka lub zawiera tylko częściową strukturę.
Ile genów różnicowo eksprymowanych to „dobre” wyniki w pracy RNA-seq?
To zależy od porównania i organizmu. Przy ostrej odpowiedzi immunologicznej możesz zobaczyć kilka tysięcy DEG. Przy subtelnej zmianie w hodowli komórkowej może to być kilkadziesiąt. Nie ma „dobrej” liczby. Ważniejsze pytania: czy DEG mają biologiczny sens (enrichment analysis pokazuje spójne szlaki?), czy PCA rozdziela grupy eksperymentalne, czy wyniki są powtarzalne między replikantami. Komisja nie ocenia „za mało DEG”, ocenia, czy interpretujesz wyniki w kontekście biologii.
