تبدیل فایل Fastq به VCF

تبدیل فایل Fastq به VCF در فرآیند نسل جدید تعیین توالی (NGS) یک سری مراحل پیچیده و چند مرحله‌ای است. در اینجا به صورت مختصر جریان این فرآیند را توضیح می‌دهیم:

1. پیش‌پردازش داده‌ها (Pre-processing):
   • کیفیت‌سنجی و برش (Quality Control and Trimming): در این مرحله، کیفیت خوانش‌های Fastq بررسی می‌شود و قسمت‌های کم کیفیت حذف می‌شوند. ابزارهایی مثل FastQC و Trimmomatic برای این کار استفاده می‌شوند.
2. هم‌ترازی (Alignment):
   • هم‌ترازی با ژنوم مرجع (Alignment to Reference Genome): خوانش‌های Fastq به یک ژنوم مرجع هم‌تراز می‌شوند. برای این کار معمولاً از ابزارهایی مثل BWA یا Bowtie2 استفاده می‌شود. خروجی این مرحله یک فایل BAM است که خوانش‌های مرتب شده را شامل می‌شود.
3. پردازش پس از هم‌ترازی (Post-Alignment Processing):
   • مرتب‌سازی و علامت‌گذاری دوپلیکات‌ها (Sorting and Marking Duplicates): فایل BAM مرتب‌سازی می‌شود و دوپلیکات‌ها علامت‌گذاری می‌شوند. ابزار Samtools و Picard برای این مرحله استفاده می‌شوند.
   • اصلاح باز‌ها (Base Recalibration): در این مرحله خطاهای سیستمی که ممکن است در طول تعیین توالی رخ دهد، اصلاح می‌شود. ابزار GATK (Genome Analysis Toolkit) برای این کار کاربرد دارد.
4. تشخیص واریانت‌ها (Variant Calling):
   • تشخیص واریانت‌ها (Variant Calling): در این مرحله واریانت‌ها از فایل BAM استخراج می‌شوند. این واریانت‌ها می‌توانند شامل SNP‌ها (Single Nucleotide Polymorphisms) و InDel‌ها (Insertions and Deletions) باشند. ابزار GATK یا FreeBayes برای این مرحله استفاده می‌شود. خروجی این مرحله یک فایل VCF است که واریانت‌ها را شامل می‌شود.
5. فیلتراسیون واریانت‌ها (Variant Filtering):
   • فیلتراسیون واریانت‌ها (Variant Filtering): واریانت‌های بدست آمده بر اساس معیارهای کیفی و کمی مختلف فیلتر می‌شوند. این مرحله برای اطمینان از صحت و دقت واریانت‌های تشخیص داده شده ضروری است.
6. تفسیر واریانت‌ها (Variant Annotation and Interpretation):
   • تفسیر واریانت‌ها (Variant Annotation and Interpretation): در این مرحله واریانت‌های فیلتر شده با اطلاعات اضافی مانند اثرات زیستی واریانت‌ها و ارتباط آنها با بیماری‌ها تفسیر می‌شوند. ابزارهایی مانند ANNOVAR و SnpEff برای این کار استفاده می‌شوند.

این فرآیندها با استفاده از ابزارها و نرم‌افزارهای مختلف انجام می‌شوند و نیاز به دانش تخصصی در زمینه بیوانفورماتیک و ژنتیک دارند. نهایتاً، فایل VCF خروجی شامل اطلاعات مهمی درباره واریانت‌های ژنتیکی فرد است که می‌تواند برای تحقیقات پزشکی و ژنتیکی مورد استفاده قرار گیرد.