Celogenomové sekvenování (WGS 30x) způsobilo revoluci v personalizované medicíně a vědeckém výzkumu tím, že umožňuje analyzovat 100 % vaší DNA. Za každou zprávou o zdraví nebo wellness se však skrývá obrovské množství komplexních bioinformatických dat. Pokud jste se rozhodli stáhnout si svá hrubá genomická data, je velmi pravděpodobné, že jste narazili na různé přípony souborů, přičemž soubor CRAM je jednou z nejdůležitějších a nejefektivnějších.
Co je to soubor CRAM a jaká je jeho funkce u WGS?
Soubor CRAM je vysoce komprimovaný formát, který se používá k ukládání genomických sekvenačních dat předem zarovnaných vůči referenčnímu genomu.
Abychom pochopili jeho místo v bioinformatickém procesu, je vhodné jej odlišit od jiných formátů:
- Oproti souboru FASTQ: Zatímco soubor FASTQ obsahuje hrubá data (raw data) generovaná přímo sekvenačním přístrojem bez zpracování, soubor CRAM představuje mnohem pozdější fázi.
- Zarovnaná čtení: V souboru CRAM již byla čtení (reads) DNA zpracována, což znamená, že každý fragment obsahuje informace o své přesné pozici v referenčním genomu a k tomu přidružené skóre kvality.
Tento formát je široce využíván bioinformatiky, genetiky a výzkumníky, kteří chtějí provádět pokročilé analýzy, jako je identifikace genetických variant, revize specifických oblastí genomu nebo validace nálezů, a také pokročilými uživateli, kteří si chtějí uchovat optimalizovanou a kompaktní verzi svých dat WGS.
Hlavní vlastnosti souboru CRAM
Formát CRAM vyniká v prostředí klinické i výzkumné genomiky díky několika zásadním technickým výhodám:
- Vysoká komprese: Díky pokročilému systému komprese zabírá podstatně méně úložného prostoru než jiné tradiční zarovnané formáty (jako je BAM).
- Zarovnaná čtení: Strukturovaně ukládá pozici každého čtení vůči referenčnímu genomu.
- Informace o kvalitě: Uchovává technická metadata a skóre kvality, která jsou nezbytná pro audit spolehlivosti sekvenování.
- Efektivita ukládání: Je to ideální formát pro správu obrovských objemů dat, která generuje celogenomové sekvenování (WGS).
Omezení, která je třeba vzít v úvahu
Vzhledem ke své technické povaze a zaměření na počítačové zpracování má soubor CRAM určitá specifika:
- Závislost na referenčním genomu: Ke správnému čtení a interpretaci souboru CRAM je nezbytné mít stejný referenční genom, jaký byl použit během počátečního zarovnání. U tellmeGen používáme jako referenční genom „GRCh37.primary_assembly.genome.fa.gz“.
- Člověkem nečitelné: Nelze jej otevřít přímo jako textový dokument za účelem prohlížení genetických znaků nebo predispozic. K jeho vizualizaci je vyžadován specializovaný software.
- Vyžaduje technické znalosti: Je navržen specificky pro pokročilé uživatele, bioinformatiky nebo profesionály obeznámené s manipulací s genomickými daty.
Dostupné formáty a stahování u tellmeGen
V tellmeGen věříme v transparentnost a vlastnictví vašich genetických dat. Proto našim uživatelům kromě souboru CRAM nabízíme také možnost stáhnout si další doplňkové technické formáty, jako jsou FASTQ a VCF přímo z uživatelské sekce vašeho účtu.
Technické požadavky pro práci se soubory CRAM
Pokud jste uživatel nebo výzkumník a plánujete pracovat se svými soubory CRAM z WGS, doporučujeme vzít v úvahu následující hardwarové a softwarové požadavky:
- Operační systém: Doporučuje se používat Linux nebo macOS, i když je možné s nimi pracovat také ve Windows pomocí kompatibilních nástrojů nebo prostředí, jako je WSL (Windows Subsystem for Linux).
- Specifický software: Je nutné mít specializované bioinformatické nástroje, jako jsou samtools, IGV (Integrative Genomics Viewer) nebo bcftools.
- Paměť RAM: Doporučuje se mít minimálně 32 GB RAM pro plynulou správu objemů dat WGS.
- Úložiště: Ačkoliv soubor CRAM vyniká vysokou kompresí, manipulace s celými genomy vyžaduje disky s velkou dostupnou kapacitou.
Soubor CRAM je definitivním nástrojem pro pokročilé uživatele, kteří chtějí maximálně využít potenciál svého testu DNA, neboť umožňuje efektivní, detailní a optimalizovanou technickou analýzu celé vaší DNA.
