Whole Genome Sequencing (WGS 30x) heeft de persoonlijke geneeskunde en wetenschappelijke onderzoek gerevolutioneerd doordat het mogelijk is om 100% van je DNA te analyseren. Achter elk gezondheids- of welzijnsrapport schuilt echter een enorme hoeveelheid complexe bioinformatische gegevens. Als je hebt besloten om je ruwe genomische data te downloaden, is de kans heel groot dat je verschillende bestandsextensies bent tegengekomen, waarbij het CRAM-bestand een van de belangrijkste en meest efficiënte is.
Wat is een CRAM-bestand en wat is de functie ervan bij WGS?
Het CRAM-bestand is een sterk gecomprimeerd formaat dat wordt gebruikt om genomische sequencinggegevens op te slaan die vooraf zijn gealigneerd tegen een referentiegenoom.
Om de plaats ervan binnen de bioinformatische workflow te begrijpen, is het handig om het te onderscheiden van andere formaten:
- Vergeleken met het FASTQ-bestand: Terwijl het FASTQ-bestand de ruwe gegevens (raw data) bevat die rechtstreeks door de sequencingmachine zijn gegenereerd zonder verwerking, vertegenwoordigt het CRAM-bestand een veel latere fase.
- Gealigneerde reads: In het CRAM-bestand zijn de DNA-reads al verwerkt, wat betekent dat elk fragment informatie bevat over zijn exacte positie binnen het referentiegenoom, samen met de bijbehorende kwaliteitsscores.
Dit formaat wordt veel gebruikt door bioinformatici, geneticus en onderzoekers die geavanceerde analyses willen uitvoeren, zoals het identificeren van genetische varianten, het beoordelen van specifieke regio's van het genoom of het valideren van bevindingen, en door geavanceerde gebruikers die een geoptimaliseerde en compacte versie van hun WGS-data willen behouden.
Belangrijkste kenmerken van het CRAM-bestand
Het CRAM-formaat onderscheidt zich in de klinische en onderzoeksomgeving van de genomica dankzij verschillende fundamentele technische voordelen:
- Hoge compressie: Dankzij het geavanceerde compressiesysteem neemt het aanzienlijk minder opslagruimte in beslag dan andere traditionele gealigneerde formaten (zoals BAM).
- Gealigneerde reads: Slaat de positie van elke read op een gestructureerde manier op ten opzichte van het referentiegenoom.
- Kwaliteitsinformatie: Behoudt de technische metadadata en kwaliteitsscores die essentieel zijn om de betrouwbaarheid van de sequencing te auditen.
- Opslagefficiëntie: Het is het ideale formaat voor het beheren van de massieve datavolumes die worden gegenereerd door een Whole Genome Sequencing (WGS).
Beperkingen om rekening mee te houden
Vanwege zijn technische aard en focus op computerverwerking heeft het CRAM-bestand bepaalde eigenaardigheden:
- Afhankelijkheid van het referentiegenoom: Om een CRAM-bestand correct te kunnen lezen en interpreteren, is het essentieel om over hetzelfde referentiegenoom te beschikken dat tijdens de initiële alignment werd gebruikt. Bij tellmeGen gebruiken we als referentiegenoom "GRCh37.primary_assembly.genome.fa.gz".
- Niet leesbaar voor mensen: Het kan niet rechtstreeks worden geopend als een tekstdocument om genetische eigenschappen of aanleg te raadplegen. Het vereist gespecialiseerde software voor visualisatie.
- Vereist technische kennis: Het is specifiek ontworpen voor geavanceerde profielen, bioinformatici of professionals die vertrouwd zijn met het manipuleren van genomische data.
Beschikbare formaten en download bij tellmeGen
Bij tellmeGen geloven we in transparantie en in het eigenaarschap van je genetische data. Daarom bieden we onze gebruikers, naast het CRAM-bestand, de mogelijkheid om andere complementaire technische formaten te downloaden, zoals FASTQ en VCF rechtstreeks vanuit het gebruikersgedeelte van je account.
Technische vereisten om met CRAM-bestanden te werken
Als je een gebruiker of onderzoeker bent en van plan bent om met je WGS CRAM-bestanden te werken, raden we je aan rekening te houden met de volgende hardware- en softwarevereisten:
- Besturingssysteem: Het gebruik van Linux of macOS wordt aanbevolen, hoewel het ook mogelijk is om ze op Windows te gebruiken via compatibele tools of omgevingen zoals WSL (Windows Subsystem for Linux).
- Specifieke software: Het is noodzakelijk om te beschikken over gespecialiseerde bioinformatische tools zoals samtools, IGV (Integrative Genomics Viewer) of bcftools.
- RAM-geheugen: Het wordt geadviseerd om over minimaal 32 GB RAM te beschikken om de datavolumes van een WGS soepel te beheren.
- Opslag: Hoewel het CRAM-bestand uitblinkt door zijn hoge compressie, vereist de manipulatie van volledige genomen schijven met voldoende beschikbare capaciteit.
Het CRAM-bestand is het ultieme hulpmiddel voor geavanceerde gebruikers die het maximale uit hun DNA-test willen halen en een efficiënte, gedetailleerde en geoptimaliseerde technische analyse van al hun DNA mogelijk willen maken.
