O que acontece quando você encosta um fluxo de NGS na bancada
Sequenciamento de nova geração não é mágica. É química cara, hardware que quebra no momento errado e milhares de arquivos FASTQ cheios de ruído que parecem significar algo até você rodar oAlignment direito. A maioria dos laboratórios que eu vejo tentando implementar NGS pela primeira vez subestima completamente a etapa de prepareção de biblioteca e superestima a confiabilidade do sequenciador em si. O sequenciador vai produzir dados no prazo. A pergunta é se esses dados vão ser úteis. Eu já passei por isso na prática. Montamos um fluxo de RNA-seq para exprimação diferencial em tecidos com alto conteúdo de lipídeos. O protocolo padrão de extração com TRIzol funcionava, mas as bibliotecas apresentavam viés extremo de cobertura nas extremidades 5' dos transcriptos. O sequenciador entregava 40 milhões de reads por amostra sem nenhum erro de ciclo aparente, mas quando você olhava o coverage plot, parecia que algo tinha sido cortado propositalmente do início dos genes. A solução não estava no kit de library prep nem na flow cell. Era a DNase treatment. O protocolo recomendava 20 minutos na temperatura ambiente, mas para esses tecidos específicos, aumentamos para 45 minutos com proteína K adicional e o viés sumiu. Dica rápida que não está em nenhum manual: sempre quantifique a RNA com Qubit antes e depois da DNase, não confie só no Bioanalyzer. O RIN pode estar lindo e a concentração estar errada porque os oligos do TapeStation não ligam direito em RNA rico em gordura.
Entendendo o sequenciamento de nova geração na prática
O princípio básico é simples demais para ser explicado com detalhes desnecessários. Você fragmenta o DNA, coloca adaptadores, amplifica por ponte ou PCR e lê bases uma por uma enquanto o equipamento registra fluorescência. As plataformas principais são Illumina, que domina o mercado com precisão de base acima de 99,9%, e as tecnologias de long-read da PacBio e Oxford Nanopore, que ganharam espaço real onde a continuidade importa mais que a precisão individual de cada nucleotídeo. Illumina ainda é a escolha padrão para a maioria dos projetos. Um run de NovaSeq 6000 S4 lane entrega cerca de 6 bilhões de reads, cada uma com 150 pares finais, em aproximadamente 48 horas. O custo por gigabase caiu para faixa de 5 a 15 dólares dependendo do volume e do tipo de kit. Mas existem armadilhas que ninguém menciona nos brochures. A cluster density ideal para WGS humano é entre 800 e 1000 K/mm². Se você passar de 1200, a qualidade cai drasticamente por causa de sobreposição de clusters. Já vi gente encher flow cells achando que mais dados era melhor, e no final perder 30% das reads por PhiX contamination indireta e baixa Q30.
O Q30 é o número que importa, não o número total de reads. Uma lane com 90% Q30 e 4 bilhões de reads é infinitamente mais útil que uma lane com 75% Q30 e 6 bilhões. No meu workflow, rejeito automaticamente qualquer run que fique abaixo de 85% Q30, independentemente do throughput. Dados ruins não melhoram com análise bioinformática avançada. Só custam mais tempo e frustração.
Construindo um pipeline que não desanda na primeira variant call
O pipeline padrão ouro para variant calling em WGS segue o fluxo GATK Best Practices, mas a implementação real é onde as coisas travam. Você precisa de pelo menos 30x de cobertura profunda para calling confiável de variantes somáticas em tumores sólidos, e pelo menos 15x para Call germinativo em estudos populacionais. Abaixo disso, o false negative rate dispara de forma não linear. Primeira coisa: o mapeamento. Eu uso o BWA-MEM2 em vez do BWA-MEM padrão. A velocidade melhora de 3 para 8 horas num genome humano completo, rodando em 16 cores, com precisão idêntica. O alinhamento sai em BAM, você marca duplicates com Picard, faz base quality score recalcibration se tiver conjuntos conhecidos de variantes, e então entra no HaplotypeCaller no modo gVCF. O gVCF é importante porque permite joint genotyping depois, algo que muitos pulam e se arrependem quando precisam adicionar amostras novas no meio do projeto.
O VQSR do GATK é poderoso mas exige um tamanho amostral mínimo. Se você tem menos de 30 amostras, o modelo de aprendizagem não converge direito. Neste caso, use o cutoff de QD, FS, MQ e MQRankSum manualmente. Valores aceitáveis para SNPs: QD maior que 2, FS menor que 60, MQ maior que 40. Para indels: QD menor que 2, FS maior que 200, MQ menor que 40. Esses números não são dogma, mas funcionam como ponto de partida em 90% dos casos que eu já vi.
Long-read: quando a precisão importa menos que o contexto
O sequenciamento de longa leitura mudou de hobby caro para ferramenta viável em poucos anos. A PacBio Revio com HiFi reads produz consensus com Q30+ e comprimento médio de 15 a 25kb. Isso resolve problemas que o short-read simplesmente não toca: regiões repetitivas, variants estruturais grandes, phasing de haplótipos, e transcriptomos completos sem montagem. A desvantagem é o custo. Um genoma humano HiFi custa entre 500 e 800 dólares em reagentes só, e o tempo de run gira em torno de 30 horas por célula. Para projetos de população com centenas de amostras, o investimento em Illumina ainda é inevitável. O ideal é usar long-read para montar um reference de qualidade do organismo em estudo e depois mapear short-reads contra ele. Isso dá o melhor dos dois mundos: precisão de base alta e resolução de regiões complexas.
👉 Clique no botão abaixo para saber mais sobre o assunto!
Nanopore é outra história. O MinION é portátil, barato, e Produz reads que podem ultrapassar 100kb. A taxa de erro raw é alta, algo em torno de 5 a 10%, mas com consenso de múltiplas leituras sobrepostas e tools como Medaka ou Clair3, você chega a Q30 também. O diferencial real do Nanopore é a detecção direta de modificações epigenéticas sem tratamento químico adicional. Metilção de citosina, 5mC, aparece como signal anomaly nativa. Para estudos epigenômicos, isso elimina uma etapa inteira de experimento.
Controle de qualidade que salva projetos
Antes de tudo, verifique a integridade das libraries. Um Bioanalyzer ou TapeStation mostra o perfil de tamanho, mas não revela contaminantes. Seque um controle PhiX junto com as amostras, idealmente 5% do load total. Isso dá ao sequenciador diversidade de sequência e previne Phasing/Pre-phasing excessivo em libraries com GC biased. Sem PhiX, runs de libraries AT-rich ou GC-rich tendem a ter perda de qualidade nas últimas 25 cycles de uma leitura de 150bp. Após o sequenciamento, rode o FastQC. Ele é rápido, não precisa de instalação complexa, e identifica problemas comuns: adapters contaminantes, drop de qualidade nas posições finais, overrepresented sequences. Se o FastQC mostrar adapter content acima de 5%, faça trim com o Trimmomatic ou Cutadapt antes de prosseguir. Não pule essa etapa. Reads com adapter residual mapeiam mal e geram variants falsas, especialmente em regiões repetitivas onde o alinhador tenta forçar um mismatch para caber o adapter como parte do insert.
Para avaliação pós-alinhamento, use o Qualimap ou o samtools stats. Olhe especificamente para: rate de mapeamento (deve ser acima de 95% para WGS humano), coverage uniformity (o ideal é que pelo menos 95% do genome alvo tenha pelo menos 0.2x da cobertura média), e duplicação (acima de 30% já é sinal de library pobre ou PCR over-amplification).
Bottlenecks que ninguém prevê
O gargalo mais comum em projetos de NGS não é o sequenciador. É o armazenamento e processamento computacional. Um único WGS humano em 30x gera cerca de 90GB de BAM alinhado, e os intermediários (FASTQ, BAM temporário, VCF brutos) podem dobrar esse volume. Mais de 200 amostras e você precisa de terabytes de disco e um servidor com memória suficiente para rodar o HaplotypeCaller em paralelo. Eu recomendo no mínimo 64GB RAM por núcleo de processamento para o GATK, e o uso de Spark mode para o GenomicsDBImport quando o cohort passa de 50 amostras. O outro bottleneck é o tempo de análise. Um pipeline completo de WGS, do FASTQ ao VCF final, leva entre 12 e 24 horas em hardware adequado para uma amostra. Para 100 amostras com joint calling, pode levar de 3 a 5 dias. Planeje os prazos considerando isso. Sequenciamento rápido não significa resultado rápido. A maior parte do delay está na validação e interpretação dos variants, não na produção dos dados brutos.
DNA de entrada de má qualidade é outro problema silencioso. Se o DIN (DNA Integrity Number) estiver abaixo de 7, as libraries vão apresentar fragmentação sesgada e cobertura não uniforme. O sequenciador não sabe que seu DNA está degradado. Ele simplesmente lê o que tem. O resultado são gaps de cobertura que parecem CNVs até você verificar a qualidade da amostra original. Sempre documente o DIN e o RIN de cada amostra antes de enviar para library prep. Dados de amostra degradada não devem ser descartados, mas precisam de interpretação diferenciada, com awareness dos artefatos que a degradação introduz.
Quando NGS não é a resposta
Existem cenários onde técnicas mais simples são mais adequadas. Se você precisa detectar uma única variante conhecida em poucas amostras, um PCR em tempo real com probes TaqMan ou um ARMS-PCR resolve em 2 horas por 5 dólares por teste. Sequenciamento de nova geração é overkill e mais caro. Para estudos de expressão com dezenas de genes pré-definidos, RT-qPCR é mais sensível e quantitativo. O NGS de transcriptoma brilha quando você quer descobrir coisas novas, não confirmar o que já sabe. Também não use NGS quando a pergunta exige resoluçãosingle-cell e você tem poucas células. A droplet-based scRNA-seq com 10x Genomics é cara e complexa. Para menos de 100 células, PCR baseado em plate com sequencing targeted pode ser mais eficiente. E para variantes estruturais muito grandes em regiões altamente repetitivas, mesmo o long-read às vezes nãoResolve. NEST-se químicamente, karyotyping por FISH ou array CGH podem ser mais diretos nesses casos específicos.
O sequenciamento de nova geração é uma ferramenta poderosa mas exige planejamento honesto sobre o que se espera obter. Dados bons nascem de amostras boas, protocolos seguidos ao pé da letra, e análise que respeita as limitações inerentes de cada plataforma. Sem isso, você tem apenas números caros ocupando espaço em disco.
