Analyse NGS et workflow Galaxy

Analyse NGS et workflow Galaxy : concepts clés

Ce cours reprend les notions essentielles abordées dans le quiz "Analyse NGS et workflow Galaxy". Il est structuré autour des outils Galaxy, des formats de fichiers, des paramètres de mapping et des interprétations de variantes. Chaque partie est accompagnée d’explications détaillées, d’exemples concrets et de conseils pratiques pour optimiser vos pipelines de séquençage.

1. Conversion de formats dans Galaxy

Galaxy propose une vaste collection d’outils dédiés à la conversion de formats de séquences. L’un des besoins les plus fréquents est de transformer un fichier FastQ en FASTA tout en conservant les identifiants de séquence.

• Outil correct : Convert Formats > FastQ to FASTA. Cet outil lit le champ d’identifiant (@ID) du FastQ et le reporte tel quel dans le fichier FASTA, évitant toute perte d’information.
• Autres options (FastQ Groomer, FASTX‑toolkit) permettent de nettoyer ou de reformater les reads, mais ne garantissent pas la conservation des noms.

À retenir : choisissez toujours l’outil du menu Convert Formats pour une conversion fiable.

2. Le pipeline FROGS et le pré‑processus

FROGS (Find, Rapidly, Organise, Generate, and Study) est un workflow dédié à l’analyse d’amplicons. L’étape Pre‑process prépare les reads bruts avant le clustering.

• Le premier fichier produit est dereplicated.fasta. Il regroupe les reads identiques en une séquence unique, accompagnée d’un compteur d’abondance.
• Ce fichier sert de base aux étapes suivantes (denoising, clustering, taxonomic assignment).

À retenir : le fichier dereplicated.fasta représente les séquences dédupliquées, essentielles pour réduire la redondance.

3. Paramètres de sensibilité de BWA‑MEM

BWA‑MEM est l’algorithme d’alignement le plus utilisé pour les reads de longueur moyenne à longue. Lors du mapping de lectures courtes, le paramètre qui influence le plus la sensibilité est le mode paired‑end.

• En mode paired‑end, les deux extrémités d’un fragment sont alignées simultanément, ce qui augmente la probabilité de trouver le bon emplacement même si chaque extrémité est courte.
• Les autres paramètres (taille de la fenêtre, longueur minimale, score de qualité) affectent la précision mais pas autant la sensibilité pour les reads courts.

À retenir : activez le mode paired‑end pour améliorer le taux de mapping des reads courts.

4. Le champ MAPQ dans les fichiers SAM/BAM

Le format SAM (Sequence Alignment/Map) stocke les alignements sous forme de lignes texte. Le champ MAPQ (Mapping Quality) indique la confiance de l’alignement.

• Il s’agit d’une probabilité d’erreur exprimée en log‑odds. Une valeur élevée (ex. 60) signifie que la probabilité que l’alignement soit incorrect est très faible.
• Ce champ est crucial pour filtrer les alignements avant la détection de variantes : on ne garde généralement que les reads avec MAPQ ≥ 30.

À retenir : MAPQ mesure la confiance de l’alignement, pas la position ou le type de variante.

5. Interprétation des variantes VCF

Le format VCF (Variant Call Format) décrit les différences entre un génome de référence et un échantillon. Chaque ligne comporte plusieurs champs, dont POS, REF et ALT.

• Exemple : POS=2 REF=C ALT=CT. Le champ ALT contient une séquence plus longue que REF, indiquant une insertion d’un nucléotide (T) après la position 2.
• Si ALT était plus courte, il s’agirait d’une délétion ; si les deux avaient la même longueur mais une différence de base, ce serait un SNP.

À retenir : lorsque ALT > REF, il s’agit d’une insertion.

6. Filtrage de la qualité des reads avec Trimmomatic

Trimmomatic est l’outil Galaxy privilégié pour nettoyer les fichiers FastQ en fonction de la qualité des bases.

• Le filtre SLIDINGWINDOW supprime les bases dès que la qualité moyenne d’une fenêtre de 4 bases descend en dessous de 20.
• Cette approche préserve les parties de haute qualité tout en éliminant les extrémités de faible qualité, améliorant ainsi la précision du mapping.

À retenir : Trimmomatic utilise la règle « qualité moyenne ≥ 20 sur 4 bases » pour le filtrage glissant.

7. Le format mpileup de SAMtools

Lors de l’étape mpileup, SAMtools génère un tableau texte contenant les informations nécessaires à la détection de variantes.

• Le format standard comporte six colonnes : chromosome, position, base de référence, profondeur de lecture, bases observées et qualités des bases.
• Ces six champs permettent de calculer la fréquence allélique, d’évaluer la couverture et de filtrer les positions peu fiables.

À retenir : le fichier mpileup possède six colonnes essentielles pour l’analyse SNP.

8. Synthèse et bonnes pratiques

Pour construire un workflow NGS robuste dans Galaxy, suivez ces recommandations :

• Conversion de formats : utilisez toujours l’outil Convert Formats > FastQ to FASTA pour garder les identifiants.
• Pré‑processus FROGS : commencez par le fichier dereplicated.fasta afin de réduire la redondance.
• Mapping avec BWA‑MEM : activez le mode paired‑end pour maximiser la sensibilité des reads courts.
• Qualité d’alignement : filtrez les alignements avec MAPQ ≥ 30 avant la détection de variantes.
• Détection de variantes : interprétez correctement les champs VCF (ALT > REF → insertion).
• Nettoyage des reads : appliquez Trimmomatic avec la règle SLIDINGWINDOW:4:20 pour éliminer les bases de mauvaise qualité.
• Analyse mpileup : exploitez les six colonnes du format pour calculer les fréquences alléliques et la profondeur.

En appliquant ces principes, vous optimiserez la précision de vos analyses, réduirez les faux positifs et gagnerez en efficacité dans vos projets de séquençage à haut débit.