{"id":131419,"date":"2014-02-26T20:10:18","date_gmt":"2014-02-26T19:10:18","guid":{"rendered":"http:\/\/www.madrimasd.org\/blogs\/bioinformatica\/?p=131419"},"modified":"2014-02-27T16:25:33","modified_gmt":"2014-02-27T15:25:33","slug":"tophat-2-arreglos-para-algunos-fallos-tecnicos","status":"publish","type":"post","link":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/2014\/02\/26\/131419","title":{"rendered":"TopHat 2: arreglos para algunos fallos t\u00e9cnicos"},"content":{"rendered":"

Una parte de la bioinform\u00e1tica actual gira en torno a los an\u00e1lisis de datos de experimentos de ultrasecuenciaci\u00f3n<\/a>: ChIP-Seq<\/a>, FAIRE-Seq<\/a> y DNase-Seq<\/a>, exome sequecing<\/a>, RNA-Seq<\/a>, … Una de las herramientas es TopHat<\/a>\u00a0(en el momento de escribir esta entrada iba por la versi\u00f3n 2.0.10), que se usa en los experimentos de RNA-Seq para identificar splice junctions<\/em> tipo ex\u00f3n-ex\u00f3n… Para entender qu\u00e9 \u00a0es esto de los splice junctions<\/em>\u00a0tipo ex\u00f3n-ex\u00f3n, primero hay que recordar c\u00f3mo funciona la s\u00edntesis de prote\u00ednas<\/a>\u00a0con estos esquemas de la Wikipedia inglesa:<\/p>\n

\"\"<\/a><\/div>\n

Cuando una prote\u00edna del c\u00f3digo gen\u00e9tico de la c\u00e9lula va a ser producida por la maquinaria celular, lo primero que se hace es, dentro del n\u00facleo, copiar el c\u00f3digo gen\u00e9tico correspondiente a los exones<\/a>\u00a0que representan a esa prote\u00edna, descartando normalmente otros exones alternativos del mismo gen<\/a> (y de los dem\u00e1s genes). Todos esos exones son puestos de forma consecutiva en un ARN mensajero, que es el que sale del n\u00facleo de la c\u00e9lula con esa informaci\u00f3n y viaja por el citoplasma<\/a>\u00a0hasta llegar a un ribosoma<\/a>. Pero los procesos biol\u00f3gicos encargados de la composici\u00f3n del ARN mensajero pueden fallar, por ejemplo juntando exones correspondientes a prote\u00ednas de distintos genes. Estos procesos pueden estar alterados por defectos gen\u00e9ticos, y por diversas enfermedades, como por ejemplo todos los tipos de c\u00e1ncer.<\/p>\n

\"\"<\/a><\/div>\n

Los experimentos de RNA-Seq tratan de capturar la informaci\u00f3n sobre parte del transcriptoma<\/a> (que ser\u00eda el conjunto de todos los posibles ARN mensajeros), justo aqu\u00e9llos que se encuentran en uso en las muestras usadas para el experimento de RNA-Seq. TopHat usa un genoma de referencia relacionado con los datos a analizar (por ejemplo, el genoma humano), informaci\u00f3n sobre los exones conocidos y a qu\u00e9 genes corresponden (proveniente de UCSC Genome Browser<\/a> o Ensembl<\/a>), y los datos a analizar como tal (del orden de decenas de GB).<\/p>\n

TopHat, como casi todas las herramientas y pipelines<\/em> de an\u00e1lisis del mundo NGS, est\u00e1 en continuo desarrollo y es bastante complejo (est\u00e1 escrito en Python 2.7 y C++), con lo que es inevitable que contenga fallos t\u00e9cnicos. Los datos de un experimento de RNA-Seq que tuvo que analizar una compa\u00f1era de trabajo han tenido la \u00absuerte\u00bb de ser capaz de disparar tres de estos fallos t\u00e9cnicos.<\/p>\n

    \n
  1. Segmentation fault<\/em><\/a> en segment_juncs<\/tt>: Como se puede ver en esta entrada de un foro de Google Groups<\/a>, es un fallo existente de antes. La suerte es que en esa entrada vienen las pistas de c\u00f3mo arreglar dicho fallo en el c\u00f3digo fuente, en el fichero src\/segment_juncs.cpp .<\/li>\n
  2. AttributeError: 'NoneType' object has no attribute 'split'<\/tt>\u00a0de tophat al relanzar un trabajo terminado abruptamente: tophat viene con la posibilidad de reiniciar trabajos de an\u00e1lisis que hayan terminado de forma abrupta, desde el punto en el que haya fallado. Pero ese mecanismo tiene fallos… Para los que program\u00e9is en otros lenguajes de programaci\u00f3n, pero no en Python, ‘NoneType’ es la clase de los ‘None’, el equivalente a ‘undef’ de Perl, ‘nil’ de Ruby, ‘NULL’ de C y C++, ‘undefined’ de JavaScript, etc… Tambi\u00e9n hubo suerte, porque en esta otra entrada del mismo foro de Google Groups<\/a>, un usuario propone un arreglo que, aunque no sea muy ortodoxo ni correcto, hace que tophat contin\u00fae.<\/li>\n
  3. Segmentation fault<\/em><\/a>\u00a0en tophat_reports<\/tt>: Aunque este fallo est\u00e1 m\u00e1s o menos documentado en el mismo foro de Google Groups<\/a>, nadie propone un arreglo. Pero investigando un poco aqu\u00ed, descubr\u00ed que el fallo se encuentra en el fichero src\/tophat_reports.cpp, por una raz\u00f3n similar a la descrita en el fallo de segment_juncs<\/tt>.<\/li>\n<\/ol>\n

    \u00a0Actualizaci\u00f3n<\/span><\/p>\n

    Para que os sea m\u00e1s f\u00e1cil arreglar estos problemas si os top\u00e1is con ellos, he puesto los parches derivados de los arreglos en un repositorio de GitHub:\u00a0https:\/\/github.com\/inab\/tophat2-patches<\/a><\/p>\n

    Actualizaci\u00f3n 2<\/span><\/p>\n

    Hemos encontrado para nuestro caso la causa principal de los dos Segmentation fault. Hab\u00eda discrepancias entre el genoma de referencia y sus \u00edndices de bowtie, que se solucionaron ejecutando de vuelta bowtie-build.<\/p>\n","protected":false},"excerpt":{"rendered":"

    Una parte de la bioinform\u00e1tica actual gira en torno a los an\u00e1lisis de datos de experimentos de ultrasecuenciaci\u00f3n: ChIP-Seq, FAIRE-Seq y DNase-Seq, exome sequecing, RNA-Seq, … Una de las herramientas es TopHat\u00a0(en el momento de escribir esta entrada iba por la versi\u00f3n 2.0.10), que se usa en los experimentos de RNA-Seq para identificar splice junctions tipo ex\u00f3n-ex\u00f3n… Para entender qu\u00e9 \u00a0es esto de los splice junctions\u00a0tipo ex\u00f3n-ex\u00f3n, primero hay que recordar c\u00f3mo funciona la s\u00edntesis de prote\u00ednas\u00a0con estos esquemas de la Wikipedia inglesa: Cuando una prote\u00edna del c\u00f3digo gen\u00e9tico de la c\u00e9lula va a ser producida por la maquinaria celular,\u2026<\/p>\n","protected":false},"author":25,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"ngg_post_thumbnail":0},"categories":[1],"tags":[],"blocksy_meta":{"styles_descriptor":{"styles":{"desktop":"","tablet":"","mobile":""},"google_fonts":[],"version":4}},"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/posts\/131419"}],"collection":[{"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/users\/25"}],"replies":[{"embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/comments?post=131419"}],"version-history":[{"count":12,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/posts\/131419\/revisions"}],"predecessor-version":[{"id":131429,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/posts\/131419\/revisions\/131429"}],"wp:attachment":[{"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/media?parent=131419"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/categories?post=131419"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.madrimasd.org\/blogs\/bioinformatica\/wp-json\/wp\/v2\/tags?post=131419"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}