CBIcall: a configuration-driven framework for variant calling in large sequencing cohorts

O artigo apresenta o CBIcall, um framework orientado a configuração que garante a execução padronizada e reprodutível de pipelines de chamada de variantes em grandes coortes de sequenciamento, superando desafios de heterogeneidade de ambientes computacionais em estudos colaborativos.

O essencial

Imagine que você e seus amigos estão tentando cozinhar o mesmo prato complexo (neste caso, "descobrir variações no nosso DNA") em cozinhas completamente diferentes. Um tem um fogão a gás, o outro um elétrico, um usa panelas de ferro e o outro de alumínio. Se cada um seguir a receita à sua própria maneira, o resultado final será diferente: um prato pode ficar salgado, outro sem sal, e ninguém saberá se o problema foi o ingrediente ou a cozinha.

No mundo da genética, isso é um grande problema. Cientistas de diferentes hospitais e universidades precisam analisar dados de DNA de milhares de pessoas. Mas cada lugar usa computadores e softwares diferentes. Se eles tentarem rodar a mesma análise em lugares diferentes, os resultados podem mudar, tornando impossível comparar os dados com segurança.

É aqui que entra o CBIcall, a "estrela" deste artigo.

O Que é o CBIcall?

Pense no CBIcall como um chefe de cozinha superorganizado e um tradutor universal que chega na sua cozinha.

1. O "Painel de Controle" (Arquivo YAML): Em vez de você ter que decorar centenas de comandos complexos, o CBIcall usa um único arquivo simples (como uma lista de compras ou uma receita de bolo). Você diz: "Quero analisar 1.000 pessoas, usar este tipo de DNA e este software".
2. O "Chefe" (O Driver): O CBIcall lê essa lista e verifica se tudo faz sentido. Ele diz: "Ei, você não pode misturar esse software antigo com esse novo, ou a panela vai derreter!". Ele garante que todas as ferramentas estejam compatíveis antes de começar.
3. O "Cozinheiro" (Backends): Depois de validar tudo, o CBIcall manda a receita para a cozinha certa. Ele pode usar métodos simples (como o Bash, que é como cozinhar no fogão básico) ou métodos mais sofisticados (como o Snakemake, que é como um robô de cozinha automatizado). O importante é que, não importa qual método ele use, o resultado final será idêntico em qualquer lugar.

Por que isso é importante?

Antes do CBIcall, se um cientista na Espanha quisesse colaborar com um cientista no Brasil, eles teriam que gastar semanas tentando fazer seus computadores "conversarem" e ajustando a receita para funcionar em cada máquina. Isso gerava erros e resultados inconsistentes.

Com o CBIcall, eles podem usar a mesma receita exata, garantindo que, se o DNA de uma pessoa tiver uma variação específica, ambos os cientistas encontrarão a mesma variação, sem dúvidas.

O Teste de Fogo (Os Resultados)

Os autores testaram essa ferramenta em um projeto real chamado HEREDITARY. Eles pegaram dados de 1.111 pessoas (pacientes com Parkinson e controles saudáveis) e rodaram a análise em um supercomputador.

Eles fizeram duas coisas interessantes:

• DNA Nuclear (O DNA principal): Eles compararam duas formas de analisar: uma pessoa por vez e todas juntas. O CBIcall mostrou que analisar o grupo todo junto (como um time de futebol jogando em conjunto) encontrava mais detalhes importantes do que analisar cada jogador isoladamente.
• DNA Mitocondrial (A "bateria" da célula): Eles também analisaram o DNA das mitocôndrias (que vem apenas da mãe). Mesmo usando dados que não foram feitos especificamente para isso, o CBIcall conseguiu extrair informações úteis de quase 95% das amostras, mostrando que a ferramenta é robusta e flexível.

A Analogia Final

Imagine que o CBIcall é um tradutor de idiomas que também é um inspetor de qualidade.

• Se você fala "Português" (um tipo de computador) e seu amigo fala "Japonês" (outro computador), o CBIcall traduz a mensagem para que ambos entendam.
• Mas, mais importante, ele verifica se a mensagem não foi distorcida no processo.
• Ele garante que, quando você disser "Analise este gene", a resposta seja a mesma, não importa onde você esteja no mundo.

Em resumo: O CBIcall é uma ferramenta que tira o trabalho duro e o risco de erro de cientistas que precisam analisar grandes quantidades de dados genéticos em diferentes lugares, garantindo que todos estejam falando a mesma língua e obtendo os mesmos resultados confiáveis.

Resumo técnico

Título: CBIcall: Um framework orientado por configuração para chamada de variantes em grandes coortes de sequenciamento

1. O Problema

A chamada de variantes em dados de sequenciamento de nova geração (NGS) depende de um ecossistema diverso de ferramentas e fluxos de trabalho. Com o aumento de estudos colaborativos em larga escala que adotam modelos de análise federada (onde cada instituição processa dados sensíveis localmente), surgem desafios significativos:

• Ambientes Heterogêneos: Diferentes centros possuem stacks de software, políticas de agendamento e convenções de sistemas de arquivos distintas.
• Divergência de Fluxos de Trabalho: Implantar pipelines idênticos em múltiplos centros é difícil, levando frequentemente a ajustes manuais e wrappers específicos de cada local.
• Reprodutibilidade: A falta de uma camada de validação padronizada resulta em resultados inconsistentes e compromete a reprodutibilidade entre instituições, mesmo quando se utilizam "modelos" de fluxo de trabalho públicos.

2. Metodologia e Arquitetura

O CBIcall foi desenvolvido como uma camada de execução e validação orientada por configuração, agnóstica ao fluxo de trabalho, que opera acima de backends existentes (como Bash e Snakemake).

• Modelo de Configuração de Duas Camadas:
  1. Parâmetros do Usuário (YAML): Define a intenção da análise (amostras de entrada, seleção de pipeline, build do genoma, parâmetros de ferramentas).
  2. Registro de Fluxo de Trabalho (YAML): Mapeia definições de pipeline e backends para scripts executáveis, referenciando componentes compartilhados.
• Camada de Controle de Execução (Driver em Python 3):
  • Valida todos os parâmetros de entrada contra vocabulários controlados.
  • Aplica regras de compatibilidade entre modos de análise, builds de genoma, backends e versões de ferramentas (ex: restrições específicas para GATK).
  • Valida definições de fluxo usando JSON Schema Draft 2020-12.
  • Cria uma estrutura de diretórios de projeto determinística para cada execução.
• Backends Suportados:
  • Bash: Pipelines prontos para uso para WES (Exoma), WGS (Genoma Completo) e DNA mitocondrial (mtDNA).
  • Snakemake: Implementação de referência validada. O framework permite registrar fluxos externos (ex: WorkflowHub, Dockstore) mantendo a consistência estrutural e de logging.
• Pipeline de Análise:
  • Segue as Best Practices do GATK (versões 3.5 para dados legados e 4.6 para análises atuais).
  • Inclui alinhamento (BWA-MEM), ordenação, marcação de duplicatas, recalibração de pontuação de qualidade de base, geração de gVCF por amostra (HaplotypeCaller) e genotipagem conjunta em coorte (GenotypeGVCFs).
  • Para mtDNA, utiliza o MToolBox.
• Portabilidade: Distribuído como imagem de contêiner (compatível com Docker e Apptainer/Singularity para HPCs que não suportam Docker), separando o framework das dependências externas (genomas de referência, bancos de dados).

3. Contribuições Principais

• Padronização Federada: Permite que diferentes instituições executem pipelines idênticos e validados a partir de um único arquivo de configuração YAML, eliminando a necessidade de ajustes manuais locais.
• Rastreabilidade Estruturada: Registra metadados estruturados (versões de software, parâmetros, contexto de runtime e proveniência de tarefas) em arquivos JSON para auditoria e reanálise.
• Flexibilidade e Extensibilidade: Suporta múltiplos backends e permite a integração de novos motores de fluxo de trabalho sem alterar a lógica central de validação.
• Pipelines de Produção: Oferece pipelines prontos para WES, WGS (genotipagem conjunta) e mtDNA, incluindo conversão para API Beacon v2.

4. Resultados e Validação

O framework foi validado no projeto HEREDITARY (Horizon Europe) e em dados públicos:

• Cenário de Teste: Processamento de 1.111 amostras (608 casos de Parkinson do dbGaP + 503 controles do Projeto 1000 Genomas) em um ambiente HPC institucional.
• Chamada de Variantes Nucleares (WES):
  • Comparou dois modos: Single-sample (merging de VCFs) vs. Joint Genotyping (GenotypeGVCFs).
  • O modo de genotipagem conjunta manteve mais variantes após filtragem (PASS), demonstrando a vantagem esperada da abordagem em coorte.
  • Análises de PCA e distribuição de variantes confirmaram a ausência de viés sistemático ou efeitos de lote entre as coortes integradas.
• Chamada de Variantes Mitocondriais:
  • Sucesso em ~95% das amostras, apesar de serem dados de WES (captura fora do alvo).
  • A distribuição de variantes heteroplasmáticas foi consistente entre casos e controles, validando a robustez do pipeline para análise de mtDNA em grandes coortes.

5. Significância

O CBIcall resolve um gargalo crítico na genômica translacional e em estudos colaborativos internacionais: a reprodutibilidade técnica. Ao garantir que pipelines complexos rodem de forma idêntica em ambientes computacionais heterogêneos, o framework facilita a colaboração federada sem comprometer a integridade dos dados ou a consistência dos resultados. Ele serve como uma camada de abstração essencial para a implementação de padrões de análise em larga escala, como exigido por projetos da UE e consórcios genômicos globais.

Disponibilidade: O código é de código aberto (GPLv3) e está disponível no GitHub, com documentação completa para instalação e dependências.