Qué significan las métricas que trae todo informe de secuenciación, cuáles indican un problema real y cuál es la diferencia entre cobertura y profundidad.
Un informe de secuenciación llega lleno de siglas y de porcentajes. Estas son las que de verdad hay que mirar, y qué hacer cuando alguna no cuadra.
El valor Phred (Ewing y Green, 1998) expresa la probabilidad de que una base esté mal leída, en escala logarítmica:
El informe suele dar el porcentaje de bases por encima de Q30. En una corrida Illumina sana ese porcentaje está holgadamente por encima del 80 %; por debajo conviene preguntar qué pasó antes de seguir analizando.
Un detalle normal que asusta a quien lo ve por primera vez: la calidad siempre cae hacia el final de la lectura. Es inherente a la química de la secuenciación por síntesis. Por eso el primer paso del análisis es recortar esos extremos, y por eso un informe debe decir cuántas lecturas sobrevivieron al filtrado, no solo cuántas se generaron.
Se usan como sinónimos y no lo son. La distinción importa al decidir cuánto secuenciar.
Se puede tener 100x de profundidad media y solo un 70 % de cobertura: mucha lectura concentrada en unas zonas y regiones enteras vacías. Por eso una profundidad media alta no garantiza nada por sí sola; hay que mirar también la uniformidad, y el porcentaje del genoma que alcanza un mínimo utilizable.
Órdenes de magnitud habituales, como referencia:
Además de lo anterior:
¿Hay suficiente señal, suficientemente limpia, para responder a la pregunta biológica?
Un informe honesto responde a eso de forma explícita, incluyendo cuando la respuesta es incómoda: que una muestra no llegó, que la profundidad se quedó corta para lo que se buscaba, o que un resultado necesita confirmación por otra técnica. Una métrica enterrada en un anexo que nadie lee no cumple esa función.
Los detalles de cada flujo están en secuenciación y ómicas, RNA-seq / transcriptómica y reportes bioinformáticos. Si tienes un informe de otro proveedor y no sabes si lo que recibiste está bien, se puede revisar.
Ewing, B., & Green, P. (1998). Base-calling of automated sequencer traces using phred. II. Error probabilities. Genome Research, 8(3), 186–194.