Questão de Biologia — Bioinformática — VUNESP 2024

Análise de dados de RNA-seq: identificação de genes diferencialmente expressos

Gabarito: letra C. O DESeq2 é o algoritmo mais adequado para identificar genes diferencialmente expressos a partir de dados de RNA-seq, pois foi desenvolvido especificamente para modelar a contagem de reads e controlar a variabilidade entre réplicas biológicas, aplicando um modelo estatístico baseado na distribuição binomial negativa. As demais ferramentas (BWA, GATK, Tophat e SPAdes) desempenham funções distintas no pipeline de bioinformática, como alinhamento de reads, chamada de variantes, mapeamento de RNA-seq e montagem de genomas, respectivamente.

A análise de expressão diferencial é uma etapa central em estudos de transcriptômica, que busca comparar os níveis de expressão gênica entre condições experimentais (por exemplo, grupo tratado versus controle). O RNA-seq gera milhões de reads que são mapeados ao genoma de referência, resultando em uma matriz de contagens de reads por gene. A partir dessa matriz, ferramentas estatísticas como DESeq2, edgeR e limma-voom modelam a relação entre a contagem observada e a condição experimental, estimando a variância entre réplicas e identificando genes cuja expressão varia significativamente.

O DESeq2, em particular, utiliza um modelo linear generalizado com distribuição binomial negativa, que é adequado para dados de contagem com superdispersão (variância maior que a média). Ele também aplica um encolhimento (shrinkage) da variância, o que melhora a estimativa para genes com baixa contagem, reduzindo falsos positivos. Essa abordagem é amplamente adotada na comunidade científica e é considerada um padrão-ouro para análise de expressão diferencial.

É importante distinguir as ferramentas de bioinformática por suas funções no pipeline:

A pegadinha da questão está em confundir as etapas do pipeline: o pesquisador já possui os dados de RNA-seq (reads) e deseja identificar genes diferencialmente expressos. Para isso, é necessário primeiro mapear os reads (Tophat ou HISAT2) e depois realizar a análise estatística (DESeq2). As alternativas BWA, GATK e SPAdes são ferramentas de outras finalidades, e Tophat é uma etapa anterior, não a análise em si.

Alternativa A — ❌ Incorreta

O BWA (Burrows-Wheeler Aligner) é uma ferramenta de alinhamento de reads de DNA a um genoma de referência, utilizada principalmente em análises de variação genética (SNPs, indels) e em pipelines de chamada de variantes. Ele não realiza análise de expressão diferencial, pois não modela contagens de transcritos nem compara condições experimentais. A confusão aqui é pensar que qualquer ferramenta de alinhamento serve para análise de RNA-seq, mas o BWA não é splice-aware e não é adequado para dados de RNA-seq.

Alternativa B — ❌ Incorreta

O GATK (Genome Analysis Toolkit) é um conjunto de ferramentas para chamada de variantes e análise de dados de sequenciamento de DNA, incluindo realinhamento local, recalibração de qualidade de bases e genotipagem. Ele não é utilizado para análise de expressão diferencial, pois seu foco é identificar variações genéticas, não quantificar a expressão de genes. A banca pode tentar confundir o candidato por ser uma ferramenta conhecida, mas sua função é distinta.

Alternativa C — ✅ Correta ⟵ GABARITO

O DESeq2 é um pacote do Bioconductor (R) que realiza análise de expressão diferencial a partir de dados de contagem de RNA-seq. Ele modela as contagens com distribuição binomial negativa, estima a variância entre réplicas e aplica testes estatísticos (Wald ou LRT) para identificar genes com expressão significativamente alterada entre grupos. É uma das ferramentas mais utilizadas e recomendadas para essa tarefa, juntamente com edgeR e limma-voom.

Alternativa D — ❌ Incorreta

O Tophat é uma ferramenta de mapeamento de reads de RNA-seq a um genoma de referência, que leva em conta os splicing (junções de éxons). Ele é uma etapa anterior à análise de expressão diferencial: após o mapeamento, é necessário quantificar os transcritos (por exemplo, com HTSeq ou featureCounts) e então aplicar um método estatístico como DESeq2. Portanto, Tophat não identifica genes diferencialmente expressos; ele apenas alinha os reads.

Alternativa E — ❌ Incorreta

O SPAdes é um montador de genomas (de novo) que utiliza reads de sequenciamento para reconstruir sequências genômicas, especialmente de bactérias e outros organismos pequenos. Ele não é utilizado para análise de expressão gênica, pois sua função é montar genomas, não quantificar transcritos. A confusão pode ocorrer por ser uma ferramenta de bioinformática, mas sua aplicação é completamente diferente.

Gabarito: letra C