Start Bioinfo '26

Introdução ao Nextflow e Bioinformática Reprodutível

A bioinformática moderna exige reprodutibilidade, escalabilidade e controle rigoroso de cada etapa analítica. Neste minicurso, vamos explorar o ecossistema Nextflow, a transição do pensamento linear em scripts Bash para o paradigma de Dataflow e a execução de pipelines padrão-ouro diretamente na nuvem.

Clique acima para iniciar o ambiente de prática.

Para que nosso foco seja inteiramente científico e prático, abstraímos a barreira da infraestrutura. O ambiente virtual gerado pelo Codespaces já vem configurado com todas as dependências (Nextflow, Docker e utilitários) necessárias para a aula.

Gravação Oficial do Minicurso

▶️ Clique na imagem acima para assistir à gravação completa no YouTube.

---

O Experimento: Transplante de Microbiota Fecal (FMT)

A nossa prática não é apenas um teste de software, é ciência real. Os dados utilizados são baseados em um estudo longitudinal in vivo de Transplante de Microbiota Fecal (FMT) em camundongos.

Acompanharemos uma série temporal de 4 pontos (referente à amostra "19022" no Camundongo #2) para analisar o engraftment (sucesso da colonização) das bactérias:

• Dia 0: Fezes Humanas Originais (Input/Doador) - SRR38096734
• Dia 7: Fezes Camundongo #2 (Antes da consolidação do FMT) - SRR38097380
• Dia 23: Fezes Camundongo #2 (Pós-FMT) - SRR38096774
• Dia 27: Fezes Camundongo #2 (Evolução final) - SRR38097389

---

Execução do Pipeline Padrão Ouro

1. Preparando os Metadados (samplesheet.csv)

O Nextflow exige rigor na entrada de dados. Certifique-se de que o arquivo samplesheet.csv na raiz do seu projeto contenha a seguinte estrutura para mapear os arquivos baixados:

sampleID,forwardReads,reverseReads,run
S00_19022_Human_Stool,./data/SRR38096734_1.fastq.gz,./data/SRR38096734_2.fastq.gz,1
S01_19022_Mouse2_D23,./data/SRR38096774_1.fastq.gz,./data/SRR38096774_2.fastq.gz,1
S02_19022_Mouse2_D7,./data/SRR38097380_1.fastq.gz,./data/SRR38097380_2.fastq.gz,1
S03_19022_Mouse2_D27,./data/SRR38097389_1.fastq.gz,./data/SRR38097389_2.fastq.gz,1

2. A Orquestração (nf-core/ampliseq)

Para processar os dados brutos e gerar as matrizes de abundância com resolução de ASVs, executaremos o pipeline nf-core/ampliseq.

Nota biológica: Como o protocolo de sequenciamento utilizado (EMP) já entrega reads sem primers na extremidade 5', mas com read-through na 3', nós desligamos o Cutadapt e ajustamos o truncamento nativo do DADA2.

nextflow run nf-core/ampliseq \
  -r 2.16.1 \
  -profile docker \
  --input samplesheet.csv \
  --FW_primer "GTGYCAGCMGCCGCGGTAA" \
  --RV_primer "GGACTACNVGGGTWTCTAAT" \
  --outdir ./resultados \
  --skip_cutadapt \
  --trunclenf 240 \
  --trunclenr 200 \
  -resume

• Cache: A flag -resume garante que a execução recupere etapas previamente calculadas em caso de interrupção, economizando horas de processamento.

---

Visualização de Dados

Um pipeline profissional não devolve apenas tabelas de texto; ele entrega produtos prontos para Data Science. O Nextflow empacotou nossa filogenia, taxonomia e contagens em um único objeto .rds (Phyloseq).

Para gerar gráficos de publicação sem precisar instalar o R na sua máquina, encapsulamos toda a lógica em um script automatizado que reutiliza o ambiente isolado do Docker. No terminal do seu Codespace, execute:

./dataviz.sh

• Resultado: Abra a pasta resultados/ no explorador do VS Code e clique nas imagens .png para visualizar a evolução taxonômica e a substituição das comunidades do camundongo pela do doador humano.

---

Materiais de Apoio

• Slides da Apresentação (PDF) : Material de apoio teórico utilizado na aula, cobrindo os conceitos de Big Data, Conteinerização, DAGs e Dataflow.

• Documentação e Treinamento Oficial (Nextflow): Documentação completa e exercícios avançados.

• nf-core: Repositório de Pipelines Validados: Catálogo de pipelines padrão-ouro para bioinformática.

---

Créditos e Licença

Este projeto é mantido por Mateus Falco. O conteúdo está disponível sob a licença CC BY-NC 4.0, permitindo o uso e modificação para fins educacionais e científicos, desde que citada a fonte e sem finalidade comercial.

Agradecimentos

A ciência reprodutível é construída sobre ombros de gigantes. Agradecemos imensamente às comunidades que mantêm as ferramentas base deste minicurso:

• Nextflow / Seqera: Pela revolução na orquestração de dados.
• nf-core: Pela curadoria e desenvolvimento do pipeline ampliseq.
• R Project: Pelos pacotes phyloseq e ggplot2.
• Docker & Bioconda: Pelo ecossistema de containers.