Rohsequenzierungsdaten liefern keine Antwort. Sie stellen eine Datei mit kurzen Lesesequenzen dar. Um diese Datei in eine Liste genetischer Varianten umzuwandeln, sind mehrere Rechenschritte erforderlich. Diese Schritte bilden eine Bioinformatik-Pipeline. Jeder Schritt verarbeitet die Ausgabe des vorherigen Schritts, transformiert sie und gibt sie weiter. Die Pipeline liefert am Ende ein interpretierbares Ergebnis: einen Variantenaufruf, ein Genexpressionsprofil oder eine taxonomische Klassifizierung.

Eine typische Pipeline für die DNA-Sequenzierung umfasst mehrere Schritte. Die Qualitätskontrolle entfernt minderwertige Sequenzen und Adapter. Die Ausrichtung ordnet die Sequenzen einem Referenzgenom zu. Die Variantenanalyse identifiziert Positionen, an denen sich die Probe vom Referenzgenom unterscheidet. Die Annotation fügt Informationen zu Genen, regulatorischen Elementen und bekannten Varianten hinzu. Die Filterung entfernt wahrscheinlich falsch-positive Ergebnisse. Jeder Schritt hat Parameter, die das Ergebnis beeinflussen, und deren Optimierung erfordert sowohl Erfahrung als auch wissenschaftliche Genauigkeit.

Pipelines müssen reproduzierbar sein. Ist ein Ergebnis nicht reproduzierbar, ist es nicht vertrauenswürdig. Workflow-Management-Systeme wie Nextflow, Snakemake und Galaxy protokollieren die einzelnen Schritte, erfassen die Parameter und erstellen ein Paket der Umgebung. Dadurch ist es möglich, eine Analyse Monate später erneut durchzuführen und dasselbe Ergebnis zu erhalten. Außerdem ermöglichen sie die gemeinsame Nutzung der Analyse mit Kollegen.

Die Pipeline ist nicht glamourös. Sie ist die Grundlage des Lebens. Aber ohne sie würde die moderne Biologie in ihren eigenen Daten ertrinken.