Los datos de secuenciación sin procesar no son la respuesta. Son simplemente un archivo con lecturas cortas. Convertir ese archivo en una lista de variantes genéticas requiere una serie de pasos computacionales. Esta serie constituye un flujo de trabajo bioinformático. Cada paso toma el resultado del paso anterior, lo transforma y lo procesa. El flujo de trabajo finaliza con un resultado interpretable: una variante identificada, un perfil de expresión génica o una clasificación taxonómica.

Un proceso típico de secuenciación de ADN consta de varias etapas. El control de calidad elimina las lecturas de baja calidad y los adaptadores. El alineamiento mapea las lecturas a un genoma de referencia. La detección de variantes identifica las posiciones donde la muestra difiere de la referencia. La anotación añade información sobre genes, elementos reguladores y variantes conocidas. El filtrado elimina los posibles falsos positivos. Cada etapa tiene parámetros que afectan al resultado, y su ajuste requiere tanto arte como ciencia.

Los flujos de trabajo deben ser reproducibles. Si un resultado no se puede reproducir, no es fiable. Los sistemas de gestión de flujos de trabajo como Nextflow, Snakemake y Galaxy registran los pasos, los parámetros y el entorno. Esto permite volver a ejecutar un análisis meses después y obtener el mismo resultado. También facilitan compartir el análisis con colaboradores.

El oleoducto no es glamuroso. Es fontanería. Pero sin él, la biología moderna se ahogaría en sus propios datos.