生のシーケンスデータはそのままでは答えになりません。それは短いリードが詰まったファイルです。そのファイルを遺伝子変異のリストに変換するには、一連の計算手順が必要です。その一連の手順がバイオインフォマティクスパイプラインです。各手順は前の手順の出力を受け取り、それを変換して次の手順に渡します。パイプラインの最後には、変異の検出、遺伝子発現プロファイル、分類学的分類など、解釈可能な結果が得られます。

DNAシーケンス解析の一般的なパイプラインは、いくつかの段階から構成されます。品質管理では、低品質のリードとアダプター配列を除去します。アライメントでは、リードをリファレンスゲノムにマッピングします。バリアントコールでは、サンプルがリファレンスと異なる位置を特定します。アノテーションでは、遺伝子、調節エレメント、既知のバリアントに関する情報を追加します。フィルタリングでは、偽陽性の可能性が高いものを除去します。各段階には結果に影響を与えるパラメータがあり、それらの調整は、科学的な知識と経験の両方を必要とします。

パイプラインは再現可能でなければなりません。結果が再現できない場合、信頼できません。Nextflow、Snakemake、Galaxyなどのワークフロー管理システムは、手順を追跡し、パラメータを記録し、環境をパッケージ化します。これにより、数か月後に分析を再実行して同じ結果を得ることが可能になります。また、分析結果を共同研究者と共有することもできます。

パイプラインは華やかなものではない。いわば配管のようなものだ。しかし、それがなければ、現代生物学は膨大なデータに溺れてしまうだろう。