Contents

Práctica 3. Manejo de datos de secuenciación con Bash.

Objetivo

  • Que el estudiante practique el manejo de archivos y directorios con bash.

  • Que el estudiante comience a familiarizarse con los formatos más comunes utilizados en la bioinformática.

Indicaciones

La práctica está compuesta de cinco partes para repasar los comandos de Bash que se vieron en clase y se resuelve de manera INDIVIDUAL.

Entregables

  1. Los archivos se entregan en un directorio que deberá estar en su GitHub, corrobora que se encuentre toda la información.

  2. TODOS los comandos utilizados, las líneas de código y/o outputs de terminal deberán entregarse en un archivo te texto plano en Markdown. El nombre del archivo será: comandos_p03.md. Y la estructura del archivo será la siguiente:

# Comandos de la Práctica 01
**Nombre(s) Apellido(s)**

## Parte I. 

**Respuesta 1:** Creación de directorios y archivos.
Comandos: 

**Respuesta 2:** Tipo de shell.
Comando:
[comando] [opciones] [argumentos]

Output:


**Respuesta 3:** Creación de directorios para proyecto bioinformático.

Comandos:
[comando] [opciones] [argumentos]

**Respuesta 4:**

...

## Parte II.
...

## Parte III.
...

## Parte IV.

...

IMPORTANTE

Tanto el link de la carpeta como el archivo con los comandos debe enviarse a través del Classroom de la clase antes de que cierre la asignación

Parte I.

Pregunta 1: Creación de directorios y archivo de comandos: Inicia la terminal y colócate en el directorio de tu home (computadora@usuario:~/home/) o del escritorio (computadora@usuario:~/Desktop/). Crea un directorio llamado GenomicaComputacional (sin tilde), ingresa en este nuevo directorio y crea uno nuevo que lleva la inicial de tu nombre, tu apellido en minúsculas y sin espacio, guión bejo, p03. Ejemplo: nluis_p03. Ahora, crea el archivo comandos_p03.md

Pregunta 2: Indica qué tipo de shell tiene tu computadora. Si no recuerdas el comando, recuerda que posiblemente alguien ya preguntó eso alguna vez. Puedes visitar el siguiente sitio: How do I check whic shell I am using

Pregunta 3: Un proyecto bioinformático que se quiere publicar debe estar bien organizado y documentado para que éste se vuelva reproducible. Colócate dentro del directorio que creaste con tu inicial y apellido. Ahora crea en una sola linea los siguientes directorios para la organización de tu proyecto bioinformático: data/, filtered/, raw_data/, meta/, scripts/, figures/ y archive/. Mueve los directorios necesarios para obtener la siguiente esctructura: data/filtered y data/raw_data.

Pregunta 4: Visita el siguiente repositorio y contesta ¿A qué se debe el nombre y la organización de los directorios que acabamos de crear? BioinfinvRepo

Parte II.

Pregunta 1: Entra al directorio scripts/, crea un archivo de texto delay.sh y abrelo con un editor de texto desde la terminal para escribir las siguientes líneas de código:

NOTA

Antes de continuar, verifica que tu ruta de bash es la misma que en el cuadro de código usando which bash, si obtuviste /bin/bash continúa. De lo contrario, modifica la primer línea con lo que se imprimió #!<ubicación_bash>. Como notaste, los caracteres #! antes de la ubicación del programa bash, son indispensables, a estos se les conoce como shebang.

#!/bin/bash
echo "Después de la Parte I. necesito un descanso de exactamente 30 segundos."

Pregunta 2: Dar permisos de ejecución. Deseas ejecutar el script, por lo que tienes que darle (al menos) al usuario permisos de ejecución.

Pregunta 3: Verificar permisos. Verifica los permismos de delay.sh. Una vez que te aseguraste de que tiene permiso de ejecución, ahora puedes ejecutarlo de alguna de las dos formas que vimos en clase.

Pregunta 4: Dar pausa de 30 seg. 03. Quieres que después de la segunda línea, haya una pausa de 30 segundos. Ya conoces el comando que permite dormir un proceso, si no recuerdas la unidad de tiempo que maneja, visita su manual man <comando>. Edita el archivo tomando como guía el siguiente cuadro de código. No olvides reportar el comando que agregaste:

#!/bin/bash
echo "Después de la Parte I. necesito un descanso de exactamente 30 segundos."
# < AQUÍ VA EL COMANDO QUE PERMITE DORMIR POR 30 SEGUNDOS >
echo "Ya puedo continuar!"

Pregunta 5: Imagina que en lugar de poner 30, escribiste 300. Hazlo y ejecutalo en background. Como no queremos esperar 5 minutos, cancela el proceso utilizando su PID.

Parte III.

En esta parte, trabajarás con secuencias genómicas del virus SARS-CoV-2 que provoca la enfermedad Covid-19. Si necesitas un contexto general de los datos, también puedes consultar el siguiente video sobre Covid-19.

NOTA IMPORTANTE

Para llevar a cabo ésta parte deberás

  • Tener descargados los archivos que se indica en la sección ¿De dónde obtenemos datos biológicos >> Obtención de secuencias del NCBI.

  • Descargar los archivos SRR10971381_R1.fastq.gz, SRR10971381_R2.fastq.gz y sarscov2_assembly.fasta.gz que están disponibles en el GitHub de la clase.

Pregunta 1: Resumen. Elabora un resumen de 120 palabras sobre la siguiente conferencia respecto a la estructura molecular del SARS-Cov-2. También puedes apoyarte en el siguiente texto publicado por The New York Times. El resumen deberá estar escrito en un archivo SarsCov-2.txt dentro del directorio creado para la práctica Ej. ~/home/GenomicaComputacional/mnavarro_p01/meta

Pregunta 2: Mueve los ocho archivos sarscov2_genome.fasta, sarscov2_genome.gff3, splike_c.faa, splike_b.faa, splike_a.faa, SRR10971381_R1.fastq.gz, SRR10971381_R2.fastq.gz y sarscov2_assembly.fasta.gz a tu directorio data\raw_data.

Parte IV.

Pregunta 1: Ligas simbólicas. Realiza tres ligas simbólicas suaves de los archivos splike_c.faa, splike_b.faa y splike_a.faa en el directorio data/filtered.

Pregunta 2: Dentro de data/filtered crea un nuevo archivo llamado glycoproteins.faa.

Pregunta 3: Obten la primera línea de los tres archivos y repórtalas (en comandos_p01.md).

Pregunta 4: Usando el comando adecuado, redirecciona el contenido de los tres archivos splike_*.faa a glycoproteins.faa de tal forma que obtengas el orden siguiente:

>pdb|6VYB|A Chain A, spike glycoprotein
MGILPSPGMPALLSLVSLLSVLLMGCVAETGTQCVNLTTRTQLPPAYTNSFTRGVYYPDKVFRSSVLHST
QDLFLPFFSNVTWFHAIHVSGTNGTKRFDNPVLPFNDGVYFASTEKSNIIRGWIFGTTLDSKTQSLLIVN
...(resto de la proteína)
>pdb|6VYB|B Chain B, spike glycoprotein
MGILPSPGMPALLSLVSLLSVLLMGCVAETGTQCVNLTTRTQLPPAYTNSFTRGVYYPDKVFRSSVLHST
QDLFLPFFSNVTWFHAIHVSGTNGTKRFDNPVLPFNDGVYFASTEKSNIIRGWIFGTTLDSKTQSLLIVN
... (resto de la proteína)
>pdb|6VYB|C Chain C, spike glycoprotein
MGILPSPGMPALLSLVSLLSVLLMGCVAETGTQCVNLTTRTQLPPAYTNSFTRGVYYPDKVFRSSVLHST
QDLFLPFFSNVTWFHAIHVSGTNGTKRFDNPVLPFNDGVYFASTEKSNIIRGWIFGTTLDSKTQSLLIVN
... (resto de la proteína)

Pregunta 5: Mueve lo archivos data/raw_data/splike_*.faa al directorio archive/. ¿Qué pasó con las ligas simbólicas suaves?.

Nota

Como te habrás dado cuenta algunos de los archivos que descargaste tienen una extensión .gz lo que quiere decir que estan comprimidos. Si abres el archivo con los comandos less, more o cat te darás cuenta que estan en binario. Inténtalo. Para poder acceder a ellos sin necesidad de descomprimirlos, puedes usar el siguiente ejemplo zless archivo.gz | <comando> | <comando>.

Pregunta 6: Dentro del directorio data/raw_data, explora los archivos sarscov2_genome.fasta y sarscov2_assembly.fasta.gz. Ya que los exploraste. usa el comando adecuado para ver en la terminal las primeras 3 líneas de los archivos. Repórtalas.

Pregunta 7: Pudiste notar en los archivos que el nombre/header de las secuencias esta delimitado por el caracter ‘>’. Cuenta cuántos headers tienen ambos y reporta el número.

Pregunta 8: De igual manera abre el archivo .fastq SRR10971381_R2.fastq.gz y obten las primeras 12 líneas. Repórtalas. Observa el patrón e identifica qué caracter te podría ayudar a obtener un conteo de las secuencias. Utiliza el patrón que elegiste para contar la cantidad de secuencias que hay. Repórtalo.

Pregunta 9: Explica la diferencia entre los formatos .faa, .fastqc y .fasta: ¿Las secuencias hacen referencia a nucleótidos o aminoácidos?

Pregunta 10: Abre el archivo .gff3 de las siguientes formas less sequence.gff3 y less -S sarscov2_genome.gff3. Observa las diferencias. Repórtalas en un enunciado.

Pregunta 11: Filtra el tercer campo del archivo sarscov2_genome.gff3 por la categoría gene y reporta la cantidad de genes que tiene el archivo. ¿A qué corresponde el campo tres? ¿Cuál es la diferencia entre gene y CDS de acuerdo a la información proporcionada por la documentación del campo 3?

Parte V.

Pregunta 1: Cambia al directorio figures/ y crea una liga simbólica suave del archivo sarscov2_genome.gff3

Pregunta 2: Identifica cuántas categorías distintas existen en el campo 3 y cuántas veces aparecen. Redirecciona la salida a un archivo que se llame barplot_data.txt

Pregunta 3: Limpia tu archivo barplot_data.txt de tal forma que sólo te queden las categorías que corresponden al campo 3.

Pregunta 4: Crea un script de python gff_barplot.py con los datos que obtuviste. Asegúrate de que el shebang corresponda a la ubicación de python en tu computadora.

#!/Users/solouli/opt/anaconda3/bin/python

import numpy as np
import matplotlib.pyplot as plt
from textwrap import wrap

# Crea el dataset con << tus datos obtenidos en barplot_data.txt >>
frecuencias = [3, 12, 5, 18, 45]
categorias = ['Categoría A', 'Categoría B', 'Categoría C', 'Categoría D', 'Categoría E']
categorias = [ '\n'.join(wrap(l, 11)) for l in categorias]

y_pos = np.arange(len(categorias))

# Gráfico de barras
plt.bar(y_pos, frecuencias)

# Nombres en el eje-x
plt.xticks(y_pos, categorias)

# Mostrar la gráfica
plt.show()

Pregunta 5: Guarda la figura que obtuviste en figures/

Práctica 2. Fundamentos de programación e introducción a Python Score de calidad Phred