Design and development of software workflows for next generation sequencing data analysis

Las tecnologías de secuenciación masiva o de nueva generación (NGS, Next Generation Sequencing) aparecieron en el mercado hace más de una década, existiendo actualmente distintas estrategias comerciales, las cuales han irrumpido con mucha fuerza en el campo de la Biología Molecular y de la Genómica. A medida que su uso para realizar estudios genómicos se ha ido extendiendo, su precio ha ido cayendo de forma sostenida, lo que ha facilitado su penetración de manera amplia en laboratorios de centros de investigación públicos, hospitales, compañías biotecnologías y farmacéuticas, entre otros. La técnica de NGS se aplica sobre ácido desoxirribonucleico (ADN) y sobre ácido ribonucleico (ARN), permitiendo una rápida secuenciación de miles de millones de nucleótidos de un individuo o de una muestra biológica. El rápido desarrollo de la NGS en la investigación tiene también una implicación clara en la práctica clínica, abriendo un nuevo escenario en el contexto de ciertas enfermedades con base genética, como, por ejemplo, el cáncer, donde está sirviendo como un elemento adicional para establecer un diagnóstico, estimar el pronóstico, sugerir un tratamiento o bien predecir la respuesta al mismo. La NGS lleva unido un gran esfuerzo bioinformático para diseñar, desarrollar y/o adaptar algoritmos, con el fin de crear procesos capaces de analizar los datos con precisión y eficiencia. En este sentido, resulta necesario el desarrollo de pipelines bioinformáticos que, de manera coordinada, ejecuten los programas necesarios, generando, combinando y presentando los resultados de forma amigable, a la vez que aprovechan al máximo la capacidad computacional disponible. En este contexto, la línea de investigación principal de esta tesis se centra en el diseño e implementación de pipelines bioinformáticos para el análisis de datos de la NGS en tres campos de aplicación diferentes. Concretamente, se ha trabajado en la cuantificación de la expresión de los genes partiendo de muestras de ARN, la medición de los niveles de metilación sobre muestras de ADN bisulfitado, y la identificación y cuantificación de poblaciones bacterianas sobre muestras de interés biológico, como por ejemplo, muestras de heces, bucales, o de piel