Inicialmente, foi configurado o ambiente gatk com conda, utilizando os pacotes padrão fornecidos no arquivo "gatkcondaenv.yml" como especificado no site oficial: https://gatk.broadinstitute.org/hc/en-us/articles/360035889851--How-to-Install-and-use-Conda-for-GATK4. Em seguida, foi instalado o pacote "samtools", no mesmo ambiente
Além disso, foi baixado o arquivo com os SNPs comuns conhecidos do dbSNP (https://ftp.ncbi.nih.gov/snp/organisms/human_9606/VCF/), com o nome "00-common_all.vcf".
Dentro da pasta do gatk, foi criada a pasta "Desafio", na qual foram colocados o arquivo de referência ("grch38.chr22.fasta"), as reads ("amostra-lbb_R1.fq" e "amostra-lbb_R2.fq"), a amostra do gabarito ("pequeno-gabarito.vcf") e o arquivo com os SNPs, todos devidamente descompactados. Nesta pasta também foi colocado o arquivo "pipeline.sh", descrito abaixo.
Para obter as variantes, seguiu-se a pipeline de boas práticas do GATK, passando pelas seguintes etapas: -> Conversão dos dois arquivos com pares de leituras em um unico .bam -> Mapear reads à referência -> Remover duplicatas de sequenciamento -> Recalibrar os scores de qualidade das leituras -> Realizar a chamada de variantes com HaplotypeCaller -> Filtrar as variantes com rede neural convolucional
Em todas as etapas foram usados os parametros padrao.
Para reproduzir esta etapa, basta organizar os arquivos como descrito e executar o script "pipeline.sh".
Há dois resultados possiveis: O arquivo "variantes .vcf" possui todas as variantes encontradas. O arquivo "variantes_filtradas.vcf" apresenta apenas as variantes que passaram na etapa de filtragem, como descrito na pipeline de boas práticas do GATK. A princípio, o arquivo "variantes_filtradas.vcf" é o mais adequado para continuar as análises, mas como nao sei qual dos dois era esperado pelos(as) organizadores(as) do desafio como resposta, forneço ambos os arquivos. Os dois contêm todas as sequências do gabarito.