Tese: Influência da seleção natural em populações nativas de diferentes ecorregiões americanas

Descrição

Este repositório contém os códigos necessários para reprodução da minha tese. Para compilar o arquivo da tese em pdf, ou visualizar o pdf já compilado, favor verificar o repositório https://github.com/cmcouto-silva/tese_latex.

Requerimentos

Para o gerenciamento do fluxo de trabalho (workflow) foi utilizado Snakemake.

Como input para o workflow, espera-se os seguintes arquivos:

.
├── dataset_S1
│   └── data
│       ├── annot
│       │   ├── annovar_refGene.annot
│       │   ├── annovar_refGene_SNP.annot
│       │   ├── gene_dist.annot
│       │   ├── gene_dist_collapsed.annot
│       │   └── gene_keys.annot
│       ├── phased
│       │   ├── dataset_S1.bed
│       │   ├── dataset_S1.bim
│       │   └── dataset_S1.fam
│       ├── phased_adj_alleles
│       │   ├── dataset_S1.h5
│       │   ├── dataset_S1.vcf.gz
│       │   └── dataset_S1.vcf.gz.tbi
│       └── populations
│           ├── populations.csv
│           └── populations.xls
└── dataset_S2
    └── data
        ├── annot
        │   ├── annovar_refGene.annot
        │   ├── annovar_refGene_SNP.annot
        │   ├── gene_dist.annot
        │   ├── gene_dist_collapsed.annot
        │   └── gene_keys.annot
        ├── phased
        │   ├── dataset_S2.bed
        │   ├── dataset_S2.bim
        │   └── dataset_S2.fam
        ├── phased_adj_alleles
        │   ├── dataset_S2.h5
        │   ├── dataset_S2.vcf.gz
        │   └── dataset_S2.vcf.gz.tbi
        └── populations
            └── populations.csv

Dado os múltiplos softwares e bibliotecas necessárias para gerar todos os resultados da tese, a maneira mais prática de lidar com estas dependências sem alterar diretamente o sistema operacional é através de containers. Aqui, forneço duas opções para lidar com as dependências: 1) via containerização com Docker e 2) via ambiente virtual com Conda.

Para instalar o Snakemake, recomenda-se instalar primeiramente o Miniconda (vide aqui como instalar o Miniconda).

Uma vez instalado o Miniconda, crie um novo ambiente virtual para Snakemake com o seguinte comando:

conda create -c conda-forge -c bioconda -n snakemake snakemake singularity -y

Executando o Workflow

Para cada dataset, executamos as análises de seleção baseadas no desequilíbrio de ligação (REHH) e diferenciação populacional (Fst - PBS) e salvamos os resultados em arquivos binários (results_bin), que por sua vez são utilizados nas demais análises. Para cada uma das análises, há um script na pasta correspondente ao dataset, e uma vez que todas as análises estejam completas, executa-se a regra "sumarise_all", que compila todos estes resultados e gera as figuras e tabelas apresentadas na tese e disponíveis no repositório de dados Mendeley (DOI: 10.17632/gztff7wmjt.1).

O esquema das análises está representado na figura abaixo e é orquestrado via Snakemake (vide Snakefile), cuja instalação das dependências, gerenciamento de inputs e outputs, bem como paralelização das computações é configurada automaticamente.

Para executar o workflow, ative o ambiente virtual criado para rodar o Snakemake:

conda activate snakemake

Em seguida, podemos executar o workflow via Docker (necessário a instalação do Docker):

snakemake -j1 --use-singularity

ou via Conda:

snakemake -j1 --use-conda --until setup_env
snakemake -j1 --use-conda

Nota: Recomenda-se que substitua o parâmetro j1 por um número maior de núcleos, como, por exemplo, -j11 (todos os testes que realizei foi com este parâmetro). Ao possibilitar o uso de múltiplas threads, Snakemake configura automaticamente o workflow para ser computado com pararelização.

Para saber quantos núcleos tem disponível no seu computador, no ambiente virtual do Snakemake, execute o seguinte comando:

python -c "import multiprocessing; print(multiprocessing.cpu_count())"

Resultados

Todas as figuras e tabelas resultantes deste workflow estão disponíveis no repositório de dados Mendeley. Vale ressaltar, contudo, que os dados de entrada (e.g. Plink, VCF) possuem limitações éticas e por esse motivo não estão inclusos no repositório.

Observações

Se for utilizar o Docker container, certifique-se de instalar o Docker primeiro.

Se for utilizar o arquivo de configuração para o ambiente conda, note que se faz necessário executar o comando snakemake -j1 --use-conda --until setup_env uma primeira e única vez, para a correta instalação de todas as dependências do workflow, visto que há pacotes do R não inclusos nos repositórios Conda.