🧬 Como Baixar Sequências Genômicas Reais¶

📖 Visão Geral¶

Para usar o Neural Module com dados reais, você precisa baixar sequências de genomas de referência. Este guia mostra como fazer isso.

🌐 Opção 1: Ensembl REST API (Recomendado)¶

Vantagens¶

✅ Rápido e simples
✅ Sem necessidade de instalar ferramentas
✅ Sempre atualizado

Baixar Sequência por Coordenadas¶

# Formato: chr:start..end
# IMPORTANTE: Intervalos são inclusivos (start e end incluídos)
# Para 2048 bp: end = start + 2047

# Exemplo: Gene HBB (chr11:5227002-5229049 = 2048 bp)
curl 'https://rest.ensembl.org/sequence/region/human/11:5227002..5229049?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > HBB_gene.fasta

# Verificar tamanho
grep -v "^>" HBB_gene.fasta | tr -d '\n' | wc -c
# Deve mostrar: 2048

Baixar por Nome de Gene¶

# Exemplo: Gene BRCA1
curl 'https://rest.ensembl.org/sequence/id/ENSG00000012048?type=genomic;coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > BRCA1_gene.fasta

Assemblies Disponíveis¶

Humano: GRCh38 (hg38, atual) ou GRCh37 (hg19, legado)
Camundongo: GRCm39 ou GRCm38
Outros: Veja https://rest.ensembl.org/info/species

🔬 Opção 2: UCSC Genome Browser¶

Via Interface Web¶

Acesse: https://genome.ucsc.edu/
Navegue para: Tools → Table Browser
Configure:
Assembly: Human GRCh38/hg38
Group: Genes and Gene Predictions
Track: GENCODE v45
Output format: sequence
Clique em get output

Via Linha de Comando (com twoBitToFa)¶

# Instalar ferramenta (Ubuntu 20.04, ver http://hgdownload.cse.ucsc.edu/admin/exe/ para outros sistemas)
wget http://hgdownload.cse.ucsc.edu/admin/exe/linux.x86_64.v479/twoBitToFa
chmod +x twoBitToFa

# Baixar sequência
./twoBitToFa http://hgdownload.cse.ucsc.edu/goldenPath/hg38/bigZips/hg38.2bit:chr11:5227002-5229049 HBB_gene.fasta

🧪 Opção 3: NCBI (GenBank)¶

Via Interface Web¶

Acesse: https://www.ncbi.nlm.nih.gov/gene/
Busque pelo gene (ex: "HBB human")
Na página do gene, vá em Genomic regions, transcripts, and products
Clique no link do GenBank (ex: NG_000007.3)
Clique em Send to → File → FASTA

Via E-utilities¶

# Buscar gene HBB
curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/esearch.fcgi?db=gene&term=HBB[Gene]+AND+human[Organism]&retmode=json"

# Baixar sequência por ID
curl "https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=nuccore&id=NG_000007.3&rettype=fasta&retmode=text" > HBB_gene.fasta

🔧 Opção 4: samtools + Genoma de Referência¶

Se você já tem o genoma de referência local:

# Baixar genoma de referência (uma vez)
wget http://hgdownload.soe.ucsc.edu/goldenPath/hg38/bigZips/hg38.fa.gz
gunzip hg38.fa.gz
samtools faidx hg38.fa

# Extrair região específica
samtools faidx hg38.fa chr11:5227002-5229049 > HBB_gene.fasta

📊 Ajustando para Tamanhos Suportados¶

O AlphaGenome suporta apenas tamanhos específicos: - 2,048 bp (2 KB) - 16,384 bp (16 KB) - 131,072 bp (128 KB) - 524,288 bp (512 KB) - 1,048,576 bp (1 MB)

Ajustar Tamanho da Região¶

# Para 2048 bp: end = start + 2047
# Exemplo: chr1:1000000-1002047

# Para 16384 bp: end = start + 16383
# Exemplo: chr1:1000000-1016383

Script de Validação¶

#!/bin/bash
# validate_sequence_size.sh

FASTA_FILE=$1

# Contar nucleotídeos (sem header)
SIZE=$(grep -v "^>" "$FASTA_FILE" | tr -d '\n' | wc -c)

# Tamanhos suportados
SUPPORTED=(2048 16384 131072 524288 1048576)

echo "Tamanho: $SIZE bp"

if [[ " ${SUPPORTED[@]} " =~ " ${SIZE} " ]]; then
    echo "✓ Tamanho suportado!"
else
    echo "✗ Tamanho não suportado!"
    echo "Tamanhos válidos: ${SUPPORTED[@]}"
fi

🎯 Exemplos Práticos¶

Genes Humanos Comuns¶

# Gene HBB (Beta-globina) - Anemia Falciforme
curl 'https://rest.ensembl.org/sequence/region/human/11:5227002..5229049?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > HBB_2048bp.fasta

# Gene CFTR (Fibrose Cística) - 2048 bp da região promotora
curl 'https://rest.ensembl.org/sequence/region/human/7:117559590..117561637?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > CFTR_promoter_2048bp.fasta

# Gene TP53 (p53, supressor de tumor) - 2048 bp
curl 'https://rest.ensembl.org/sequence/region/human/17:7676154..7678201?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > TP53_2048bp.fasta

# Gene BRCA1 (Câncer de mama) - 16KB
curl 'https://rest.ensembl.org/sequence/region/human/17:43044295..43060678?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > BRCA1_16kb.fasta

Regiões Regulatórias¶

# Enhancer no cromossomo 11 - 2048 bp
curl 'https://rest.ensembl.org/sequence/region/human/11:5200000..5202047?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > enhancer_chr11_2048bp.fasta

✅ Checklist de Uso¶

Antes de usar uma sequência baixada:

[ ] Verificar tamanho: grep -v "^>" seq.fasta | tr -d '\n' | wc -c
[ ] Confirmar que é um dos tamanhos suportados
[ ] Verificar assembly correto (GRCh38 recomendado)
[ ] Header do FASTA é informativo
[ ] Sequência contém apenas A, T, C, G, N

Uso com AlphaGenome workflow¶

# Baixar sequência
curl 'https://rest.ensembl.org/sequence/region/human/11:5227002..5229049?coord_system_version=GRCh38' \
  -H 'Content-type:text/x-fasta' > my_sequence.fasta

# Analisar
genomics alphagenome analyze -- \
  -i my_sequence.fasta \
  -k YOUR_API_KEY \
  -o results/

# Analisar variante
genomics alphagenome analyze -- \
  -i my_sequence.fasta \
  -k YOUR_API_KEY \
  -o results_variant/ \
  --variant 1024 A T

# Analisar com metadados de ontologia
genomics alphagenome analyze -- \
  -i my_sequence.fasta \
  -k YOUR_API_KEY \
  -o results_with_metadata/ \
  --save-metadata

🔗 Recursos Adicionais¶

Ensembl REST API Docs: https://rest.ensembl.org/
UCSC Genome Browser: https://genome.ucsc.edu/
NCBI Gene: https://www.ncbi.nlm.nih.gov/gene/
AlphaGenome Docs: https://www.alphagenomedocs.com/

Criado: Outubro 2025
Parte do: Neural Module Documentation