Vom Rohdatensatz zum nachvollziehbaren PDF-Bericht

Eine Genomanalyse endet oft mit einer Datei, die ordentlich aussieht. Tabellen sind sauber gesetzt, Befunde tragen Überschriften, Quellen stehen im Anhang. Doch die eigentliche Qualitätsfrage beginnt früher: Lässt sich für eine Aussage noch erkennen, aus welcher Eingabe sie stammt, mit welchem Werkzeug sie berechnet wurde und welche technischen Grenzen dabei galten?

Genau diese Verbindung ist schwieriger als das Rendern eines PDFs. Zwischen einem Rohdatensatz und dem fertigen Bericht liegen Dateiformate, Referenzstände, Qualitätsprüfungen und mehrere voneinander getrennte Fachanalysen. Wenn einer dieser Übergänge nur implizit bleibt, sieht das Ergebnis zwar vollständig aus, ist später aber nur schwer zu prüfen.

Genome behandelt den Bericht deshalb nicht als hübschen Abschluss einer Pipeline. Er ist das lesbare Ende eines dokumentierten Laufs. Dieser Beitrag folgt dem Weg von FASTQ, BAM oder CRAM bis zum PDF und zeigt, welche Informationen unterwegs erhalten bleiben müssen.

Der Bericht beginnt bei der Eingabe

FASTQ enthält die gelesenen DNA-Fragmente und ihre Basenqualitäten. Bei Paired-End-Daten gehören R1 und R2 zusammen. Ein Paar vertauschter oder unvollständiger Dateien kann die gesamte weitere Verarbeitung verfälschen. Genome hält deshalb nicht nur einen frei formulierten Dateinamen fest, sondern verbindet die gewählten Eingaben mit einer Probe und einem konkreten Lauf.

BAM und CRAM liegen bereits ausgerichtet vor. Sie enthalten Sequenzreads samt Positionen auf einem Referenzgenom. Für die weitere Analyse reicht die Hauptdatei allein trotzdem nicht. BAM verwendet für regionale Zugriffe gewöhnlich einen BAI- oder CSI-Index, CRAM einen CRAI-Index. Bei CRAM ist zusätzlich die passende Referenz besonders wichtig, weil das Format Teile der Sequenzinformation relativ zu dieser Referenz speichert. Eine Datei kann technisch lesbar sein und dennoch nicht zu dem Referenzstand passen, den ein nachfolgendes Werkzeug erwartet.

Die Auswahl der Hauptformate beginnt in Genome mit Dateityp und Endung. Danach prüfen die jeweiligen Schritte erwartete Header, Indizes und Ergebnisstrukturen. Bei BAM und CRAM zählen damit andere Begleitdaten als bei spezialisierten Reporteingaben. Der Name ist Teil der Auswahl, ersetzt aber nicht die fachliche Prüfung, die für den nächsten Schritt nötig ist.

Wer die Formate zunächst einordnen möchte, findet im Wiki einen Überblick zu WGS, SNP-Array und Exomsequenzierung. Für den Bericht zählt vor allem, dass die Eingabeidentität während des gesamten Laufs stabil bleibt. Ein später erzeugtes Artefakt muss zu genau dieser Eingabe zurückführen, nicht nur zu einem Ordner, in dem inzwischen weitere Dateien liegen.

Referenz und technische Qualität

Aus FASTQ wird nicht direkt ein medizinischer Befund. Zuerst werden die Reads geprüft, bei Bedarf bereinigt und gegen eine Referenz ausgerichtet. Genome orchestriert dafür lokale bioinformatische Werkzeuge auf dem Mac. Die Zwischenprodukte bleiben auf dem Gerät. Aus den ausgerichteten Reads entsteht ein sortiertes und indexiertes BAM, das spezialisierte Analysen gezielt lesen können.

Die Referenz ist dabei kein austauschbarer Hintergrund. GRCh37 und GRCh38 verwenden unterschiedliche Koordinaten. Auch zwei Dateien mit derselben groben Build-Bezeichnung können sich durch zusätzliche Contigs oder Maskierungen unterscheiden. Ein nachvollziehbarer Lauf hält deshalb nicht nur den Text “GRCh38” fest. Er bindet die tatsächlich verwendete Referenz und ihren geprüften Stand an den Lauf.

Vor einer Interpretation muss außerdem geklärt sein, ob die Daten an den relevanten Stellen ausreichend und konsistent sind. Coverage-Zusammenfassungen zeigen, wie tief Bereiche gelesen wurden. Weitere Prüfungen können Hinweise auf Kontamination oder eine unerwartete Probenidentität liefern. Fehlt ein solches Signal, ist das nicht dasselbe wie ein bestandener Test. Genome behandelt fehlende Qualitätsdaten nicht still als grün.

Das ist praktisch wichtig. Ein Varianteneintrag mit geringer Abdeckung kann formal vorhanden sein, aber eine andere Aussagekraft besitzen als ein stabil unterstützter Call. Der Bericht muss diesen Unterschied sichtbar machen. Er soll nicht nur sagen, was gefunden wurde, sondern auch, auf welcher technischen Grundlage es gefunden wurde.

Fachanalysen bleiben getrennt

Nach Alignment und Qualitätsprüfung beginnt kein einzelner großer “Genomtest”. Verschiedene Fragestellungen benötigen unterschiedliche Werkzeuge, Referenzen und Auswertungsregeln. Genome hält diese Fachdomänen bewusst auseinander.

HLA-Typisierung arbeitet anders als ein Small-Variant-Caller. KIR benötigt eigene Genmodelle. Für Pharmakogenetik werden Varianten zu Genotypen, Haplotypen oder Star-Allelen zusammengeführt. Repeat- Expansionen untersuchen Längen in Wiederholungsregionen, die mit normalen SNP-Tabellen nicht sinnvoll beschrieben wären. Polygenic Scores benötigen neben den Varianten ein definiertes Score-Modell und seine Quelle.

Auch die Aussagegrenzen unterscheiden sich. Ein HLA-Allel kann einen belegten Risikokontext tragen, ist aber keine Diagnose. Technische EBV-Sequenzspuren beschreiben Coverage- oder Sequenzevidenz und keine Infektion. Ein pharmakogenetischer Befund darf nicht unbemerkt in einen allgemeinen Bericht über medizinische Genomik rutschen. Diese Trennung verhindert, dass ein korrekt berechnetes Einzelergebnis im falschen Kontext zu weit interpretiert wird.

Genome verwaltet dafür Werkzeuge wie HLA*LA, T1K, Aldy und ExpansionHunter lokal und versioniert ihre Rolle im Workflow. Der Name des Werkzeugs allein genügt jedoch nicht. Entscheidend sind der konkrete Stand, die zugehörige Referenz, die Eingabe und der Status des Laufs. Erst diese Kombination macht aus einer Ergebnisdatei ein prüfbares Artefakt.

Das Manifest verbindet den Lauf

Während die Pipeline arbeitet, entstehen viele Dateien: bereinigte Reads, Alignments, Indizes, Qualitätszusammenfassungen, Ergebnis-Tabellen und schließlich Berichte. Ein Ordner mit all diesen Dateien ist noch keine Provenienz. Dateinamen können geändert werden, alte Ergebnisse können im selben Ausgabeordner liegen und ein abgebrochener Lauf kann unvollständige Artefakte hinterlassen.

Ein Laufmanifest schafft eine explizite Verbindung. Es hält fest, welche Eingaben und Parameter zu einem Lauf gehörten, welche Werkzeuge und Referenzen verwendet wurden und welche Ausgaben neu entstanden sind. Wo die Identitäten verfügbar sind, bindet Genome Artefakte über Größe und SHA-256 an diesen Kontext. So kann eine spätere Prüfung feststellen, ob eine Datei noch dieselbe ist, für die der Lauf dokumentiert wurde. Fehlende Provenienz wird nicht ergänzt oder geraten. Der Bericht bleibt dann ausdrücklich als unverifizierter Research-Use-Only-Export gekennzeichnet.

Das Manifest ist auch für die Wiederaufnahme eines abgebrochenen Workflows wichtig. Ein vorhandener Dateiname reicht nicht als Checkpoint. Bevor ein Schritt übersprungen wird, müssen Eingabe, Werkzeug, Referenz und relevante Parameter zum gespeicherten Zustand passen. Bei einer Abweichung muss der Schritt neu laufen oder kontrolliert blockieren. Andernfalls könnte ein neuer Bericht alte Zwischenprodukte mit einer neuen Konfiguration vermischen.

Im Alltag bleibt diese Technik meist im Hintergrund. Sie wird dann wertvoll, wenn eine Frage auftaucht: Warum unterscheidet sich der neue Bericht vom alten? Wurde eine Referenz aktualisiert? Stammte die Qualitätsdatei wirklich aus diesem Lauf? Ein Manifest macht solche Fragen beantwortbar, ohne den gesamten Prozess aus Erinnerung rekonstruieren zu müssen.

Warum PDF-first mehr als ein Dateiformat ist

Genome erzeugt Berichte PDF-primär. Das bedeutet nicht, dass PDF an sich wissenschaftliche Qualität garantiert. Der Vorteil liegt in einem stabilen, lesbaren Artefakt, das Inhalt, Quellen, Seitennavigation und den dokumentierten Erzeugungsstand gemeinsam bewahrt.

Ein nachvollziehbarer Bericht verbindet Befund und Kontext. Er nennt die Datenbasis, beschreibt die verwendete Methodik und zeigt Qualitätsinformationen dort, wo sie für die Einordnung relevant sind. Literaturverweise führen zu den zugrunde liegenden Quellen. Grenzen stehen nicht versteckt in einem separaten Hinweis, sondern gehören zur Aussage selbst. Die Berichtssprache wird explizit gewählt und bleibt von der Sprache der App unabhängig.

Vor dem Export prüft ein Quality Gate das komponierte Berichtmodell. Kritische Probleme blockieren die Ausgabe. Warnungen werden protokolliert, ohne automatisch einen fachlich zulässigen Export zu verhindern. Ein fehlender Pflichtbeleg braucht damit eine andere Behandlung als ein begrenzender Hinweis, den Leser bei der Bewertung berücksichtigen müssen.

Auch das Layout gehört zur Nachvollziehbarkeit. Tabellen brauchen wiederholte Kopfzeilen, lesbare Spalten und stabile Seitenumbrüche. Inhaltsverzeichnis, Querverweise und Literatur sollen im fertigen PDF funktionieren. Ein Bericht, dessen Werte am Seitenrand abgeschnitten sind, ist trotz korrekter Berechnung kein gutes Übergabeartefakt.

Eine ausführliche Lesehilfe steht unter Wie man einen Genombericht liest. Die technische Vorbereitung und die notwendigen lokalen Verzeichnisse beschreibt die Genome-Hilfe.

Was der Bericht nicht behauptet

Genome ist als Research Use Only gekennzeichnet. Ein Bericht ordnet technische und wissenschaftliche Evidenz und ersetzt keine medizinische Beratung, Diagnose oder Behandlung. Er darf keine Sicherheit vortäuschen, die Eingabedaten, Methode oder Literatur nicht tragen.

Das betrifft besonders negative Ergebnisse. “Nicht gefunden” kann bedeuten, dass eine Variante im untersuchten Bereich nicht erkannt wurde. Es bedeutet nicht automatisch, dass ein Risiko ausgeschlossen ist. Manche Varianten sind mit der gewählten Methode schwer bestimmbar. Andere Zusammenhänge sind nur für bestimmte Populationen untersucht oder haben kleine Effektstärken. Ein sauberer Bericht nennt diese Grenzen, statt sie hinter einer eindeutigen Ampelfarbe verschwinden zu lassen.

Nachvollziehbarkeit ist deshalb kein Versprechen, dass jede Aussage endgültig richtig ist. Sie bedeutet, dass Leser den Weg zur Aussage prüfen können: von der Eingabe über Referenz, Qualitätsstatus und Fachanalyse bis zur Evidenz im PDF. Wenn sich Wissen oder Methoden ändern, lässt sich erkennen, welcher Stand im damaligen Bericht verwendet wurde.

Wer den Workflow selbst vorbereiten möchte, kann die aktuelle Version auf der Downloadseite beziehen. Der Wert des Berichts entsteht jedoch nicht erst beim Klick auf “Exportieren”. Er entsteht dadurch, dass die Kette davor ihre Herkunft nicht verliert.