[論文レビュー] AirLift: A Fast and Comprehensive Technique for Translating Alignments between Reference Genomes

Jeremie S. Kim, Can Fırtına+6 more|arXiv (Cornell University)|Dec 18, 2019

Genomics and Phylogenetic Studies参考文献 33被引用数 4

ひとこと要約

AirLift は、リファレンスゲノムの更新時に、完全なリマッピングの必要を最大99.99％まで削減する高速で包括的な技術であり、完全マッピングと比較して実行時間をヒトで6.7倍、C. elegans で6.6倍、イーストで2.8倍短縮する。同時に、バリアントコールの正確性はベースラインの完全マッピングと同等を維持する。

ABSTRACT

As genome sequencing tools and techniques improve, researchers are able to incrementally assemble more accurate reference genomes, which enable sensitivity in read mapping and downstream analysis such as variant calling. A more sensitive downstream analysis is critical for a better understanding of the genome donor (e.g., health characteristics). Therefore, read sets from sequenced samples should ideally be mapped to the latest available reference genome that represents the most relevant population. Unfortunately, the increasingly large amount of available genomic data makes it prohibitively expensive to fully re-map each read set to its respective reference genome every time the reference is updated. There are several tools that attempt to accelerate the process of updating a read data set from one reference to another (i.e., remapping). However, if a read maps to a region in the old reference that does not appear with a reasonable degree of similarity in the new reference, the read cannot be remapped. We find that, as a result of this drawback, a significant portion of annotations are lost when using state-of-the-art remapping tools. To address this major limitation in existing tools, we propose AirLift, a fast and comprehensive technique for remapping alignments from one genome to another. Compared to the state-of-the-art method for remapping reads (i.e., full mapping), AirLift reduces 1) the number of reads that need to be fully mapped to the new reference by up to 99.99\% and 2) the overall execution time to remap read sets between two reference genome versions by 6.7x, 6.6x, and 2.8x for large (human), medium (C. elegans), and small (yeast) reference genomes, respectively. We validate our remapping results with GATK and find that AirLift provides similar accuracy in identifying ground truth SNP and INDEL variants as the baseline of fully mapping a read set.

研究の動機と目的

• リファレンスゲノムの更新時に、既存のリマッピングツールの非効率さとデータ損失を解消すること。
• リファレンスゲノムの更新後に、シーケンシングリードのリマッピングにかかる計算コストを低減すること。
• 新しいリファレンスゲノムに完全に再マッピングが必要なリードの数を最小限に抑えること。
• リマッピング後のバリアントコールの正確性を維持すること。
• 頻繁にリファレンスゲノムが更新される大規模ゲノムデータに対してスケーラブルなソリューションを提供すること。

提案手法

• AirLift は、古いリファレンスゲノムにおいて欠落している、または新しいリファレンスゲノムと著しく保存されていない領域を特定する。
• 迅速なアラインメントベースのフィルタリング手順を用いて、信頼性の低いリマッピングが予想される領域にマッピングされるリードを除外する。
• 2段階のリマッピング戦略を適用する：まず、軽量なアラインメントアプローチを用いて、成功確率の高いリードのみをマッピングする。
• リファレンスゲノム間の配列類似性と構造的保存性を活用して、完全マッピングの対象とする領域を優先順位付けする。
• 保存された領域にマッピングされるリードのみが、新しいリファレンスゲノムに対して完全アラインメントを受ける。
• GATK などの標準的なバリアントコールパイプラインと統合し、リマッピングの正確性を検証する。

実験結果

リサーチクエスチョン

• RQ1 リファレンスゲノムを1つから別のものに更新する際、完全なリマッピングを必要とするリードの数をどのようにして削減できるか。
• RQ2 完全リマッピングの回数を最小限に抑える際、どの程度のバリアントコールの正確性を維持できるか。
• RQ3 リードアラインメントの感度を損なわず、リマッピング時間に顕著な高速化を達成できるか。
• RQ4 最新のリマッピングツールでは、新しいリファレンスゲノムに保存領域がないために、どの程度のリードが失われるか。
• RQ5 ヒト、C. elegans、イーストゲノムのようにサイズの異なるゲノムにおいて、AirLift の性能はどのようにスケーリングするか。

主な発見

• AirLift は、完全マッピングと比較して、完全リマッピングを必要とするリードの数を最大99.99％まで削減する。
• リマッピングの全体的な実行時間は、ヒトゲノムで6.7倍、C. elegans で6.6倍、イーストゲノムで2.8倍短縮される。
• GATK を用いて真のSNPおよびインデルバリアントを検証した結果、AirLift は完全マッピングと同等のバリアントコールの正確性を維持する。
• 最新のリマッピングツールでは、マッピング不能な領域のため、顕著な量のアノテーションが失われるが、この問題を AirLift が効果的に軽減する。
• 異なるサイズのゲノムにおいても、AirLift は効率的なスケーリングを示し、一貫した性能向上を達成する。