[論文レビュー] Alignment-Free Sequence Analysis and Applications

Jie Ren, Xin Bai+5 more|arXiv (Cornell University)|Mar 26, 2018

Genomics and Phylogenetic Studies参考文献 145被引用数 3

ひとこと要約

この論文は、k-mer頻度カウントに基づくアライメントフリーな配列解析手法をレビューし、次世代シーケンシング（NGS）データからの全ゲノム、メタゲノム、およびリゴラトリーリージョンの比較において、その効率性と正確性に焦点を当てる。背景補正された相対頻度手法が、非情報的k-merに起因するノイズを低減することで、系統発生、メタゲノムビニング、ウイルス-宿主相互作用の検出において、絶対頻度アプローチを上回ることを強調している。

ABSTRACT

Genome and metagenome comparisons based on large amounts of next-generation sequencing (NGS) data pose significant challenges for alignment-based approaches due to the huge data size and the relatively short length of the reads. Alignment-free approaches based on the counts of word patterns in NGS data do not depend on the complete genome and are generally computationally efficient. Thus, they contribute significantly to genome and metagenome comparison. Recently, novel statistical approaches have been developed for the comparison of both long and shotgun sequences. These approaches have been applied to many problems including the comparison of gene regulatory regions, genome sequences, metagenomes, binning contigs in metagenomic data, identification of virus-host interactions, and detection of horizontal gene transfers. We provide an updated review of these applications and other related developments of word-count based approaches for alignment-free sequence analysis.

研究の動機と目的

• ゲノムの再配列、低カバレッジ、配列相同性の低さといった要因により、アライメントベースの手法に限界が生じる全ゲノム、メタゲノム、リゴラトリーリージョンの比較において、それらの限界を克服すること。
• 特にアライメントが非現実的または不正確となる状況において、ワードカウントに基づくアライメントフリー手法の有効性を評価すること。
• 絶対頻度対相対頻度k-mer頻度手法の比較を行い、ノイズ低減と正確性向上の観点から、背景補正された測定値の利点を強調すること。
• アライメントフリー手法のゲノム応用におけるk-mer長選定、計算効率、ベンチマーク手法に関する未解決の課題を特定すること。

提案手法

• Jellyfish、DSK、KMC2などのツールを用いて、大規模データセットの効率的処理を実現するため、NGSリード内のk-mer頻度をカウントする。
• Bray-Curtis、カイ二乗検定、Jensen-Shannonダイバージェンスを含む、k-mer頻度に基づく類似度／非類似度測定を適用する。
• マークフ連鎖モデル下での期待度数を差し引くことで、背景調整されたk-mer頻度を用い、生物学的に意味のあるパターンからの信号強化を図る。
• 階層的クラスタリングやネイバージョイング法を用いて、k-mer距離行列から系統関係を推定するクラスタリングアルゴリズムを適用する。
• 背景モデル補正を組み込んだ統計的測定値（d₂*、d₂S、CVTree）を用い、耐性および正確性の向上を図る。
• 実データおよびシミュレーテッドNGSデータを用いて、系統発生、メタゲノムビニング、ウイルス-宿主相互作用予測の各応用分野における性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 アライメントフリー手法におけるk-mer頻度ベースのアプローチは、NGSデータの文脈で、アライメントベースの手法と比較して正確性および計算効率の点でどのように異なるか？
• RQ2 ゲノムおよびメタゲノム比較において、絶対頻度k-mer頻度手法と背景補正された相対頻度手法の相対的な性能はどのようになるか？
• RQ3 k-mer長の選定が、特に多様性の高い配列間のアライメントフリーな配列比較の正確性にどのように影響するか？
• RQ4 アライメントが不可能な状況下でも、アライメントフリー手法はウイルス-宿主相互作用および水平遺伝子移動を信頼性高く検出できるか？
• RQ5 大規模メタゲノムデータセットへのスケーリングにおいて、アライメントフリー手法に直面する主な計算的および統計的課題は何か？

主な発見

• 背景補正された相対頻度手法（d₂*、d₂Sなど）は、ゲノム、メタゲノム、リゴラトリーリージョンの比較において、絶対頻度手法を著しく上回る性能を示す。
• マークフ連鎖に基づく背景モデルの使用により、非情報的k-merに起因するノイズが効果的に低減され、多様性の高い配列内での信号検出が向上する。
• 系統発生再構築において、アライメントフリー手法は、特に再配列や多様性の高いゲノムに対して、アライメントベースの手法と同等またはそれ以上の正確性を達成する。
• これらの手法は、短い低カバレッジNGSリードしか入手できない状況下でも、メタゲノムコンティグの効率的ビニングおよびウイルス-宿主関連性の検出を可能にする。
• 強力な性能を発揮する一方で、背景補正手法はより高いメモリおよび計算コストを要するため、大規模応用に向けたさらなる最適化が不可欠である。
• アライメントフリーな配列比較手法の公平な評価および比較を可能にするために、標準化され、コミュニティで検証されたベンチマークデータセットの整備が、今後も重要な課題である。