[論文レビュー] CHM13 PacBio HiFi reads with assigned coordinates, assembly graphs generated with Raven and hifiasm

Lovro Vrček, Xavier Bresson+3 more|arXiv (Cornell University)|May 1, 2022

Genomics and Phylogenetic Studies被引用数 5

ひとこと要約

この論文は、de novoゲノムアセンブリのレイアウト段階を自動化するためのグラフ畳み込みネットワーク（GNN）ベースのフレームワークを提案している。アセンブリグラフにおけるヒューリスティックベースのパス探索をディープラーニングに置き換える。合成グラフを1つのヒト染色体から得て訓練したモデルは、実際のPacBio HiFiリードにおいて最先端のアセンブラを上回り、全染色体でより高いコンティグ性、より低い誤り率、および改善されたNG50/NGA50指標を達成した。

ABSTRACT

A quest to determine the complete sequence of a human DNA from telomere to telomere started three decades ago and was finally completed in 2021. This accomplishment was a result of a tremendous effort of numerous experts who engineered various tools and performed laborious manual inspection to achieve the first gapless genome sequence. However, such method can hardly be used as a general approach to assemble different genomes, especially when the assembly speed is critical given the large amount of data. In this work, we explore a different approach to the central part of the genome assembly task that consists of untangling a large assembly graph from which a genomic sequence needs to be reconstructed. Our main motivation is to reduce human-engineered heuristics and use deep learning to develop more generalizable reconstruction techniques. Precisely, we introduce a new learning framework to train a graph convolutional network to resolve assembly graphs by finding a correct path through them. The training is supervised with a dataset generated from the resolved CHM13 human sequence and tested on assembly graphs built using real human PacBio HiFi reads. Experimental results show that a model, trained on simulated graphs generated solely from a single chromosome, is able to remarkably resolve all other chromosomes. Moreover, the model outperforms hand-crafted heuristics from a state-of-the-art extit{de novo} assembler on the same graphs. Reconstructed chromosomes with graph networks are more accurate on nucleotide level, report lower number of contigs, higher genome reconstructed fraction and NG50/NGA50 assessment metrics.

研究の動機と目的

• de novoゲノムアセンブリのレイアウト段階における手作業で設計されたヒューリスティクスへの依存を低減すること。
• 複雑なアセンブリグラフを連続的な配列に解きほぐせる汎用的なディープラーニングフレームワークの開発。
• アセンブリグラフ内での最適パスの学習により、ゲノムアセンブリのコンティグ性と正確性を向上させること。
• 1染色体の事前学習設定を用いて、染色体間での転移学習を可能にすること。
• 再現可能な研究を促進するため、公開可能なデータセットとコードベースの提供。

提案手法

• フレームワークは、特定のGated Graph Convolutional Network（GatedGCN）を用いたGNNベースのモデルを採用し、アセンブリグラフ内の好ましいおよび好ましくないエッジを予測する。
• エッジ予測結果をもとに、グリーディーなパス探索アルゴリズムを駆動し、グラフからゲノム配列を再構築する。
• 学習データはCHM13ヒトゲノム配列から合成され、既知の真値パスを有する現実的なアセンブリグラフが生成された。
• モデルは1つの染色体（chr1）から派生するグラフに限定して訓練されたが、全24本のヒト染色体で評価された。
• アプローチはモジュラーであり、Ravenなどの既存のOLCベースのアセンブラに統合可能で、それらのヒューリスティックレイアウト段階を置き換えることができる。
• 評価には、ミスミスマッチ率・インデル率、コンティグ数、再構築されたゲノム断片の割合、NG50/NGA50といった標準指標が用いられた。

実験結果

リサーチクエスチョン

• RQ1 1つの染色体（chr1）の合成アセンブリグラフで訓練されたディープラーニングモデルは、全ヒト染色体のグラフを解きほぐすことに一般化できるか？
• RQ2 GNNベースのレイアウト段階は、従来のヒューリスティックベースの手法と比較して、アセンブリのコンティグ性と正確性において優れているか？
• RQ3 学習済みモデルは、PacBio HiFiリードからのde novoゲノムアセンブリにおいて、断片化とヌクレオチド誤りをどの程度低減できるか？
• RQ4 実際のヒトデータにおいて、GNNフレームワークはRaven や hifiasm といった最先端のアセンブラと比較して、どの程度の性能を示すか？
• RQ5 このフレームワークは、他の種やシーケンシング技術（例：ONTリード）に対しても同様の改善効果を示せるか？

主な発見

• chr1のグラフでのみ訓練されたモデルは、高い正確性を維持して全ヒト染色体を再構築でき、優れた一般化性能を示した。
• 実際のPacBio HiFiリードにおいて、GNNベースの手法はchr1で2.54%のミスミスマッチ率を達成し、Ravenの5.30%を著しく下回った。
• ヒューリスティックベースのアセンブラと比較して、コンティグ数を削減し、ゲノム再構築断片の割合を向上させた。
• NG50とNGA50指標は顕著に改善され、chr16ではNG50が12.99 Mbに達し、Ravenの12.99 Mbとhifiasmの10.55 Mbを上回った。
• 全染色体でインデル率が低く抑えられ、chr22では2.32%のインデル率を示し、Ravenの4.40%を下回った。
• フレームワークはコードとデータセットを含めて公開されており、再現性を確保するとともに、他の種やシーケンシング技術への応用が可能となった。