[論文レビュー] Correcting Illumina sequencing errors for human data

Heng Li|arXiv (Cornell University)|Feb 12, 2015

Genomics and Phylogenetic Studies参考文献 12被引用数 7

ひとこと要約

この論文では、信頼できるk-mersと優先度キューを用いた動的計画法を採用する非グリーディなエラー補正ツールBFCを紹介する。この手法は、グリーディ法よりも高い精度を達成する。ヒトゲノムデータを用いた評価において、BFC-htは過剰補正が少なく、マッピング精度が向上し、ヘテロ接合性で反復領域が豊富なゲノムにおける非グリーディ補正の利点を示した。

ABSTRACT

Summary: We present a new tool to correct sequencing errors in Illumina data produced from high-coverage whole-genome shotgun resequencing. It uses a non-greedy algorithm and shows comparable performance and higher accuracy in an evaluation on real human data. This evaluation has the most complete collection of high-performance error correctors so far. Availability and implementation: https://github.com/lh3/bfc Contact: [e-mail]

研究の動機と目的

• 高カバレッジで反復領域が豊富なヒトゲノムにおけるグリーディ補正の限界を解消すること。
• 複数の補正経路を探索することで最適な補正を求める非グリーディなアルゴリズムを開発すること。
• 実際のヒトシーケンシングデータを用いて、BFCの性能を最先端のエラー補正ツールと比較すること。
• k-mersのサイズ、ベース品質、データ構造がエラー補正精度に与える影響を評価すること。
• 複数のツール間で、速度、メモリ使用量、精度のトレードオフを比較すること。

提案手法

• BFCは、位置(i)、k-1-merコンテキスト(W)、補正済み位置(C)、ペナルティ(p)の4タプル状態表現を用い、すべての状態を優先度キューに保持する。
• 各位置で可能なすべての次のベースを探索し、信頼できるk-mersを優先し、信頼できないものをペナルティ付ける。
• 探索空間を削減するためのヒューリスティクスを適用する。たとえば、ベース品質がQ20以上の場合や、ある窓内に複数の高品質ベースが補正済みの場合、補正をスキップする。
• 2つの実装が提供される：BFC-bfはKMC2から得たk-mersカウントを用いたブロッキングされたブルームフィルタを採用するが、BFC-htはブルームフィルタとメモリ内ハッシュテーブルを組み合わせて近似的なカウントを実現する。
• 信頼できるk-mersの部分文字列から全リードへのエラー補正を拡張し、初期に信頼できるk-mersがない場合に備えて、1ミスマッチk-mersの列挙を用いて信頼できるk-mersを特定する。
• INDEL対応拡張は定義されているが、Illuminaデータにおけるこのようなエラーの発生頻度が低いため実装されていない。

実験結果

リサーチクエスチョン

• RQ1 グリーディ法と比較して、非グリーディなエラー補正アプローチは、高カバレッジのヒト全ゲノム配列データにおいて精度を向上させるか？
• RQ2 k-mersのサイズとベース品質は、ヘテロ接合性で反復領域が豊富なゲノムにおけるエラー補正ツールの性能にどのように影響するか？
• RQ3 高品質k-mersを信頼セットに保持することで、特に体系的なシーケンシングエラーに対して補正精度が向上するか？
• RQ4 実際のヒトデータにおいて、さまざまなエラー補正ツール間で、速度、メモリ使用量、精度のトレードオフはどのように変化するか？
• RQ5 異なるk-mersサイズを用いた2ラウンドの補正は、全体の補正品質とその後続アセンブリ結果を向上させるか？

主な発見

• BFC-htは、完全にマッピング可能なリードを最も多く補正（303万本）し、キメラリードの数も最も少なかった（1万1700本）、他のツールに比べて高い精度を示した。
• BFC-htは81万6千本のリードを元のものよりも良く補正し、わずか1万800本のリードしか悪化させなかった。これは、信頼性が高く、過剰補正が最小限であることを示している。
• BFC-bfとBFC-htの両方が、BLESSとLighterを上回る精度を達成した。BFC-htは高品質k-mersの保持によりわずかな優位性を示した。
• より長いk-mers（例：k=55）は、精度を向上させ、過剰補正を減らした。これは、反復領域の解像度が向上し、探索空間が小さくなるためと推測される。
• 2つのk-mersサイズを用いた2ラウンド補正戦略は、わずかに結果を改善した（86万1千本が良く、9500本が悪化）が、その後続アセンブリに顕著な向上は見られず、収益逓減の兆しを示した。
• BBMapは最も高速で、Bloocooは最も少ないメモリを使用したが、BFC-htは精度とリソース効率のバランスが最も優れていた。