[論文レビュー] Data structures to represent a set of k-long DNA sequences

Rayan Chikhi, Jan Holub+1 more|arXiv (Cornell University)|Mar 29, 2019

Algorithms and Data Compression参考文献 31被引用数 16

ひとこと要約

本調査は、k長のDNA配列の集合を効率的に格納および照会するためのデータ構造について、統一的な分析と比較を提供する。主な焦点は、記憶容量効率、照会速度、構築時間である。ユニティグに基づくインデックスやナビゲーション用データ構造といった特殊化された構造を評価し、生物学的k-mers集合のスペクトル様性を活用することで、近似的に最適な記憶容量使用を達成するとともに、高速なメンバーシップ照会およびナビゲーション照会を維持していることを示している。

ABSTRACT

The analysis of biological sequencing data has been one of the biggest applications of string algorithms. The approaches used in many such applications are based on the analysis of k-mers, which are short fixed-length strings present in a dataset. While these approaches are rather diverse, storing and querying a k-mer set has emerged as a shared underlying component. A set of k-mers has unique features and applications that, over the last ten years, have resulted in many specialized approaches for its representation. In this survey, we give a unified presentation and comparison of the data structures that have been proposed to store and query a k-mer set. We hope this survey will serve as a resource for researchers in the field as well as make the area more accessible to researchers outside the field.

研究の動機と目的

• k長のDNA配列の集合を表現する既存のデータ構造を統合的に比較し、現代のバイオインフォマティクスの根幹をなすものとして統一すること。
• 生物学的k-mers集合のスペクトル様性を活用する特殊化されたデータ構造を同定および分析し、記憶容量の削減を図ること。
• 異なるデータ構造のカテゴリ間で、記憶容量、照会時間、構築時間のトレードオフを評価すること。
• k-mers集合表現における記憶容量の下界と実用的効率性の理論的および実験的基盤を提供すること。
• 用語と照問操作を標準化することで、理論的コンピュータサイエンスの研究者以外の研究者にとってこの分野をよりアクセス可能にする。

提案手法

• k-mersデータ構造を3種類に分類する：非特殊化型（例：ハッシュテーブル）、一般構造を適応させたもの、k-mers集合に特化して設計されたもの。
• コア操作を定義する：メンバーシップ照問（k-mersが集合に含まれるか？）とナビゲーション照問（k-mersが集合内の別のk-mersに拡張可能か？）。
• 各構造について、記憶容量の複雑性、構築時間、照問時間（理論的上限と実測性能を含む）を分析する。
• スペクトル様性を活用するユニティグベース表現に焦点を当てる。これにより、記憶容量がO(n + U(k−1))に削減され、Uは最大ユニティグの数である。
• ナビゲーション用データ構造を検討し、O(1)の時間でk-mersの拡張を可能にするが、メンバーシップ照問の効率が低下する傾向があり、記憶容量とグラフ型アクセスを最適化する。
• 情報理論的下界と比較し、現実の実装における既存の理論的下界の限界を議論する。

実験結果

リサーチクエスチョン

• RQ1 生物学的シーケンシングデータにおけるk-mers集合の記憶容量効率の高い表現を実現するための主な設計原則は何か？
• RQ2 ユニティグベースのデータ構造は、スペクトル様性をどのように活用することで、標準的な表現と比較して記憶容量を削減しているか？
• RQ3 k-mers集合のデータ構造において、メンバーシップ効率とナビゲーション効率のトレードオフはどのように生じるか？
• RQ4 既存の理論的記憶容量下界は、実際の生物学的データセットにおける実用的性能をどの程度反映しているか？
• RQ5 どのような状況下で、特殊化されたk-mersデータ構造がハッシュテーブルのような汎用的代替手法を上回るか？

主な発見

• ユニティグベースの表現は、Uが最大ユニティグの数であるとして、O(n + U(k−1))の記憶容量複雑性を達成し、U ≪ n である場合には、完全なk-mers集合と比較して著しく記憶容量効率が向上する。
• ナビゲーション用データ構造は、k-mersの拡張をO(1)時間で実現できるが、多くの場合メンバーシップ照問の効率が低下するため、グラフベースのアルゴリズムに適している。
• k-mersが少数の基礎となるゲノム配列から導かれるというスペクトル様性により、実際の記憶容量の大幅な削減が可能となり、特にUが小さい場合には顕著である。
• 理論的下界にかかわらず、実際のデータでは記憶容量の近似的最適性が達成されやすく、これはインスタンス固有の下界が最悪ケース下界よりもより有用である可能性を示唆している。
• ユニティグベースとBOSSベースの表現の間には、まだ包括的な理論的・実験的比較がなされておらず、最適な用途に関する未解決の問いが残っている。
• 本調査は、体系的なベンチマークと標準化された評価のギャップを特定し、分野の前進を図るため、キュレートされたデータセットと中立的なツール比較を求める。