[論文レビュー] EndHiC: assemble large contigs into chromosomal-level scaffolds using the Hi-C links from contig ends

Sen Wang, Hengchao Wang+8 more|arXiv (Cornell University)|Nov 30, 2021

Chromosomal and Genetic Variations参考文献 4被引用数 4

ひとこと要約

EndHiC は、コンティグの両端からの Hi-C 接触リンクのみを活用することで、染色体レベルのアセンブリを向上させる新規スカフォールディングツールであり、信号対ノイズ比を顕著に向上させる。LACHESIS や ALLHiC や 3D-DNA と比較して、より高い正確性、10～1000倍の高速実行、低いメモリ使用量、使いやすい可視化を実現し、手動での校正作業への依存を低減する。

ABSTRACT

Motivation: The application of PacBio HiFi and ultra-long ONT reads have achieved huge progress in the contig-level assembly, but it is still challenging to assemble large contigs into chromosomes with available Hi-C scaffolding software, which all compute the contact value between contigs using the Hi-C links from the whole contig regions. As the Hi-C links of two adjacent contigs concentrate only at the neighbor ends of the contigs, larger contig size will reduce the power to differentiate adjacent (signal) and non-adjacent (noise) contig linkages, leading to a higher rate of mis-assembly. Results: We present a software package EndHiC, which is suitable to assemble large contigs (> 1-Mb) into chromosomal-level scaffolds, using Hi-C links from only the contig end regions instead of the whole contig regions. Benefiting from the increased signal to noise ratio, EndHiC achieves much higher scaffolding accuracy compared to existing software LACHESIS, ALLHiC, and 3D-DNA. Moreover, EndHiC has few parameters, runs 10-1000 times faster than existing software, needs trivial memory, provides robustness evaluation, and allows graphic viewing of the scaffold results. The high scaffolding accuracy and user-friendly interface of EndHiC, liberate the users from labor-intensive manual checks and revision works. Availability and implementation: EndHiC is written in Perl, and is freely available at https://github.com/fanagislab/EndHiC. Contact: [e-mail] and [e-mail] Supplementary information: Supplementary data are available at Bioinformatics online.

研究の動機と目的

• 全コンティグにわたる Hi-C リンク解析における低信号対ノイズ比が原因で生じる大規模コンティグのスカフォールディング誤りを解消すること。
• 大規模コンティグ（>1 Mb）の染色体レベルスカフォールディングの正確性を、端領域の Hi-C データのみを用いて向上させること。
• 既存の Hi-C スカフォールディングツールと比較して、計算時間とメモリ使用量を低減すること。
• パラメータが少なく、組み込みの頑健性評価と可視化機能を備えた、使いやすいツールを提供すること。

提案手法

• EndHiC は、コンティグの末端領域からのみ Hi-C 接触リンクを抽出し、全コンティグの相互作用ではなく、エンド間の相互作用に焦点を当てる。
• エンド特異的接触頻度に基づく隣接可能性の尤度モデルを用いることで、正確なリンケージ予測のための信号対ノイズ比を向上させる。
• 複雑な反復最適化を回避するシンプルでパラメータフリーのアルゴリズムを採用し、高速な実行を実現する。
• スカフォールドの信頼性を評価するための頑健性評価モジュールを統合し、スカフォールド構造のインタラクティブな可視化をサポートする。
• Perl で実装されており、自由に利用可能で、メモリ使用量が非常に少なく、計算効率が非常に高い。
• 標準的なゲノムアセンブリパイプラインとの互換性を備え、直接的に染色体レベルのスカフォールドを出力する。

実験結果

リサーチクエスチョン

• RQ1 全コンティグのリンク解析と比較して、コンティグの両端からの Hi-C リンクに注目することで、大規模コンティグの染色体スカフォールディングの正確性が向上するか？
• RQ2 EndHiC のエンド特異的アプローチは、LACHESIS や ALLHiC や 3D-DNA といった既存ツールと比較して、性能と正確性で優れているか？
• RQ3 エンド領域のデータのみを用いることで、計算時間とメモリ使用量が著しく削減され、スカフォールディング品質が維持または向上するか？
• RQ4 パラメータが少なく、高速で使いやすいスカフォールダーは、染色体アセンブリパイプラインにおける手動での校正作業の必要性をどれほど低減できるか？

主な発見

• EndHiC は、エンド特異的 Hi-C 信号を活用することで、LACHESIS や ALLHiC や 3D-DNA よりも顕著に高いスカフォールディング正確性を達成する。
• ソフトウェアは、既存のツールと比較して 10～1000 倍高速に実行され、メモリ使用量はほとんどない。
• エンド領域のリンクに注目することで、信号対ノイズ比が向上し、誤ったスカフォールディングの発生率が低下する。
• EndHiC は組み込みの頑健性評価とグラフィカルな可視化を提供し、スカフォールド品質の直感的な評価を可能にする。
• パラメータが少なく、スカフォールドの手作業による詳細な修正作業が不要になる。
• EndHiC は Perl で実装されたオープンソースソフトウェアとして自由に利用可能であり、ゲノムアセンブリワークフローへの広範な統合とアクセス可能性を支援する。