[論文レビュー] Evolutionary Placement of Short Sequence Reads

Simon Berger, Alexandros Stamatakis|ArXiv.org|Nov 15, 2009

Genomics and Phylogenetic Studies参考文献 6被引用数 7

ひとこと要約

この論文は、最尤法を用いて系統樹の枝に短いDNAリードを迅速かつ正確に配置するための進化的配置アルゴリズム（EPA）を紹介する。EPAはBLAST並みの速度を達成しながら、特に代表種のサンプリングが疎である状況下でBLASTを著しく上回る精度を発揮する。これは、リード配置中に系統樹のトポロジーと枝長最適化を活用することで実現される。

ABSTRACT

We present an Evolutionary Placement Algorithm (EPA) for the rapid assignment of sequence fragments (short reads) to branches of a given phylogenetic tree under the Maximum Likelihood (ML) model. The accuracy of the algorithm is evaluated on several real-world data sets and compared to placement by pair-wise sequence comparison, using edit distances and BLAST. We test two versions of the placement algorithm, one slow and more accurate where branch length optimization is conducted for each short read insertion and a faster version where the branch lengths are approximated at the insertion position. For the slow version, additional heuristic techniques are explored that almost yield the same run time as the fast version, with only a small loss of accuracy. When those additional heuristics are employed the run time of the more accurate algorithm is comparable to that of a simple BLAST search for data sets with a high number of short query sequences. Moreover, the accuracy of the Evolutionary Placement Algorithm is significantly higher, in particular when the taxon sampling of the reference topology is sparse or inadequate. Our algorithm, which has been integrated into RAxML, therefore provides an equally fast but more accurate alternative to BLAST for phylogeny-aware analysis of short-read sequence data.

研究の動機と目的

• 参照種のサンプリングが疎または不十分な状況下でBLASTの短いリード割り当てにおける限界を克服すること。
• 計算効率を犠牲にせずに高い精度を維持する、スケーラブルで系統樹に配慮した短いリード割り当て手法を開発すること。
• 既存の系統樹ソフトウェア（RAxML）に進化的配置を統合し、メタゲノム解析における実用的応用を可能にすること。
• 異なるEPAバージョンにおける精度と実行時間のトレードオフを評価すること、ヒューリスティック最適化を含む。
• 大規模な短いリードデータセットを、複雑な参照系統樹に並列かつ高スループットで分類可能にする仕組みを提供すること。

提案手法

• EPAは、クエリ配列（QS）を事前に作成された参照系統樹（RT）に最適な挿入枝と枝長の推定を用いて最尤法により配置する。
• 2つのバージョンが実装されている：各QSごとに枝長を最適化する遅いが高精度なバージョンと、挿入点での枝長を近似する高速なバージョン。
• 正確なバージョンの実行時間を短縮するためにヒューリスティック手法が適用され、分数パラメータ $fh$ を用いて候補挿入枝の数を制限する。
• 尤度最適化中にサイト間の変化率のばらつきをモデル化するため、$\Gamma$ モデルとCATモデルの両方を採用している。
• マルチグレイン並列処理を用いて並列化され、32コアシステム上で100,000個のQSを4,000種の系統樹に1.5時間で分類可能である。
• 一時的な最尤ベースのアラインメント手法が実装されており、ギャップを未知文字として扱うが、正式なインデルモデルを備えていない。

実験結果

リサーチクエスチョン

• RQ1 最尤法に基づく進化的配置手法は、短いリード割り当てにおいて、高精度と低実行時間の両方を達成できるか？
• RQ2 代表種のサンプリングが疎または不十分な状況下で、EPAの精度はBLASTやペアワイズ配列比較と比べてどの程度優れているか？
• RQ3 ヒューリスティック最適化は、正確なEPAバージョンの実行時間をどの程度短縮できるか、かつ配置精度に顕著な損失をもたらさないか？
• RQ4 EPAの性能は、数万のクエリ配列を含む大規模なメタゲノムデータセットにスケーラブルに適用可能か？
• RQ5 最尤フレームワーク下で、短いリードの同時配置とアラインメントを効率的に実現できるか？

主な発見

• 完全な枝長最適化を施した遅いEPAバージョンは、参照種のサンプリングが疎な状況下で、BLASTを著しく上回る高い精度を達成する。
• ヒューリスティック最適化を適用することで、正確なEPAバージョンの実行時間は単純なBLAST検索と同等の水準にまで短縮され、ほぼ最適な精度を維持する。
• fh = 1/32 を使用した場合、ヒューリスティック手法は参照（遅い）手法とほぼ同一の配置精度を達成し、わずかな精度の損失にとどまる。
• MPベースのヒューリスティックは、最小の $fh$ 値を除き、MLヒューリスティックと同等の配置精度を発揮し、SSE3ベクトル化により高速化可能である。
• CATモデルを用いた高速EPAバージョンは、$\Gamma$ モデルと比較して113秒（290秒対比）の実行時間で、わずかな精度の妥協で実現可能である。
• 高速版と遅い版の間の平均偏差は半分のノード未満であり、両手法間で強い一貫性が確認された。