[論文レビュー] Fast sequence to graph alignment using the graph wavefront algorithm

Haowen Zhang, Shiqi Wu+2 more|arXiv (Cornell University)|Jun 27, 2022

Genomics and Phylogenetic Studies被引用数 6

ひとこと要約

この論文では、類似した配列に対して顕著な高速化を達成する、高速かつ最適なシーケンス-グラフアラインメント手法であるグラフウェーブフォントアライメント（Gwfa）アルゴリズムを紹介する。Gwfaは、シーケンスアラインメントにおけるウェーブフォント原理を応用し、編集距離の局所性を活用することで実行時間を短縮する。また、グラフのスプライシングヒューリスティクスを組み合わせることで、大規模なグラフにおいて最大10倍の高速化を実現し、4つの実データセットにおいて、既存の正確かつヒューリスティック手法を上回る速度とメモリ効率を達成した。

ABSTRACT

Motivation: A pan-genome graph represents a collection of genomes and encodes sequence variations between them. It is a powerful data structure for studying multiple similar genomes. Sequence-to-graph alignment is an essential step for the construction and the analysis of pan-genome graphs. However, existing algorithms incur runtime proportional to the product of sequence length and graph size, making them inefficient for aligning long sequences against large graphs. Results: We propose the graph wavefront alignment algorithm (Gwfa), a new method for aligning a sequence to a sequence graph. Although the worst-case time complexity of Gwfa is the same as the existing algorithms, it is designed to run faster for closely matching sequences, and its runtime in practice often increases only moderately with the edit distance of the optimal alignment. On four real datasets, Gwfa is up to four orders of magnitude faster than other exact sequence-to-graph alignment algorithms. We also propose a graph pruning heuristic on top of Gwfa, which can achieve an additional $\sim$10-fold speedup on large graphs. Availability: Gwfa code is accessible at https://github.com/lh3/gwfa.

研究の動機と目的

• 既存のシーケンス-グラフアラインメントアルゴリズムの計算非効率性を解消すること。特に、配列長やグラフサイズの増加に伴い性能が著しく低下する問題を改善する。
• 従来の正確なアルゴリズムよりも著しく高速に動作する最適アラインメント手法を開発すること。特に、類縁性の高い配列に対して有効であることを目指す。
• 最適性を損なわずにアラインメントをさらに高速化するためのグラフスプライシングヒューリスティクスを導入すること。
• 大規模なパンゲノムグラフにおける最適アラインメントパスの効率的トレースバックを可能にし、メモリ使用量を削減すること。
• ゲノムパイプラインのコアアラインメントワークロードのパフォーマンスを向上させることで、スケーラブルなパンゲノム解析を実現すること。

提案手法

• Gwfaは、シーケンス-シーケンスアラインメントにおけるウェーブフォントアラインメント（WFA）パラダイムを拡張し、動的計画法マトリクス内の帯状領域に沿ってアラインメントスコアを計算することで、シーケンス-グラフアラインメントを実現する。
• アルゴリズムは、頂点の遷移に基づいてスコアを前方に伝搬するウェーブフォント走査を用い、現在と直前のウェーブフォントのみを保持することで、メモリ使用量を制限する。
• 優先度キューを用いて、アラインメントコストが小さい順にグラフ内のパスを探索することで、最適パスを効率的に特定する。
• アラインメントの前処理として、低利便性の頂点および辺をグラフから削除するスプライシングヒューリスティクスを適用し、探索空間を縮小して計算を高速化する。
• ウェーブフォント伝搬中に親ポインタを保存することで、最適アラインメントパスのトレースバックを可能にし、完全なアラインメントウォークの再構築を実現する。
• グラフアラインメントの後処理として、標準的なシーケンスアラインメントを統合し、ベースレベルでの精緻な調整を実現することで、高精度な出力を保証する。

実験結果

リサーチクエスチョン

• RQ1 ウェーブフォントに基づく動的計画法の原則を、より高速かつ最適なシーケンス-グラフアラインメントに適応できるか？
• RQ2 Gwfaは、実際の生物学的データセットにおいて、既存の正確およびヒューリスティックなシーケンス-グラフアラインメントツールと比較して、どのように性能を発揮するか？
• RQ3 グラフスプライシングは、アラインメント精度を損なわず、実行時間およびメモリ使用量をどの程度削減できるか？
• RQ4 クエリとグラフアラインメントパス間の編集距離が増加するに従い、Gwfaの実行時間はどのように変化するか？
• RQ5 ウェーブフォント計算から完全なアラインメントパスを再構築する際の、メモリおよび時間のオーバーヘッドはどの程度か？

主な発見

• 4つの実データセットにおいて、Gwfaは他の正確なシーケンス-グラフアラインメントアルゴリズムと比較して最大4桁の高速化を達成した。特に類縁性の高い配列に対して顕著な高速化が観察された。
• Gwfa-スプライシングヒューリスティクスにより、大規模なグラフにおいてさらに約10倍の高速化が達成され、最適性を保持したまま全体として最も高速な手法となった。
• Gwfa-スプライシングは、競合する手法と比較して2〜83倍の低いメモリ使用量を実現した。トレースバックを有効にした場合でも、平均で15.8〜75.2%の高い使用量にとどまり、他の手法に比べて顕著に低い水準を維持した。
• 最適アラインメントパスのトレースバックにより、平均して実行時間が3.8〜14.5%増加したが、小規模なグラフでは2%未満の増加に抑えられ、性能への影響は最小限であった。
• G4グラフ（大規模な構造的バリアントを含み、編集距離が高いため）では、Gwfaのパフォーマンスは低下したが依然として最適性を保った。一方、GraphAlignerのヒューリスティックモードは完全なアラインメントを生成できなかった。
• Gwfaは一貫して最適な編集距離と完全なアラインメントウォークを報告したが、GraphAlignerのヒューリスティックモードは、特に複雑な領域でアラインメントが断片化した。