[論文レビュー] featureCounts: an efficient general-purpose read summarization program

Yang Liao, Gordon K. Smyth+1 more|arXiv (Cornell University)|May 15, 2013

Genomics and Phylogenetic Studies被引用数 28

ひとこと要約

featureCounts は、RNA-seq や全ゲノムシーケンシングデータにおける遺伝子やエクソンなどのゲノム特徴にマッピングされるリードのカウントを目的とした、非常に効率的なリード要約ツールです。染色体ハッシュ化と特徴ブロッキングを用いることで、従来のツールと比較して最大10倍の高速化と顕著なメモリ使用量の削減を達成し、単離読みとペアリードの両方をサポートする広範な設定オプションを備えています。

ABSTRACT

Next-generation sequencing technologies generate millions of short sequence reads, which are usually aligned to a reference genome. In many applications, the key information required for downstream analysis is the number of reads mapping to each genomic feature, for example to each exon or each gene. The process of counting reads is called read summarization. Read summarization is required for a great variety of genomic analyses but has so far received relatively little attention in the literature. We present featureCounts, a read summarization program suitable for counting reads generated from either RNA or genomic DNA sequencing experiments. featureCounts implements highly efficient chromosome hashing and feature blocking techniques. It is considerably faster than existing methods (by an order of magnitude for gene-level summarization) and requires far less computer memory. It works with either single or paired-end reads and provides a wide range of options appropriate for different sequencing applications. featureCounts is available under GNU General Public License as part of the Subread (this http URL) or Rsubread (this http URL) software packages.

研究の動機と目的

• リード要約が後続解析において中心的な役割を果たしているにもかかわらず、ゲノム研究においてはあまり注目されていない点を解決すること。
• 遺伝子やエクソンなどのゲノム特徴にマップされたリードを、より高速かつメモリ効率の良い方法でカウントする手法を開発すること。
• 単離読みおよびペアリードの両方に対する柔軟なオプションを提供することで、多様なシーケンシング応用を支援すること。
• 最適化されたデータ構造とアルゴリズムを通じて、大規模ゲノムデータセットにおけるスケーラビリティとパフォーマンスを向上させること。

提案手法

• リードアラインメントをゲノム特徴に迅速に検索できるようにする染色体ハッシュ化の実装。
• ゲノムを管理しやすいブロックに分割することで計算オーバーヘッドを低減する特徴ブロッキングの使用。
• 現代のマルチコアプロセッサを活用して並列処理を実現するマルチスレッドアーキテクチャの設計。
• 単離読みおよびペアリードの両方のシーケンシングリードをサポートする統合的設計と、設定可能なアラインメントフィルタリング。
• キャッシュミスを最小限に抑えてCPU効率を向上させるためのメモリアクセスパターンの最適化。
• 感度、アラインメントフィルタリング、出力形式の設定可能なパrameterを組み込むことで、さまざまな実験設計に適応。

実験結果

リサーチクエスチョン

• RQ1 既存の手法と比較して、リード要約ツールが処理速度とメモリ使用量の面で顕著な性能向上を達成できるか？
• RQ2 染色体ハッシュ化と特徴ブロッキングは、大規模シーケンシングデータにおけるリードから特徴への割り当て効率にどのように影響するか？
• RQ3 featureCounts は、さまざまなシーケンシング深度や特徴タイプ（例：遺伝子、エクソン）に対してどの程度スケーリング可能か？
• RQ4 計算オーバーヘッドを低減しつつ、正確性と柔軟性を維持できるか？

主な発見

• featureCounts は、既存のツールと比較して遺伝子レベルのリード要約において最大10倍の高速化を達成している。
• 従来の手法と比較して、大幅に少ないコンピュータメモリを要するため、標準的なハードウェアでも効率的な処理が可能である。
• 染色体ハッシュ化と特徴ブロッキングの技術により、I/Oおよび計算上のボトルネックが顕著に低減されている。
• 多様なシーケンシング応用に適応するため、単離読みおよびペアリードの両方を高設定性でサポートしている。
• さまざまなゲノム特徴タイプおよびシーケンシング深度において、高い正確性と一貫性を維持している。