[論文レビュー] Fundamental Bounds and Approaches to Sequence Reconstruction from Nanopore Sequencers

Jarek Duda, Wojciech Szpankowski+1 more|arXiv (Cornell University)|Jan 11, 2016

Nanopore and Nanochannel Transport Studies参考文献 9被引用数 4

ひとこと要約

本稿では、インデルおよび置換エラーをスティッキー挿入・削除チャネルとしてモデル化することで、ナノポアシーケンサーからの配列再構成に関する情報理論的解析を提示する。再構成可能な配列長の根本的限界を導出し、繰り返し抽出によって一意な再構成が対数的数のレプリカで達成可能であることを示し、高エラー率にもかかわらず長距離シーケンシングが可能であることを示す。

ABSTRACT

Nanopore sequencers are emerging as promising new platforms for high-throughput sequencing. As with other technologies, sequencer errors pose a major challenge for their effective use. In this paper, we present a novel information theoretic analysis of the impact of insertion-deletion (indel) errors in nanopore sequencers. In particular, we consider the following problems: (i) for given indel error characteristics and rate, what is the probability of accurate reconstruction as a function of sequence length; (ii) what is the number of `typical' sequences within the distortion bound induced by indel errors; (iii) using replicated extrusion (the process of passing a DNA strand through the nanopore), what is the number of replicas needed to reduce the distortion bound so that only one typical sequence exists within the distortion bound. Our results provide a number of important insights: (i) the maximum length of a sequence that can be accurately reconstructed in the presence of indel and substitution errors is relatively small; (ii) the number of typical sequences within the distortion bound is large; and (iii) replicated extrusion is an effective technique for unique reconstruction. In particular, we show that the number of replicas is a slow function (logarithmic) of sequence length -- implying that through replicated extrusion, we can sequence large reads using nanopore sequencers. Our model considers indel and substitution errors separately. In this sense, it can be viewed as providing (tight) bounds on reconstruction lengths and repetitions for accurate reconstruction when the two error modes are considered in a single model.

研究の動機と目的

• 現実的なエラーモデル下でのナノポアシーケンサーからの配列再構成の根本的限界を分析すること。
• インデルおよび置換エラー率が与えられた場合に、正確に再構成可能な最大配列長を特定すること。
• 歪みの許容範囲内にのみ1つの典型系列が存在するようにするための、複製された抽出物の数を定量化すること。
• 広範なエラーモデルクラスにわたり頑健な理論的限界を確立し、エラー耐性の高いシーケンシングの基盤を提供すること。

提案手法

• インデルおよび置換エラーを別々に捉えるために、ナノポアシーケンサーをスティッキー挿入・削除チャネルとしてモデル化する。
• 情報理論を用いて、配列長およびエラー率の関数として正確な再構成確率の限界を導出する。
• 参考配列と誤ったリードとの区別可能性を定量化するために、カルバック・ライブラー発散を適用する。
• エラーによって誘発される歪みの許容範囲内にある典型系列の数を分析し、再構成の曖昧さを評価する。
• 一意な再構成を達成するために必要なレプリカ数を導出する。
• 実際のナノポアデータ（例：Jain et al. より）からの経験的エラー分布を用いてモデルのパrameter化を行い、解析的限界の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 ナノポアシーケンサーにおける既知のインデルおよび置換エラー率が与えられた場合、正確に再構成可能な最大配列長は何か？
• RQ2 インデルおよび置換エラーによって誘発される歪みの許容範囲内に存在する典型系列の数はどれくらいか？
• RQ3 歪みの許容範囲内に1つの典型系列しか存在しなくなるようにするための複製された抽出物の数は何か？ これにより一意な再構成が可能になる。
• RQ4 与えられたエラーモデル下で、必要なレプリカ数は配列長に対してどのようにスケーリングするか？
• RQ5 導出された限界は、既存のナノポアシーケンシング研究からの経験的結果とどのように比較されるか？

主な発見

• インデルおよび置換エラーが存在する状況では、高いエラー率のため正確に再構成可能な最大配列長は比較的小さい。
• エラーによって誘発される歪みの許容範囲内に存在する典型系列の数は非常に多く、複製なしでは再構成に著しい曖昧さが生じる。
• 複製された抽出は、歪みの許容範囲を1つの典型系列にまで縮小することで、一意な再構成を達成する有効な手法である。
• 一意な再構成を達成するためのレプリカ数は、配列長に対して対数的に増加するため、長距離シーケンシングが実現可能である。
• 置換エラーのみのケースでは、一意な再構成を達成するための必要なリード数は約 ln(n)/2.89 に比例する。
• 本モデルは、インデルおよび置換エラーを別々に取り扱うことで、結合エラーモデルに対してタイトな下限を提供し、保守的ではあるが解析的に厳密な性能の範囲を提供する。