[論文レビュー] GemTools: A fast and efficient approach to estimating genetic ancestry

Lambertus Klei, Brian P. Kent+3 more|arXiv (Cornell University)|Apr 6, 2011

Genetic Associations and EpidemiologyBiochemistry, Genetics and Molecular Biology参考文献 7被引用数 21

ひとこと要約

GemToolsは、再帰的な分割統治型スペクトルクラスタリングを用いて、計算的に効率的な遺伝的由来推定手法を提案する。Nystrom近似を適用し、クラスタ内での局所固有マップに焦点を当てることで、大規模な遺伝学的関連研究における正確な症例対照マッチングを実現しながら、メモリ使用量と実行時間の負荷を低減する。大規模データセットにおいて、ブルートフォース固有値解析を凌駆する。

ABSTRACT

To uncover the genetic basis of complex disease, individuals are often measured at a large number of genetic variants (usually SNPs) across the genome. GemTools provides computationally efficient tools for modeling genetic ancestry based on SNP genotypes. The main algorithm creates an eigenmap based on genetic similarities, and then clusters subjects based on their map position. This process is continued iteratively until each cluster is relatively homogeneous. For genetic association studies, GemTools matches cases and controls based on genetic similarity.

研究の動機と目的

• 大規模なSNPデータにおける集団遺伝学における固有値解析の計算負荷を軽減すること。
• 微細な由来構造をモデル化することで、遺伝的関連研究における症例対照マッチングの精度を向上させること。
• 高次元ゲノムデータセットにおける固有マップ計算のメモリおよび実行時間要件を低減すること。
• 完全な行列分解を伴わずに、遺伝的類似性に基づくスケーラブルで反復的な個体クラスタリングを可能にすること。
• 大規模バイオバンクスケールの研究において、Eigenstratなどの既存ツールの実用的代替を提供すること。

提案手法

• 本手法は、N人の被験者をベースサンプルとして用い、スペクトルクラスタリングによりD次元の固有マップを構築することで、初期の計算負荷を低減する。
• マークされていない（ベースでない）被験者は、Nystrom近似を用いて固有マップ上に射影され、最近隣接クラスタに割り当てられる。
• アルゴリズムは、各クラスタにB人未満のメンバーが含まれるまで、再帰的にクラスタリングを適用することで、由来の均一性を保証する。
• クラスタリングにはWardの連結法を用い、顕著な由来次元（D）を特定するために固有値分解を実施する。
• dacGem関数は、反復的に由来クラスタを構築する。最終的な解析オプションはccMatchGem（固有マップによるマッチング）またはclusterGem（D=0まで再帰的クラスタリング）で選択可能である。
• すべての計算は、1,000を超えるサイズの行列を回避するように最適化されており、20,000人以上の被験者を含むデータセットにおいても、効率性を維持する。

実験結果

リサーチクエスチョン

• RQ1 分割統治型アプローチは、大規模な遺伝学的研究における固有マップベースの由来推定の計算コストを低減できるか？
• RQ2 局所固有マップに基づく再帰的クラスタリングは、グローバル固有マップと比較して、症例対照マッチングの精度を向上させるか？
• RQ3 Nystrom近似は、完全な行列分解を伴わずに、マークされていない被験者を由来マップに射影する際に精度を維持できるか？
• RQ4 大規模データセットにおいて、GemToolsの実行時間およびメモリ使用量は、Eigenstratなどの既存ツールと比較してどの程度優れているか？
• RQ5 局所固有マップは、より正確な遺伝的関連解析のための微細な集団構造をどの程度正確に捉えることができるか？

主な発見

• 20,000人の被験者と12,000個のSNPを含むデータセットにおいて、GemToolsは45分の実行時間とわずか6 GBのメモリ使用量で、非現実的な完全行列演算を回避した。
• アルゴリズムは、1,167個のSNPを用いた小さなテストデータセットで、大陸由来（アフリカ対ヨーロッパ）を明確に分離し、さらにサブエスニックグループ（例えば、サルディニア人、フランス＝バスク人、イローバン）を解明した。
• 行列演算のサイズを1,000未満に制限することで、標準的な固有値解析が非現実的となる大規模な研究においても、計算の現実可能性を維持した。
• 再帰的クラスタリングプロセスにより、特にアフリカ系およびヨーロッパ系サブグループで、既知の民族的グループとよく一致する由来クラスタが得られた。
• ccMatchGem関数により、d次元の固有マップを用いて、由来クラスタ内での信頼性の高い症例対照マッチングが可能になった。dはユーザー定義のしきい値によって設定された。
• D=0の顕著な固有値にまでクラスタリングを継続した場合、サブクラスタ内のすべての被験者は遺伝的に均一とみなされ、分層解析が可能になった。