[論文レビュー] grenedalf: population genetic statistics for the next generation of pool sequencing

Lucas Czech, Jeffrey P. Spence+1 more|arXiv (Cornell University)|Jun 20, 2023

Genomics and Phylogenetic Studies被引用数 4

ひとこと要約

本稿では、プールシークエンシングデータのための主要な集団遺伝統計量——ヌクレオチド多様度（θ）、TajimaのD、F ST——を高速に計算する高パフォーマンスなC++コマンドラインツール、grenedalfを紹介する。既存のツールの限界を補い、処理速度が桁違いに速く、さまざまな入力フォーマットをサポートし、低カバレッジおよび小プールのシークエンシング実験におけるサンプリングノイズを補正するバイアスのない推定器を提供する。

ABSTRACT

Pool sequencing is an efficient method for capturing genome-wide allele frequencies from multiple individuals, with broad applications such as studying adaptation in Evolve-and-Resequence experiments, monitoring of genetic diversity in wild populations, and genotype-to-phenotype mapping. Here, we present grenedalf, a command line tool written in C++ that implements common population genetic statistics such as $θ$, Tajima's D, and FST for Pool sequencing. It is orders of magnitude faster than current tools, and is focused on providing usability and scalability, while also offering a plethora of input file formats and convenience options.

研究の動機と目的

• 集団遺伝学におけるプールシークエンシングデータの分析に、スケーラブルで使いやすく、統計的に堅牢なツールが不足している問題を解決すること。
• プールシークエンシング実験における個体およびリードの有限サンプリングに起因するアレル頻度推定のバイアスを是正すること。
• 数千のサンプルを含む大規模データセットにおいて、θ、TajimaのD、F STといったコア統計量を効率的に計算できること。
• HAF-pipeやその他のHARPベースの手法からの周辺頻度入力をサポートすることで、現代のプールシークエンシングパイプラインに統合できること。
• モジュラー設計、マルチフォーマット入力対応、データのフィルタリングおよびマージのための便利ツールを備えることで、使いやすさを向上させること。

提案手法

• プールシークエンシングのノイズを考慮した、ヌクレオチド多様度（π）、Wattersonのθ、TajimaのD、NeiおよびHudsonのF STのバイアスのない推定器を再導出し、実装する。
• 入力ファイルフォーマットを抽象化するため、リファレンス/アレルニクレオチドとサンプル固有の塩基カウントを含む統一されたVariantデータ型を採用する。
• 複数の入力ファイル（例：SAM、mpileup、VCF、表形式）を並列にストリーム処理し、同期化するVariantイテレータを採用し、スレッド並列処理を可能にする。
• ウィンドウベースの解析とストリーム処理されたゲノム位置上の統計量の直接計算をサポートし、パフォーマンス向上のためのオプションバッファリングを備える。
• 高速なgenesis C++ライブラリを基盤とし、将来的な新しいファイルフォーマットや統計量の拡張に対しても最適な速度とモularityを確保する。
• 生物情報学開発者によるアクセス性を高めるため、Pythonバインディングのロードマップを提供する。

実験結果

リサーチクエスチョン

• RQ1 有限のプールおよび低カバレッジのシークエンシングによるサンプリングノイズがバイアスを引き起こすプールシークエンシングデータにおいて、集団遺伝統計量をどのように正確に推定できるか？
• RQ2 PoPoolation や poolfstat といった既存ツールが、特に小サンプルサイズおよび低カバレッジ条件下でTajimaのDおよびF STを推定するにあたり、統計的な欠陥を示すのはどのような点か？
• RQ3 多様な入力フォーマットをサポートしながらも、正確性と使いやすさを維持した、モジュラーで高パフォーマンスなC++ツールを設計可能か？
• RQ4 HAF-pipe やその他のHARPベースのパイプラインからのアレル頻度データを、生のリードカウントを必要とせずに、直接集団遺伝統計分析に使用できるか？
• RQ5 Perl や R や C で書かれたレガシーツールと比較して、現代的で最適化されたC++実装により、どのようなパフォーマンス向上とスケーラビリティの向上が達成できるか？

主な発見

• 著者らは、PoPoolationに以前から実装されていたTajimaのD推定器に長年のバイアスが存在することを特定し、その後のバグ修正でも解消されていなかったことを特定した。
• PoPoolation2（KoflerとKarlsson）のF ST推定器は、低カバレッジおよび小プール条件下で系統的に上向きにバイアスがかかることが示された。
• π_within、π_between、π_totalの新しいバイアスのない推定器により、特に低カバレッジおよび小サンプルのプールシークエンシング実験において、より正確なF ST推定が可能になった。
• grenedalfは、既存ツールと比較して桁違いの高速化を達成し、数千のプールシークエンシングサンプルを含むデータセットの効率的解析を可能にした。
• SAM、mpileup、VCF、および表形式の頻度ファイルといった幅広い入力フォーマットを、統一的かつ拡張可能なVariant抽象化によりサポートした。
• HAF-pipeから得られる事前に計算されたアレル頻度を直接処理できるため、現代のプールシークエンシングパイプラインへのシームレスな統合が可能になり、計算オーバーヘッドが削減された。