[論文レビュー] Haplotype Assembly: An Information Theoretic View

Hongbo Si, Haris Vikalo+1 more|arXiv (Cornell University)|Apr 1, 2014

Gene expression and cancer classification参考文献 17被引用数 4

ひとこと要約

この論文は情報理論的枠組みを用いてハプロタイプアセンブリ問題を共同ソース・チャネル符号化問題として定式化し、エラージャーと誤りを伴うペアエンドシークエンシングをチャネルとしてモデル化する。エラーのない場合と誤りを含む場合の両方において、必要なリード数の順序的に最適な境界を確立し、信頼性のあるハプロタイプ再構築に必要な条件を必要十分条件として証明する。

ABSTRACT

This paper studies the haplotype assembly problem from an information theoretic perspective. A haplotype is a sequence of nucleotide bases on a chromosome, often conveniently represented by a binary string, that differ from the bases in the corresponding positions on the other chromosome in a homologous pair. Information about the order of bases in a genome is readily inferred using short reads provided by high-throughput DNA sequencing technologies. In this paper, the recovery of the target pair of haplotype sequences using short reads is rephrased as a joint source-channel coding problem. Two messages, representing haplotypes and chromosome memberships of reads, are encoded and transmitted over a channel with erasures and errors, where the channel model reflects salient features of high-throughput sequencing. The focus of this paper is on the required number of reads for reliable haplotype reconstruction, and both the necessary and sufficient conditions are presented with order-wise optimal bounds.

研究の動機と目的

• ハプロタイプアセンブリ問題を情報理論的視点から分析し、それを共同ソース・チャネル符号化問題として扱う。
• 信頼性のあるハプロタイプ再構築に必要な根本的な限界、特に必要なおよび十分なリード数を特定する。
• ペアエンドシークエンシングをエラージャーと独立した誤りを伴うチャネルとしてモデル化し、現実のシークエンシング特性を反映する。
• エラーのない状況と誤りを含む状況の両方において、正確なハプロタイプ回復に必要なリード数の順序的に最適な境界を導出する。
• 提案されたエラージャー復号法とスペクトル分割法を、既存のアルゴリズムと比較するシミュレーションを通じて理論的発見を検証する。

提案手法

• ハプロタイプアセンブリ問題を、2つのメッセージ（ハプロタイプ配列とリードの染色体所属）をチャネルを通じて符号化・送信する共同ソース・チャネル符号化問題として再定式化する。
• エラーのない状況では、チャネルモデルは各リードがSNP位置の部分集合を観測し、観測値がハプロタイプ値と染色体所属の積であると仮定する。
• 古典的情報理論を用いて再構築の必要条件を導出し、長さnのハプロタイプを回復するには少なくともΘ(n)のリードが必要であることを示す。
• 誤りを含む状況では、問題を低ランク行列回復問題として再定式化し、行列の置換理論を活用して信頼性のある再構築を可能にする。
• 共通情報に基づいて反復的にハプロタイプを回復するエラージャー復号アルゴリズムを提案し、対数要因を除いて最適なスケーリングを達成する。
• スペクトル分割法（SP）とエラージャー復号法（ED）を、HapCUT、SpeedHap、Fast Hareなどの既存手法と比較するシミュレーションで評価し、回復率を指標とする。

実験結果

リサーチクエスチョン

• RQ1 シークエンシングエラーが存在しない状況で、ドミポイドハプロタイプペアを信頼性高く再構築するために必要な最小リード数は何か？
• RQ2 独立同一分布に従うシークエンシングエラーが存在する場合、必要なリード数の根本的限界にどのように影響を与えるか？
• RQ3 情報理論的枠組みは、ノイズのある条件下で信頼性のあるハプロタイプ再構築を保証するリード数のスケーリング則を特定できるか？
• RQ4 提案されたエラージャー復号法とスペクトル分割法は、既存のハプロタイプアセンブラーと比較して回復精度とスケーラビリティの面でどのように異なるか？
• RQ5 ハプロタイプアセンブリ問題の低ランク行列解釈は、Θ(n log n)のリード数で信頼性のある再構築をどの程度可能にするか？

主な発見

• エラーのない状況では、信頼性のあるハプロタイプ再構築に必要なリード数はΘ(n)であり、ハプロタイプ配列の長さと一致する。
• 提案されたエラージャー復号アルゴリズムは、Θ(n)のリード数で信頼性のある再構築を達成し、理論的下限値に対数要因を除いて一致する。
• 誤りを含むデータでは、信頼性のある再構築に必要な十分条件がΘ(n log n)にスケーリングされ、必要条件の順序と一致する。
• シミュレーション結果から、提案されたエラージャー復号法（ED）とスペクトル分割法（SP）は、HapCUT や SpeedHap などの既存手法よりも高い回復率を達成しており、SNP数が多い場合に顕著である。
• n=700のSNPにおいて、EDとSPは複数のノイズレベルで平均回復率がそれぞれ0.997および0.990に達し、大多数の競合手法を上回る。
• 情報理論的枠組みは良好に一般化され、ハプロタイプアセンブリおよび関連するゲノム学的問題の分析に基盤を提供する。