[論文レビュー] Haplotype-Aware Long-Read Error Correction

Barak, Parvesh, Gibney, Daniel+1 more|arXiv (Cornell University)|Nov 4, 2014

Complexity and Algorithms in Graphs参考文献 2被引用数 7

ひとこと要約

この論文は、最大カット（max-cut）問題からの還元を用いて、ハイパーキューブ2セグメンテーション（H2S）問題のNP困難性を証明する。H2Sは、クラスタの和のℓ1ノルムの和を最大化するようにバイナリーベクトルを分割することを含み、計算的に困難であることが示され、ゲノムにおけるハプロタイプに配慮した長距離リードエラー補正に関する計算生物学およびクラスタリング理論における長年の未解決問題が解けた。

ABSTRACT

Error correction of long reads is an important initial step in genome assembly workflows. For organisms with ploidy greater than one, it is important to preserve haplotype-specific variation during read correction. This challenge has driven the development of several haplotype-aware correction methods. However, existing methods are based on either ad-hoc heuristics or deep learning approaches. In this paper, we introduce a rigorous formulation for this problem. Our approach builds on the minimum error correction framework used in reference-based haplotype phasing. We prove that the proposed formulation for error correction of reads in de novo context, i.e., without using a reference genome, is NP-hard. To make our exact algorithm scale to large datasets, we introduce practical heuristics. Experiments using PacBio HiFi sequencing datasets from human and plant genomes show that our approach achieves accuracy comparable to state-of-the-art methods. The software is freely available at https://github.com/at-cg/HALE.

研究の動機と目的

• ハイパーキューブ2セグメンテーション（H2S）問題のNP困難性を確立すること。これは、先行研究で主張されてはいたが、証明がなされていなかった。
• 計算生物学におけるバイクラスタリングおよびセグメンテーション問題の理論的基盤におけるギャップを解消すること。
• 既知のNP困難問題から最大カット（max-cut）問題への正式な還元を提供し、H2Sの計算的困難性を示すこと。
• 特に長距離リードシーケンシングのエラー補正を含むゲノムデータ解析の文脈において、H2Sの複雑さを検証すること。

提案手法

• ハダマード符号に基づく構成を用いて、最大カット（max-cut）問題をH2S問題に還元する。
• Mn個の次元Mmのベクトルを含むH2Sインスタンスを構築する。ここでMは2のべきであり、M = O(n²m²)である。
• グラフの辺ごとにベクトルブロックを割り当てる：頂点が先頭の場合は+1、尾部の場合は−1とし、非隣接頂点にはハダマード符号語を用いる。
• クラスタ和のℓ1ノルムの最大化を目的関数とする。これはクラスタ中心との一致を最大化することと等価である。
• 命題2を適用して、ハダマード符号語の和のℓ1ノルムをM³/²で上界付ける。
• yesインスタンスとnoインスタンスにおける解の値を比較し、最適解を分離するギャップを示す。

実験結果

リサーチクエスチョン

• RQ1 以前の研究で主張されてはいたが証明がなされていなかったように、ハイパーキューブ2セグメンテーション問題はNP困難であるか？
• RQ2 既知のNP困難問題からの正式な還元によって、H2SのNP困難性を確立できるか？
• RQ3 max-cutからH2Sへの還元は、yesインスタンスとnoインスタンスの間のギャップを保持するか。これにより近似困難性が保証されるか？
• RQ4 還元においてyesインスタンスとnoインスタンスを分離するために必要なMの最小値は何か？

主な発見

• ハイパーキューブ2セグメンテーション問題は、最大カット問題からの還元を用いてNP困難であることが証明された。
• 還元は、非隣接頂点の寄与をモデル化するためハダマード符号語を用い、符号語集合ごとのℓ1ノルムがM³/²で上界付ける。
• yesインスタンス（c本の辺がカットされる）では、解の値が少なくともc(2M² − (n−2)M³/²)以上である。
• noインスタンス（カットされる辺数がc−1を超えない）では、解の値が2M²∑ₑye + √2(n−2)mM³/²以下であり、∑ₑye ≤ c−1である。
• M > 2m²n²のとき、yesインスタンスにおける最適解が厳密に高い値をとることで、yesとnoインスタンスの間のギャップが達成される。
• H2Sが特別な場合であるため、[5]の予想（モノクローマティックバイクラスタリングはドントケア記号がなくてもNP困難）が確認された。