[論文レビュー] IBM Functional Genomics Platform, A Cloud-Based Platform for Studying Microbial Life at Scale

Ed Seabolt, Gowri Nayar+8 more|arXiv (Cornell University)|Nov 5, 2019

Genomics and Phylogenetic Studies参考文献 27被引用数 4

ひとこと要約

IBM機能ゲノムプラットフォームは、20万件のキュレート済み細菌ゲノムをカバーする、クラウドベースのリレーショナルデータベースであり、ゲノム型対表現型関係を事前に計算・保存することで、6800万個の遺伝子、5200万個のタンパク質、2億3900万個のタンパク質ドメインを対象に、1秒未塔のクエリを可能にしている。事前にアノテートされたデータと最適化されたデータベースインデックスを活用することで、各クエリごとに繰り返し計算を要する従来のツール（例：BLAST や Bowtie2）をはるかに上回る大規模な微生物解析を加速する。

ABSTRACT

The rapid growth in biological sequence data is revolutionizing our understanding of genotypic diversity and challenging conventional approaches to informatics. With the increasing availability of genomic data, traditional bioinformatic tools require substantial computational time and the creation of ever-larger indices each time a researcher seeks to gain insight from the data. To address these challenges, we pre-computed important relationships between biological entities spanning the Central Dogma of Molecular Biology and captured this information in a relational database. The database can be queried across hundreds of millions of entities and returns results in a fraction of the time required by traditional methods. In this paper, we describe extit{IBM Functional Genomics Platform} (formerly known as OMXWare), a comprehensive database relating genotype to phenotype for bacterial life. Continually updated, IBM Functional Genomics Platform today contains data derived from 200,000 curated, self-consistently assembled genomes. The database stores functional data for over 68 million genes, 52 million proteins, and 239 million domains with associated biological activity annotations from Gene Ontology, KEGG, MetaCyc, and Reactome. IBM Functional Genomics Platform maps all of the many-to-many connections between each biological entity including the originating genome, gene, protein, and protein domain. Various microbial studies, from infectious disease to environmental health, can benefit from the rich data and connections. We describe the data selection, the pipeline to create and update the IBM Functional Genomics Platform, and the developer tools (Python SDK and REST APIs) which allow researchers to efficiently study microbial life at scale.

研究の動機と目的

• 新しいゲノムデータセットごとに繰り返しインデックス作成とアライメントを要する従来のバイオインフォマティクスワークフローにおける計算的ボトル neck を解消すること。
• キュレート済みで自己一貫性のあるゲノムを用いて、多様な細菌種にわたるゲノム型対表現型のリンクを確立するスケーラブルで集中管理されたリポジトリを構築すること。
• 遺伝子、タンパク質、ドメイン、表現型間の関係を事前に計算することで、大規模な微生物解析におけるクエリ時間を数時間から数分の1秒未塔に短縮すること。
• REST API および Python SDK を備えたプログラマブルなプラットフォームを提供し、研究者が微生物の発見を目的としたカスタムアプリケーションを構築できるようにすること。
• 生物学的エンティティ間の永続的かつ更新可能な接続を維持することで、リアルタイムのデータ統合と表現型シグネチャの発見を可能にすること。

提案手法

• プラットフォームは、公的リポジトリから20万件の高品質で自己一貫性のある細菌ゲノムを受容・キュレートし、データの一貫性と品質を保証する。
• 遺伝子予測、タンパク質翻訳、InterProScan を用いたドメイン同定といった、標準的なバイオインフォマティクスパイプラインを用いて、遺伝子、タンパク質、機能ドメインをアノテートする。
• 機能的アノテーションは、標準化されたオントロジー（Gene Ontology、KEGG、MetaCyc、Reactome）からマッピングされ、正規化されたリレーショナルデータベーススキーマに格納される。
• ゲノム、遺伝子、タンパク質、ドメイン間の多対多関係をすべて事前に計算・インデックス化することで、高速かつ複雑なクエリを可能にする。
• 1000万時間以上のコンピューティング時間を要するクラウドベースの計算パイプラインが、生の配列データを構造的でクエリ対応の可能なエンティティに変換する。
• Python SDK や REST API を含む開発者ツールにより、データベースへのプログラム的アクセスが可能となり、カスタム分析ワークフローへの統合を支援する。

実験結果

リサーチクエスチョン

• RQ1 事前に計算されたリレーショナルデータベースは、従来のアライメントベースのツールと比較して、大規模な微生物ゲノム解析におけるクエリ時間を顕著に短縮できるか？
• RQ2 何千もの細菌属にわたるスケールで、ゲノム型対表現型関係を効率的かつ一貫して表現できるか？
• RQ3 事前に計算された生物学的関係が、病原性関連の機能的特徴（例：病原性因子）の共発現をリアルタイムで発見するのにどの程度寄与できるか？
• RQ4 クラウドネイティブなプラットフォームは、大規模なリファレンスデータとユーザーがアップロードした微生物配列を統合的な分析環境でどのようにサポートできるか？
• RQ5 2億3900万個以上のタンパク質ドメインと6800万個以上の遺伝子を含み、エンティティ間の関係をインデックス化するデータベースのパフォーマンスとスケーラビリティはどの程度か？

主な発見

• IBM機能ゲノムプラットフォームは、20万件のキュレート済み細菌ゲノムにわたって、6800万個を超える固有の遺伝子、5200万個を超える固有のタンパク質、2億3900万個を超える固有のタンパク質ドメインを格納・インデックス化している。
• システムは、数億個の生物学的エンティティをカバーする複雑なマルチエンティティ関係について、1秒未塔の応答時間を実現しており、BLAST や Bowtie2 といった従来のツールをはるかに上回る性能を発揮している。
• プラットフォームは、ゲノム、遺伝子、タンパク質、ドメイン間の恒久的な接続を事前に計算・維持しており、繰り返しクエリに対してインデックス再計算の必要がない。
• 病原性関連の機能ドメインの共発現を特定するためのプロトタイプのバーライセンス要因発見アプリケーションがマイクロサービスとして構築・デプロイされ、最小限の計算リソースで利用可能になっている。
• システムはリアルタイムのデータインジェストと更新をサポートしており、既存データの再処理なしに新しいゲノム的特徴を統合可能であり、増加するシーケンシングデータ量に伴うスケーラビリティを確保している。
• プラットフォームの開発者ツール（Python SDK や REST API）は、感染症や環境微生物学を含む多様な研究分野において、カスタムアプリケーションの構築・デプロイに活用されている。