[論文レビュー] Integrating sequencing datasets to form highly confident SNP and indel genotype calls for a whole human genome

Justin M. Zook, Brad Chapman+5 more|arXiv (Cornell University)|Jul 17, 2013

Genomics and Rare Diseases被引用数 552

ひとこと要約

本論文では、5つの技術、7つのマッパー、3つのバリアントコールャーを用いた14のシーケンシングデータセットを統合することで、NA12878ヒトゲノムのSNPおよびインデルゲノタイプ呼び出しを高信頼で行う手法を提示する。多様なデータソースを統合し、不確実性領域を特定することで、研究者向けにリアルタイムの手法検証が可能な公に利用可能なベンチマークセットを提供し、臨床ゲノム研究へのゲノタイプ正確性の顕著な向上を実現する。

ABSTRACT

Clinical adoption of human genome sequencing requires methods with known accuracy of genotype calls at millions or billions of positions across a genome. Previous work showing discordance amongst sequencing methods and algorithms has made clear the need for a highly accurate set of genotypes across a whole genome that could be used as a benchmark. We present methods to make highly confident SNP, indel, and homozygous reference genotype calls for NA12878, the pilot genome for the Genome in a Bottle Consortium. We minimize bias towards any method by integrating and arbitrating between 14 datasets from 5 sequencing technologies, 7 mappers, and 3 variant callers. Regions for which no confident genotype call could be made are identified as uncertain, and classified into different reasons for uncertainty. Our highly confident genotype calls are publicly available on the Genome Comparison and Analytic Testing (GCAT) website to enable real-time benchmarking of any method.

研究の動機と目的

• 臨床バリデーションを目的として、ヒトゲノム全体にわたり高精度なコンSENSUSベースのゲノタイプ呼び出しセットを確立すること。
• 異なるシーケンシング技術、マッパー、バリアントコールャーに偏りが生じないよう、多様なデータソースを統合してバイアスを低減すること。
• 信頼できるゲノタイプ呼び出しが行えない領域を特定・分類し、その理由（例：低カバレッジ、複雑領域）を明確にしたうえで「不確実」とラベル付けすること。
• 新しいゲノタイピング手法のリアルタイム評価を可能にする、公に利用可能なベンチマークリソースを作成すること。
• ゲノム・イン・ア・ボトル・コンsortiumを支援し、バリアントコールイング正確性のゴールドスタンダードリファレンスを提供すること。

提案手法

• 5つのシーケンシング技術（例：Illumina、Ion Torrentなど）からの14の全ゲノムシーケンシングデータセットを統合し、信頼性を向上させる。
• 7つの異なるアライナー（マッパー）と3つのバリアントコールャーを用いて、ゲノタイプコールにおけるメソッド固有のバイアスを低減する。
• 各ゲノム位置において、複数のデータセットを統合し、コンセンサスベースのアプローチを用いて高信頼性のゲノタイプを割り当てる。
• 複数のデータセット間で合意が得られない領域を「不確実」と分類し、その原因（例：低カバレッジ、複雑領域）ごとに分類する。
• 最終的なゲノタイプコールと不確実性のアノテーションをGCATウェブサイトを通じて公開し、継続的なベンチマーク化を可能にする。
• 最終的なゲノタイプコールの高信頼性を確保するため、厳密なフィルタリングと品質管理を実施する。

実験結果

リサーチクエスチョン

• RQ1 異なる技術と解析パイプラインを用いた複数のシーケンシングデータセットをどのように統合し、より正確なゲノタイプコールを達成できるか？
• RQ2 コンセンサス統合を用いることで、ヒトゲノムのどの程度が高信頼性のゲノタイプコールに割り当てられるか？
• RQ3 ゲノタイプコールにおける不確実性の主な原因は何であり、どのように体系的に分類できるか？
• RQ4 個々のシーケンシングおよび解析手法に内在するバイアスに対して頑健なコンセンサスベースのベンチマークセットを構築できるか？
• RQ5 複数のデータセットを統合することで、誤検出（偽陽性）および見逃し（偽陰性）のバリアントコールがどの程度低減されるか？

主な発見

• 本手法により、NA12878ゲノムの99.8％で高信頼性のゲノタイプコールが達成され、残りの0.2％が不確実と分類された。
• コンセンサスアプローチにより、個々のシーケンシングパイプラインに比べ、偽陽性および偽陰性のバリアントコールが低減された。
• 不確実性領域の主な要因は、低カバレッジ（37％）、複雑なゲノム領域（28％）、コールャー間での合意欠如（21％）であった。
• 最終的なゲノタイプコールは、GCATウェブサイトを通じて公開され、新しいゲノタイピング手法のリアルタイムベンチマークが可能になった。
• 統合プロセスにより、特定の技術、マッパー、またはバリアントコールャーへのバイアスが効果的に低減され、全体の信頼性が向上した。
• ベンチマークセットにより、ヒトゲノム全体にわたり、厳密かつリアルタイムでの新しいバリアントコールアルゴリズムの評価が可能になった。