[論文レビュー] Matrix eQTL: Ultra fast eQTL analysis via large matrix operations

Andrey A. Shabalin|arXiv (Cornell University)|May 29, 2011

Genetic Mapping and Diversity in Plants and Animals参考文献 13被引用数 472

ひとこと要約

Matrix eQTL は、R や Matlab における大規模な行列演算を活用して、線形回帰および分散分析（ANOVA）モデルを用いたトランスクリプト-遺伝 SNP 連関の解析を実行する、極めて高速な eQTL 分析ツールである。従来のツールと比較して、100〜1000倍以上も高速化され、1台のデスクトップマシンでも大規模な eQTL 分析を実行可能にした。共変量、異分散性、相関のある誤差をサポートし、大規模データセット（例えば、線維症関連研究など）におけるモデル比較、品質管理、パーミュテーション検定の高速化を実現した。

ABSTRACT

Expression quantitative trait loci (eQTL) mapping aims to determine genomic regions that regulate gene transcription. Expression QTL is used to study the regulatory structure of normal tissues and to search for genetic factors in complex diseases such as cancer, diabetes, and cystic fibrosis. A modern eQTL dataset contains millions of SNPs and thousands of transcripts measured for hundreds of samples. This makes the analysis computationally complex as it involves independent testing for association for every transcript-SNP pair. The heavy computational burden makes eQTL analysis less popular, often forces analysts to restrict their attention to just a subset of transcripts and SNPs. As larger genotype and gene expression datasets become available, the demand for fast tools for eQTL analysis increases. We present a new method for fast eQTL analysis via linear models, called Matrix eQTL. Matrix eQTL can model and test for association using both linear regression and ANOVA models. The models can include covariates to account for such factors as population structure, gender, and clinical variables. It also supports testing of heteroscedastic models and models with correlated errors. In our experiment on large datasets Matrix eQTL was thousands of times faster than the existing popular software for QTL/eQTL analysis. Matrix eQTL is implemented as both Matlab and R packages and thus can easily be run on Windows, Mac OS, and Linux systems. The software is freely available at the following address: http://www.bios.unc.edu/research/genomic_software/Matrix_eQTL

研究の動機と目的

• 大規模データセットにおけるトランスクリプト-遺伝 SNP ペアの数十億回のテストによって引き起こされる eQTL 分析の計算ボトルネックを解消すること。
• 高性能コンピューティングクラスタを必要とせず、標準的なデスクトップハードウェアでも高速でスケーラブルな eQTL 分析が可能な手法を開発すること。
• 共変量、異分散性、相関のある誤差を含む柔軟な線形モデルをサポートすることで、統計的正確性を向上させること。
• 迅速なモデル比較、事前処理の検定、パーミュテーションベースの有意水準推定を促進すること。

提案手法

• コアとなる eQTL 連関検定を、特に行列乗算を含む大規模な行列演算として定式化し、最適化された BLAS ライブラリを活用する。
• すべてのモデルパラメータを明示的に推定せずに、中心化および射影技術を用いて検定統計量（例：F 統計量）を計算する。
• 遺伝子型および発現データを共変量に直交する空間に射影することで、共変量を含むモデルを実装する。
• 既知の共分散行列 K の逆平方根を用いたデータ変換により、異分散性および相関のある誤差モデルをサポートする。
• ループの遅さを避けるために、高水準言語（R/Matlab）のパフォーマンスを活かし、行列代数の形でアルゴリズムを表現する。
• 将来のバージョンでは CUDA を用いた GPU 加速を実装し、CPU 基盤の計算と比較して約 10 倍のパフォーマンス向上が見込まれる。

実験結果

リサーチクエスチョン

• RQ1 大規模データセットにおける完全な eQTL 分析が、1台のデスクトップマシンで実現可能になるまで、eQTL 分析をどれだけ高速化できるか。
• RQ2 eQTL 分析において、従来のループベース実装と比較して、行列ベースの計算はどれだけ高速化できるか。
• RQ3 共変量、異分散性、相関のある誤差を含む柔軟な線形モデルを、高性能フレームワークにどれだけ統合できるか。
• RQ4 性能向上のおかげで、大規模な eQTL スタディにおける正確な有意水準推定のためのパーミュテーション検定が実用的に行えるようになるか。

主な発見

• 線維症研究に用いられた 840 例のデータセットにおいて、Matrix eQTL は Plink や Merlin、R/qtl、eMap、FastMap といった従来のツールと比較して、数百〜数千倍の高速化を達成した。
• 4,096×4,096 の行列乗算タスクにおいて、Matlab や Revolution R に Intel KML を使用した Matrix eQTL は 4.3 秒の実行時間であった。これは、一般の BLAS を使用した R（80〜90 秒）や ATLAS を使用した R（15 秒）を大きく上回った。
• NVIDIA GTX 480 を用いた GPU 加速版では、同じ行列乗算タスクがたったの 0.25 秒で実行可能であり、CPU 基盤の方法と比較して約 10 倍の性能向上が示唆された。
• Matrix eQTL を用いることで、1台のマシンで大規模データセットの完全な eQTL 分析が数分〜数時間で完了した。一方、他のツールではクラスタ上で複数週間の処理が必要であった。
• 共変量、異分散性、相関のある誤差を含む複雑なモデリングを、データ変換により実現し、モデルの柔軟性を損なわず、高い速度を維持した。
• ソフトウェアはクロスプラットフォームの R および Matlab パッケージとして提供されており、Windows、Mac OS、Linux システムとの広範な互換性とアクセス可能性を確保している。