[論文レビュー] Meraculous2: fast accurate short-read assembly of large polymorphic genomes

Jarrod Chapman, Isaac Ho+2 more|arXiv (Cornell University)|Aug 2, 2016

Genomics and Phylogenetic Studies参考文献 24被引用数 11

ひとこと要約

Meraculous2 は、バブルベースのアレル的変異検出、強化されたギャップクロージャー、正確なスcaffoldingアルゴリズムを統合することで、大規模で多様性の高いゲノムのデノボゲノムアセンブリを向上させる高パフォーマンスで並列処理可能な短鎖アセンブラです。HPCシステム上で24時間以内に完全なヒトゲノムアセンブリを達成し、NA12878二倍体ゲノムデータセットにおいて、コンティグ性、完全性、正確性の面で先行するアセンブラを上回っています。

ABSTRACT

We present Meraculous2, an update to the Meraculous short-read assembler that includes (1) handling of allelic variation using "bubble" structures within the de Bruijn graph, (2) improved gap closing, and (3) an improved scaffolding algorithm that produces more complete assemblies without compromising scaffolding accuracy. The speed and bandwidth efficiency of the new parallel implementation have also been substantially improved, allowing the assembly of a human genome to be accomplished in 24 hours on the JGI/NERSC Genepool system. To highlight the features of Meraculous2 we present here the assembly of the diploid human genome NA12878, and compare it with previously published assemblies of the same data using other algorithms. The Meraculous2 assemblies are shown to have better completeness, contiguity, and accuracy than other published assemblies for these data. Practical considerations including pre-assembly analyses of polymorphism and repetitiveness are described.

研究の動機と目的

• 短鎖シーケンシングデータを用いた大規模で多様性の高いゲノムのアセンブリという課題に対処すること。
• アレル的変異の存在下でも、コンティグ性と完全性を向上させつつ高い正確性を維持すること。
• 大規模ゲノム解析ワークフローにおける計算効率とスケーラビリティを向上させること。
• JGI/NERSC Genepool などの HPC 環境に適した実用的で高パフォーマンスなソリューションを提供すること。
• 最適なアセンブリパラメータを導くために、多様性と反復性を評価する包括的な事前アセンブリ解析を統合すること。

提案手法

• de Bruijn グラフ内でのバブル構造を用いてアレル的変異をモデル化・解消し、ヘテロ接合領域の正確な表現を可能にする。
• ペアエンドおよびメイトペアリード情報を活用してコンティグを延長する、改善されたギャップクロージャー戦略を実装する。
• 信頼性の高いリンケージ情報を利用することで、正確性を損なわずにコンティグ性を最大化する、画期的なスcaffoldingアルゴリズムを導入する。
• 並列処理が高度に最適化された実装を採用することで、速度と帯域幅効率を向上させ、大規模ゲノムアセンブリを可能にする。
• パラメータ最適化のため、ゲノム全体の多様性と反復性を評価する事前アセンブリ解析パイプラインを統合する。
• JGI/NERSC Genepool などの HPC クラスタで実行され、ヒトゲノムアセンブリが24時間未塔で達成される。

実験結果

リサーチクエスチョン

• RQ1 短鎖データを用いたデノボアセンブラは、二倍体および多倍体ゲノムにおけるアレル的変異を効果的にモデル化・解消できるか？
• RQ2 エラーを引き起こさずにコンティグ性を向上させるために、ギャップクロージャーをどのように改善できるか？
• RQ3 複雑で反復性の高い領域において、正確性を損なわず、より完全なスcaffoldingを実現できるか？
• RQ4 並列処理は、大規模ゲノムアセンブリの実行時間とリソース効率をどの程度向上させられるか？
• RQ5 実際のヒト二倍体データにおいて、Meraculous2 は、コンティグ性、完全性、正確性の観点で、既存のアセンブラと比較してどう異なるか？

主な発見

• Meraculous2 は、JGI/NERSC Genepool システム上で、NA12878 二倍体ゲノムの完全なヒトゲノムアセンブリを24時間未塔で達成した。
• Meraculous2 のアセンブリは、同じデータの他の公表済みアセンブリと比較して、N50 で測定したコンティグ性が優れていた。
• 完全性が向上し、リファレンスゲノムカバレッジの割合が高く、誤アセンブリ率が低減した。
• バブル構造の使用により、ヘテロ接合領域におけるアレル的変異の正確な解消が可能となり、偽陽性および偽陰性の発生が減少した。
• 改善されたスcaffoldingアルゴリズムにより、従来の手法よりもより完全なアセンブリが得られ、正確性に悪影響を与えないでいた。
• 並列処理の実装により、実行時間が顕著に短縮され、帯域幅効率が向上し、大規模ゲノムのスケーラブルなアセンブリが可能になった。