[論文レビュー] Minimap2: versatile pairwise alignment for nucleotide sequences

Heng Li|arXiv (Cornell University)|Aug 4, 2017

Genomics and Phylogenetic Studies被引用数 23

ひとこと要約

Minimap2 は、超長ゲノムリード、全長mRNA、および大規模コンティグを含む長大なヌクレオチド配列向けに設計された高速で多様性に富んだアラインメントツールである。スプリットリードアラインメント、凹型ギャップペナルティ、および新規ヒューリスティクスを用いることで、短鎖マッパー比で3–4倍の高速化を達成し、高精度な設定では30倍以上の高速化を実現。多様なデータタイプにおいて、専用アラインャーを上回る性能を発揮する。

ABSTRACT

Motivation: Recent advances in sequencing technologies promise ultra-long reads of $\sim$100 kilo bases (kb) in average, full-length mRNA or cDNA reads in high throughput and genomic contigs over 100 mega bases (Mb) in length. Existing alignment programs are unable or inefficient to process such data at scale, which presses for the development of new alignment algorithms. Results: Minimap2 is a general-purpose alignment program to map DNA or long mRNA sequences against a large reference database. It works with accurate short reads of $\ge$100bp in length, $\ge$1kb genomic reads at error rate $\sim$15%, full-length noisy Direct RNA or cDNA reads, and assembly contigs or closely related full chromosomes of hundreds of megabases in length. Minimap2 does split-read alignment, employs concave gap cost for long insertions and deletions (INDELs) and introduces new heuristics to reduce spurious alignments. It is 3-4 times faster than mainstream short-read mappers at comparable accuracy and $\ge$30 times faster at higher accuracy for both genomic and mRNA reads, surpassing most aligners specialized in one type of alignment. Availability and implementation: this https URL Contact: [e-mail]

研究の動機と目的

• 現在のツールが効率的に処理できない、最大100 kbの超長配列リードおよび100 Mbを超える大規模ゲノムコンティグのアラインメントという、増大する課題に対処すること。
• 短鎖リード、長大ゲノムリード、全長cDNA/mRNA、および大規模コンティグを含む多様なデータタイプにわたって良好に動作する単一のアラインメントツールを開発すること。
• 凹型ギャップコストモデルを用いて、長大な挿入・欠失（INDEL）のアラインメント精度を向上させること。
• 新しいヒューリスティクスフィルタリング戦略により、誤検出のアラインメントを低減すること。
• 特に高精度設定下での既存アラインャー比で顕著な高速化を達成すること。

提案手法

• 複雑な構造的変異を有する長大リードを処理するため、スプリットリードアラインメントを採用する。
• 構造的バリアントのアラインメント精度を向上させるために、長大INDELをよりよくモデル化する凹型ギャップコスト関数を適用する。
• 誤検出のアラインメントを低減するため、新規ヒューリスティクスを導入する。
• 長大配列のインデックス作成とアラインメントに効率的なシードアンドエクステンドヒューリスティクスを最適化する。
• 複数の入力タイプをサポートする：短鎖リード（≥100 bp）、長大ゲノムリード（≥1 kb、約15%の誤り率）、全長cDNA/mRNA、および大規模コンティグまたは染色体。
• 配列長および誤りプロファイルに応じて動的に適応する一般化アルゴリズムを用いる。

実験結果

リサーチクエスチョン

• RQ1 1つのアラインメントアルゴリズムが、最大100 kbの超長リードおよび100 Mbを超える大規模ゲノムコンティグを、効率的かつ高精度にマッピングできるか？
• RQ2 凹型ギャップコストモデルは、ノイズの多い長大リードにおける長大INDELのアラインメント精度をどのように向上させ得るか？
• RQ3 どのヒューリスティクスが、感度を損なわず、誤検出のアラインメントを効果的に低減できるか？
• RQ4 統合アルゴリズムは、多様なデータタイプにわたって、専用アラインャーをどれほど上回るスピードと精度を発揮できるか？
• RQ5 既存ソリューション比で、桁違いの高速化を達成しつつ、高精度を維持できるか？

主な発見

• Minimap2 は、同等の精度水準で主流の短鎖マッパー比で3–4倍の高速化を達成している。
• ゲノムリードおよびmRNAリードの高精度設定において、既存ツール比で30倍以上も高速化されている。
• ノイズの多い全長cDNAおよび長大ゲノムリードを含む多様なデータタイプにおいて、高精度のアラインメントを維持している。
• 凹型ギャップコストの使用により、長大挿入および欠失のアラインメント品質が顕著に向上している。
• 新規ヒューリスティクスにより、誤検出のアラインメントが低減され、感度を損なわず特異性が向上している。
• 特定のアラインメントタイプに特化した多数のアラインャーを上回り、広範な多様性を示している。