[論文レビュー] Near-optimal RNA-Seq quantification

Nicolas Bray, Harold Pimentel+2 more|arXiv (Cornell University)|Jan 1, 2015

Genomics and Phylogenetic Studies参考文献 1被引用数 127

ひとこと要約

この論文では、未整列リードからトランスクリプトの豊度を素早く推定するために擬似アラインメントを用いる、kallistoという近似的に最適なRNA-Seq定量法が紹介されている。この手法は、最先端のツールと同等の精度を達成しながら、標準のノートパソコンで3000万本のペアエンドリードを5分未塔で処理でき、RNA-Seq解析ワークフローを著しく高速化する。

ABSTRACT

(Uploaded by Plazi for the Bat Literature Project) We present a novel approach to RNA-Seq quantification that is near optimal in speed and accuracy. Software implementing the approach, called kallisto, can be used to analyze 30 million unaligned RNA-Seq reads in less than 5 minutes on a standard laptop computer while providing results as accurate as those of the best existing tools. This removes a major computational bottleneck in RNA-Seq analysis.

研究の動機と目的

• 時間のかかるアラインメント手順に起因するRNA-Seq解析における計算上のボトルネックを解消すること。
• 完全なリードアラインメントを必要とせずに、トランスクリプト定量において近似的に最良の精度を達成する手法を開発すること。
• 標準的なハードウェア上で日常的に使用可能な、高速でスケーラブルかつ再現性のある定量を可能にすること。
• 相同遺伝子やアレル特異的発現を含む多様な生物学的状況においても高い正確性を維持するツールを提供すること。
• すべての結果と図を再現可能な標準化されたワークフローを提供するSnakefileを整備し、再現性を支援すること。

提案手法

• 本手法は、完全なアラインメントを経ずに、リードをトランスクリプトに迅速にマッピングするための擬似アラインメントを採用し、計算負荷を低減する。
• トランスクリプトームのBurrows-Wheeler変換に基づくインデックスを用いて、リードとトランスクリプトの整合性を高速に照会する。
• リードのトランスクリプトとの整合性に基づいて反復的に発現推定値を改善する期待値最大化アルゴリズムを用いて、トランスクリプトの豊度を推定する。
• リードとトランスクリプトの整合性のみが重要であり、正確なアラインメント位置までは必要でないという事実を活用する。
• 不確実性の推定にブートストラップリサンプリングを用い、再現性と統計的安定性に重点を置く。
• 標準的なノートパソコンでも効率的に動作するように実装されており、大規模なRNA-Seqデータセットのインタラクティブ解析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 完全なリードアラインメントを必要とせずに、RNA-Seq定量において近似的に最良の正確性を達成できる手法は存在するか？
• RQ2 提案手法の性能は、さまざまなデータセットにおいて、既存のツールと比較して速度と正確性の面でどう異なるか？
• RQ3 相同遺伝子やアレル特異的発現といった挑戦的な状況でも、この手法は正確に発現量を定量できるか？
• RQ4 標準的なハードウェア上で、大規模なデータセットに対しても速度と正確性を維持したままスケーリングできるか？
• RQ5 標準化されたワークフローを用いて結果を再現可能か？また、このツールは再現性をどのように支援するか？

主な発見

• kallistoは、標準のノートパソコンで3000万本の未整列ペアエンドRNA-Seqリードを5分未塔で処理でき、既存のツールと比べて著しく高速である。
• アラインメントベースの手法と比較することで検証された結果、本手法は、最高水準の既存ツールと同等の定量正確性を達成している。
• 相同遺伝子解析やアレル特異的発現の定量といった複雑な状況においても、高い正確性を維持している。
• ブートストラップリサンプリングにより信頼性の高い不確実性推定が可能であり、提供されたSnakefileを用いて結果が再現可能である。
• 擬似アラインメントの使用により、正確性を保ちながらほぼ最適に近い速度が実現され、RNA-Seq解析における主要なボトルネックを効果的に解消している。
• 異なるデータセット、特にSEQC-MAQCIIIヒトサンプルにおいても、本手法の性能は安定しており、実世界の応用における信頼性を確認している。