[論文レビュー] Ococo: an online variant and consensus caller

Karel Břinda, Valentina Boeva+1 more|arXiv (Cornell University)|Dec 4, 2017

Genomics and Phylogenetic Studies参考文献 11被引用数 3

ひとこと要約

OCOCOは、未ソートのBAM/SAMストリームからリアルタイムに単一ヌクレオチド多型（SNV）とゲノムコンSENSUSを推定する最初のオンラインバリアントコールャーであり、ヌクレオチド頻度を格納するためのコンactなビット最適化カウンタを用いる。伝統的なパイプライン（SAMtools や VarScan）と比較して最大66倍の高速化を達成しながらも、高い正確性（20倍のカバレッジで97.3％のSNPリcall）を維持しており、リソース制限のある環境やストリーミングゲノムワークフローに最適である。

ABSTRACT

Motivation: Identifying genomic variants is an essential step for connecting genotype and phenotype. The usual approach consists of statistical inference of variants from alignments of sequencing reads. State-of-the-art variant callers can resolve a wide range of different variant types with high accuracy. However, they require that all read alignments be available from the beginning of variant calling and be sorted by coordinates. Sorting is computationally expensive, both memory- and speed-wise, and the resulting pipelines suffer from storing and retrieving large alignments files from external memory. Therefore, there is interest in developing methods for resource-efficient variant calling. Results: We present Ococo, the first program capable of inferring variants in a real-time, as read alignments are fed in. Ococo inputs unsorted alignments from a stream and infers single-nucleotide variants, together with a genomic consensus, using statistics stored in compact several-bit counters. Ococo provides a fast and memory-efficient alternative to the usual variant calling. It is particularly advantageous when reads are sequenced or mapped progressively, or when available computational resources are at a premium.

研究の動機と目的

• ソート済みアライメントと大容量の外部ストレージを必要とする伝統的なオフラインバリアントコールパイプラインが抱える計算およびI/Oのボトル neck を解消すること。
• 完全なデータセットが揃うまで待たずに、アライメントがストリームで入ってくる段階でリアルタイムにバリアント検出とコンセンサス配列生成を可能にすること。
• ゲノム位置ごとに数ビットのカウンタのみを用いてヌクレオチド頻度を追跡し、コンセンサスからの逸脱を検出する、メモリ効率の良い手法を設計すること。
• ポータブルデバイスやリソース制限のあるクラウド環境、または動的マッピングワークフローに適した高速で軽量な代替手法を提供すること。

提案手法

• OCOCOは、A、C、G、Tヌクレオチドごとに1位置あたり4つの3ビットカウンタを用いて、未ソートのBAM/SAMアライメントをリアルタイムに処理する。
• カウンターオーバーフローを防ぐためにビットシフト機構を採用：カウンターが飽和すると、位置のすべてのカウンターが右シフトされ、最下位ビットが破棄される。
• コンセンサス配列はリファレンスから初期化され、ヌクレオチドカウントが現在のコンセンサスから著しく逸脱した場合に更新される。これは、潜在的なバリアントを示唆する。
• 非コンセンサスヌクレオチドが閾値頻度に達するとバリアント検出がトリガーされ、変化は置換（例：A→G）として報告される。
• コンactなカウンタを用いた高速ビット演算により、定数時間での更新と効率的なメモリ使用が可能になる。
• アルゴリズムは頻度閾値とカウンターサチュアレーションの挙動に依存することで、ランダムなシークエンシングエラーを効果的にフィルタリングする。

実験結果

リサーチクエスチョン

• RQ1 未ソートの配列アライメントから、完全なデータセットのソートを要せずリアルタイムにバリアントコールが可能か？
• RQ2 メインメモリ上にヌクレオチド頻度統計をどのようにコンパクトに表現できるか？
• RQ3 限られた精度を持つカウンターベースシステムは、標準パイプラインと比較してSNP検出の正確性をどの程度維持できるか？
• RQ4 バリアントコールにおいてソート処理と外部I/Oを排除することで、どのようなパフォーマンスとメモリのトレードオフが生じるか？
• RQ5 このようなオンラインシステムは、実世界のゲノムワークフローにおいて、競争力のある速度と正確性を達成できるか？

主な発見

• シミュレーテッドChlamydia trachomatisデータを5倍カバレッジで処理した段階で、OCOCOは92.2％のSNVリコールを達成し、20倍カバレッジでは97.3％まで上昇した。
• iMac（SSD搭載、40 GB RAM）上でChlamydiaゲノムに対して、標準のSAMtools + VarScanパイプラインと比較して66倍の高速化を達成した。
• ヒト染色体17（78.7 Mb）において、5倍と20倍カバレッジでそれぞれ91.3％および96.1％のSNPリコールを達成し、スケーラビリティを示した。
• より大きなヒト染色体ではCPUキャッシュミスが増加したため、速度向上は55倍に低下し、長大ゲノムにおけるスケーリングの課題が浮き彫りになった。
• OCOCOは、最小限のI/Oおよびメモリオーバーヘッドで高品質なコンセンサス配列をリアルタイムに生成でき、ストリーミングまたは埋め込み用途に適している。
• 頻度ベースの閾値処理とカウンターサチュエーションにより、ランダムなシークエンシングエラーが効果的にフィルタリングされ、高い特異性が維持された。