[論文レビュー] Optimal DNA shotgun sequencing: Noisy reads are as good as noiseless reads

Seyed Abolfazl Motahari, Kannan Ramchandran+2 more|arXiv (Cornell University)|Apr 9, 2013

Algorithms and Data Compression参考文献 7被引用数 4

ひとこと要約

この論文は、i.i.d. DNA配列に対して、ノイズレベルが臨界閾値未満であれば、ノイズのあるショットガン読み取りがノイズなしの読み取りと同等に有効であることを確立している—対称的置換ノイズの場合、19%まで。主な洞察は、高カバレッジのシーケンシングにより、アラインメントと平均化による誤り訂正が可能となり、リード長がゲノム内の最長繰り返しを上回れば、ノイズは漸近的に無視可能になることである。

ABSTRACT

We establish the fundamental limits of DNA shotgun sequencing under noisy reads. We show a surprising result: for the i.i.d. DNA model, noisy reads are as good as noiseless reads, provided that the noise level is below a certain threshold which can be surprisingly high. As an example, for a uniformly distributed DNA sequence and a symmetric substitution noisy read channel, the threshold is as high as 19%.

研究の動機と目的

• ノイズのあるリード下でのDNAショットガンシーケンシングの根本的限界を特定すること。
• 漸近的領域において、ノイズが再構築性能を根本的に劣化させるかどうかを調査すること。
• ノイズのあるリードがノイズなしのリードと同等の性能を達成できる条件を同定すること。
• カバレッジ深度とリード長が、ノイズがある中でも誤り訂正を可能にする役割を分析すること。
• 再構築性能が低下する閾値としてのノイズレベルの理論的境界を確立すること—リード長に依存しない。

提案手法

• まず、同じゲノム領域をカバーする複数のノイズのあるリードを、最尤アラインメント基準に基づいてアラインメントする2段階のアセンブリ方式を提案する。
• アラインされたリードを平均化してコンSENSUS配列を生成するクリーニング手順を適用し、冗長性によるノイズ低減を実現する。
• 誤アラインメントおよび誤ったコンセンサス推定の確率を解析するために、大偏差境界を用いる。
• 相互情報量 I_read と2次のリーマンエントロピー率 H_renyi の間の臨界閾値条件 I_read > H_renyi を導出する。
• ポisson分布に基づくカバレッジ解析と和集合不等式を用い、閾値条件を満たせば全ゲノムカバレッジが達成可能であることを示す。
• 集中不等式と指数的境界を用いて、ゲノムサイズ G → ∞ のとき、再構築誤り確率が消えることを証明する。

実験結果

リサーチクエスチョン

• RQ1 ショットガンシーケンシングにおいて、ノイズのあるリードがノイズなしのリードと同等の再構築性能を達成できる条件は何か？
• RQ2 ノイズが再構築に漸近的に影響を与えないようなノイズレベルの根本的閾値は何か？
• RQ3 高カバレッジのシーケンシングは、ノイズのあるリードがある中でどのように誤り訂正を可能にするか？
• RQ4 ノイズがある場合の再構築に必要な臨界リード長は、ノイズなしの場合と同一か？
• RQ5 ノイズがある場合でも、Lander-Watermanのカバレッジ境界が漸近的にタイトに保たれるか？

主な発見

• i.i.d. DNA配列に対して、ノイズレベルが閾値未満であれば、ノイズのあるリードはノイズなしのリードと同等に有効である。具体的には、I_read > H_renyi のときである。
• 一様分布のDNA配列と対称的置換ノイズの下では、ノイズ閾値は δ* = 0.19 であり、19%までの誤読確率であっても、漸近的性能損失は生じない。
• 再構築に必要な臨界リード長は、ノイズなしの場合と同一の L > 2 / H_renyi のままであり、ノイズが最小リード長を増加させないことを示している。
• 高カバレッジのシーケンシング（G → ∞ のときカバレッジ深度 → ∞）により、同じゲノム領域からの複数のノイズのあるリードをアラインメントおよび平均化することで、効果的な誤り訂正が可能になる。
• ノイズ閾値条件を満たし、十分なカバレッジがある場合、再構築誤り確率（誤アラインメントおよび誤ったコンセンサス推定を含む）は G → ∞ のとき消える。
• すべての塩基が高確率でカバーされるためのカバレッジ条件 N > (G / L) ln(G) が成立しており、この条件はノイズが閾値未満であれば、ノイズのあるリード下でも再構築に十分である。