[論文レビュー] PhyloPythiaS+: A self-training method for the rapid reconstruction of low-ranking taxonomic bins from metagenomes

Ivan Gregor, Johannes Dröge+3 more|arXiv (Cornell University)|Jun 27, 2014

Genomics and Phylogenetic Studies参考文献 51被引用数 17

ひとこと要約

PhyloPythiaS+ は、メタゲノムのコンpositionsベースの分類的バイナリー分類器の作成を自動化する自己学習手法を導入し、熟練者の手作業によるキュレーションを自動パイプラインに置き換える。k-merのカウントを100倍高速化し、合計実行時間を3倍短縮し、低コストのハードウェアを用いてもGbサイズのメタゲノムから種および属レベルのバイナリーを完全に自動で高精度に再構築可能となる。

ABSTRACT

Metagenomics is an approach for characterizing environmental microbial communities in situ, it allows their functional and taxonomic characterization and to recover sequences from uncultured taxa. For communities of up to medium diversity, e.g. excluding environments such as soil, this is often achieved by a combination of sequence assembly and binning, where sequences are grouped into 'bins' representing taxa of the underlying microbial community from which they originate. Assignment to low-ranking taxonomic bins is an important challenge for binning methods as is scalability to Gb-sized datasets generated with deep sequencing techniques. One of the best available methods for the recovery of species bins from an individual metagenome sample is the expert-trained PhyloPythiaS package, where a human expert decides on the taxa to incorporate in a composition-based taxonomic metagenome classifier and identifies the 'training' sequences using marker genes directly from the sample. Due to the manual effort involved, this approach does not scale to multiple metagenome samples and requires substantial expertise, which researchers who are new to the area may not have. With these challenges in mind, we have developed PhyloPythiaS+, a successor to our previously described method PhyloPythia(S). The newly developed + component performs the work previously done by the human expert. PhyloPythiaS+ also includes a new k-mer counting algorithm, which accelerated k-mer counting 100-fold and reduced the overall execution time of the software by a factor of three. Our software allows to analyze Gb-sized metagenomes with inexpensive hardware, and to recover species or genera-level bins with low error rates in a fully automated fashion.

研究の動機と目的

• メタゲノムの分類的バイナリー分類において、熟練者の手作業によるキュレーションの必要性を排除すること。
• 大規模（Gbサイズ）なメタゲノムデータセットに対するスケーラブルで自動化された解析を可能にすること。
• 特別な専門知識を要せず、高い精度で種および属レベルのバイナリー分類を達成すること。
• 外部のリファレンスデータベースへの依存を減らすために、メタゲノムデータ自体から学習する自己学習フレームワークを開発すること。
• 微生物コミュニティ研究における分類的バイナリー分類の計算時間とリソース要件を大幅に削減すること。

提案手法

• この手法は、メタゲノムサンプルからマーカー遺伝子を自動的に同定することで分類的バイナリーを定義する自己学習パイプラインを用いる。
• 訓練用配列の選定という熟練者の役割を、分類的に有用な配列を同定するデータドリブンなアプローチに置き換える。
• k-mer頻度計算を100倍高速化する新しいk-merカウントアルゴリズムが、全体の実行時間を劇的に短縮する。
• ソフトウェアはコンポジションベースの分類を採用し、k-mer頻度を活用して配列を分類的バイナリーに割り当てる。
• 標準的なハードウェアでも効率的に動作するように設計されており、マイクロバイオーム研究における日常的利用が可能である。
• 生の配列データから分類的バイナリー分類までを完全に自動化し、ユーザーの関与を最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 自己学習手法は、メタゲノムの分類的バイナリー分類器を構築する際の熟練者の手作業によるキュレーションを置き換え可能か？
• RQ2 バイナリー分類の正確性を損なわずに、k-merカウントをどの程度高速化できるか？
• RQ3 自動バイナリー分類は、大規模なメタゲノムデータセットにおいて低誤差で種および属レベルの解像度を達成できるか？
• RQ4 標準的な計算ハードウェアのみを用いても、高精度で低ランクの分類的バイナリー分類が可能か？
• RQ5 熟練者によるキュレーション手法（例：PhyloPythiaS）と比較して、自己学習分類器の性能は正確性および速度面でどのように異なるか？

主な発見

• PhyloPythiaS+ における自己学習アプローチは、熟練者の手作業によるキュレーションを効果的に置き換え、バイナリー分類パイプラインの完全な自動化を実現した。
• 新規k-merカウントアルゴリズムにより、k-mer頻度計算が100倍高速化された。
• ソフトウェア全体の実行時間は、元のPhyloPythiaSと比較して3倍短縮された。
• 低価格のハードウェアを用いてGbサイズのメタゲノムの解析が可能となり、スケーラビリティが著しく向上した。
• 種および属レベルの低ランクバイナリーが低誤差で回収され、自動バイナリー分類の高精度性が裏付けられた。
• 特別な専門知識を要せず、熟練者によるキュレーション手法と同等の高いパフォーマンスと正確性を維持した。