[論文レビュー] QuorUM: an error corrector for Illumina reads

Guillaume Marçais, James A. Yorke+1 more|arXiv (Cornell University)|Jul 12, 2013

Genomics and Phylogenetic Studies被引用数 1

ひとこと要約

QuorUMは、固定しきい値を避けるために、適応的トリミングを用いて誤検出k-mersを最小限に抑え、真のk-mersを最大化することで、Illuminaリードのエラー補正を最適化するk-mersベースのエラー補正ツールである。この手法により、競合ツールに比べてより多くの完全リードを生成し、より大きな理想化されたコンティグを達成する。また、1コアあたり10億ベースのエラー補正が1日で可能であり、高いスループットを実現している。

ABSTRACT

Motivation: Illumina Sequencing data can provide high coverage of a genome by relatively short (100 bp150 bp) reads at a low cost. Our goal is to produce trimmed and error-corrected reads to improve genome assemblies. Our error correction procedure aims at producing a set of error-corrected reads (1) minimizing the number of distinct false k-mers, i.e. that are not present in the genome, in the set of reads and (2) maximizing the number that are true, i.e. that are present in the genome. Because coverage of a genome by Illumina reads varies greatly from point to point, we cannot simply eliminate k-mers that occur rarely. Results: Our software, called QuorUM, provides reasonably accurate correction and is suitable for large data sets (1 billion bases checked and corrected per day per core). Availability: QuorUM is distributed as an independent software package and as a module of the MaSuRCA assembly software. Both are available under the GPL open source license at http://www.genome.umd.edu. Contact: [e-mail]

研究の動機と目的

• Illuminaリードにおいて、誤検出k-mersを最小限に抑え、真のk-mersを最大化するエラー補正ツールの開発。
• 低カバレッジ領域における固定しきい値k-mersフィルタリングの限界の解消。
• より長い、より正確なコンティグの生成により、デノボゲノムアセンブリの改善。
• 過剰なトリミングを避けるために、過剰なエラー補正と有効な配列の保持のバランスをとる。

提案手法

• 固定しきい値を用いないk-mersカウント手法を採用し、k-mersカバレッジの急激な低下を検出することでトリミングをトリガーする。
• k-mersカバレッジが急激に低下する地点でリードをトリミングし、可能な限り低カバレッジ領域を保持する。
• 挿入や欠失エラーの補正には焦点を当てない。
• 低カバレッジによる有効な配列の破棄を避ける品質最適化戦略を採用する。
• スタンドアロンツールとして動作し、MaSuRCAアセンブラにも統合されている。
• 複数コアに線形にスケーリングされ、1コアあたり約10億ベースのエラー補正が1日で可能である。

実験結果

リサーチクエスチョン

• RQ1 Illuminaリードにおいて、誤検出k-mersを最小限に抑えつつ真のk-mersを保持するエラー補正はどのように最適化できるか？
• RQ2 低カバレッジ領域において、カバレッジ低下に基づく適応的トリミングは、固定しきい値k-mersフィルタリングを上回る性能を示せるか？
• RQ3 QuorUMは、他のエラー補正ツールと比較して、完全リードの生成と理想化されたコンティグサイズにどのように差をつけるか？
• RQ4 トリミング戦略がキメラリードの形成とアセンブリ品質に及ぼす影響はどの程度か？

主な発見

• マウスゲノムにおいて、QuorUMは最多の完全リード（81,995個）を生成し、完全リードの合計配列長は元の配列の81.995%に達した。
• テストされたすべてのゲノムで最大の理想化N50およびEサイズ値を達成し、アセンブリにおける優れたコンティグイティを示した。
• Quake、HiTec、Coralよりもキメラリードを生成する数が少なく、完全リードの生成量でもそれらを上回った。
• トリミングを一部行っているにもかかわらず、Echo、Coral、HiTecのような非トリミング補正ツールよりも多くの完全リードを生成した。
• Quakeは過剰なトリミングにより有効な配列を減少させたが、QuorUMは有効な配列の保持を優先し、その点で優れた性能を示した。
• エラー補正と配列保持のバランスを図った結果、ゲノムアセンブリ全体で最も優れたパフォーマンスを達成した。