[論文レビュー] Robust haplotype-resolved assembly of diploid individuals without parental data

Haoyu Cheng, Erich D. Jarvis+5 more|arXiv (Cornell University)|Sep 10, 2021

Genomics and Phylogenetic Studies参考文献 18被引用数 16

ひとこと要約

本稿では、両親のシーングィングを必要とせず、PacBio HiFiおよびHi-Cデータのみを用いて、安定したハプロタイプ分解能を有する二倍体ゲノムのアセンブリを可能にする、単一実行可能ファイルの新規アルゴリズムを提示する。ハイブリッドアセンブリグラフにHi-C由来の長距離ハプロタイピングを統合し、ユニチグを2つのハプロタイプに分割するための最大カット問題を解くことで、ペディグリーに基づく手法と同等またはそれを上回る品質の連続的で高品質な二倍体アセンブリを生成する。

ABSTRACT

Routine single-sample haplotype-resolved assembly remains an unresolved problem. Here we describe a new algorithm that combines PacBio HiFi reads and Hi-C chromatin interaction data to produce a haplotype-resolved assembly without the sequencing of parents. Applied to human and other vertebrate samples, our algorithm consistently outperforms existing single-sample assembly pipelines and generates assemblies of comparable quality to the best pedigree-based assemblies.

研究の動機と目的

• 単一サンプルで両親データを必要としない、安定したハプロタイプ分解能アセンブリ手法の開発。
• ハプロタイプを統合してしまうか、断片的な代替アセンブリを生成してしまう既存のアセンブラの限界を克服すること。
• フェーズ化されたHiFiアセンブリグラフと、ハイクロマチン相互作用データ（Hi-C）を統合し、長距離ハプロタイピングを実現すること。
• フェージング、マッピング、アセンブリを統合した1つの効率的なパイプラインにすることで、外部ツールへの依存を排除すること。
• HiFiおよびHi-Cデータを30×のカバレッジで使用するだけで、ペディグリーに基づく手法に匹敵またはそれを上回るアセンブリ品質を達成すること。

提案手法

• 本手法は、各ノードが正しいフェージングを有するユニチグで、エッジがオーバーラップを表すフェーズ化されたhifiasmアセンブリグラフ上で動作する。
• Hi-C短鎖リードをユニチグ内の31-merにマッピングし、同じHi-Cリードペアからマッピングされた断片を共有するユニチグ間に「リンク」を追加する。
• ユニチグの分割問題を、多くの共有Hi-Cリンクを持つユニチグを同じハプロタイプにグループ化するためのグラフ最大カット最適化問題として定式化する。
• 局所最適解に陥るのを防ぐために、グラフのトポロジーを考慮し、バブル構造とペアワイズアラインメントにより同義的ユニチグペアを同定するヒューリスティクスを用いて、確率的シミュレートアニーリングアルゴリズムで近似的最適解を探索する。
• 最後に、hifiasmのグラフバインディング戦略を再利用し、非重複でハプロタイプ分解能のあるコンティグセット（ハプロチグ）を2つ生成する。

実験結果

リサーチクエスチョン

• RQ1 単一サンプルで両親データを必要としない手法が、ペディグリーに基づく手法と同等の品質のハプロタイプ分解能アセンブリを生成できるか？
• RQ2 両親のゲノム型が不明な状況下でも、Hi-Cデータが効果的に長距離ハプロタイピング情報を提供できるか？
• RQ3 統合的で単一実行可能ファイルのパイプラインが、複数ステップで複数ツールに依存するパイプラインを上回る正確性と使いやすさを達成できるか？
• RQ4 フェーズ化されたアセンブリグラフにHi-Cデータを統合することで、プライマリ/アドバンスドアセンブリと比較して、コンティグの連続性とハプロタイピングの正確性がどのように向上するか？
• RQ5 内部およびハプロタイプ間の多様性パターンを活用することで、HiFiデータのみで、どの程度安定した二重アセンブリを生成できるか？

主な発見

• Hi-Cベースのhifiasm手法は、両親の短鎖リードを用いた検証により、トリオバンニング手法と同等のハプロタイピング正確性を達成した。
• HG002において、プライマリハプロタイプのメジアンコンティグN50は11.2 Mb、アドバンスドハプロタイプは10.8 Mbであり、ヘテロジゴティックバリアントの95％以上が正しくフェージングされた。
• コンティグの連続性とハプロタイピング正確性の両面で、FALCON-Phase、HiCanu、および標準hifiasmを上回ったが、特に低ヘテロジゴティック性領域で顕著であった。
• Hi-Cデータが欠落した状況でも、ハプロタイプ内多様性を活用することで、高品質で非重複なプライマリに類似したコンティグを各ハプロタイプに対して生成した。
• 単一実行可能ファイルの設計により、複数ツールのパイプラインと比較して実行時間とインstallationの複雑さが削減され、ヒューマンスケールのデータでエンドツーエンドのアセンブリが24時間以内に完了した。
• 本手法は非ヒトVertebrata（例：クロウニッコウ、タカヘ）に対しても成功裏に適用され、両親データなしで高品質でハプロタイプ分解能のあるアセンブリを生成した。