[論文レビュー] SparseAssembler: de novo Assembly with the Sparse de Bruijn Graph

Chengxi Ye, Zhanshan Sam+3 more|arXiv (Cornell University)|Jun 14, 2011

Algorithms and Data Compression参考文献 13被引用数 7

ひとこと要約

SparseAssemblerは、中間k-mersを飛ばすことでメモリ使用量を削減するスパースde Bruijnグラフ構造を導入し、g=16の条件下で標準的手法の約10%にまでストレージ要件を削減する。これにより、置換エラーの99%以上を除去するノイズ除去アルゴリズムと、多様性と残留エラーを解消する独自のダイクストラに類似したBFSを統合し、大規模データセットにおける効率的なデノボゲノムアセンブリを可能にする。

ABSTRACT

de Bruijn graph-based algorithms are one of the two most widely used approaches for de novo genome assembly. A major limitation of this approach is the large computational memory space requirement to construct the de Bruijn graph, which scales with k-mer length and total diversity (N) of unique k-mers in the genome expressed in base pairs or roughly (2k+8)N bits. This limitation is particularly important with large-scale genome analysis and for sequencing centers that simultaneously process multiple genomes. We present a sparse de Bruijn graph structure, based on which we developed SparseAssembler that greatly reduces memory space requirements. The structure also allows us to introduce a novel method for the removal of substitution errors introduced during sequencing. The sparse de Bruijn graph structure skips g intermediate k-mers, therefore reducing the theoretical memory space requirement to ~(2k/g+8)N. We have found that a practical value of g=16 consumes approximately 10% of the memory required by standard de Bruijn graph-based algorithms but yields comparable results. A high error rate could potentially derail the SparseAssembler. Therefore, we developed a sparse de Bruijn graph-based denoising algorithm that can remove more than 99% of substitution errors from datasets with a \leq 2% error rate. Given that substitution error rates for the current generation of sequencers is lower than 1%, our denoising procedure is sufficiently effective to safeguard the performance of our algorithm. Finally, we also introduce a novel Dijkstra-like breadth-first search algorithm for the sparse de Bruijn graph structure to circumvent residual errors and resolve polymorphisms.

研究の動機と目的

• 従来のde Bruijnグラフに基づくデノボゲノムアセンブリにおける高いメモリ使用量、特に大規模またはマルチゲノムシーケンスプロジェクトにおいての課題に対処すること。
• 中間k-mersを飛ばすスパース表現を導入することで、k-mersの保存および処理にかかる計算コストを低減すること。
• 特にハイパーサンプリングシーケンシングデータにおいて生じる置換エラーを効果的に補正する手法を開発すること。
• 残留エラーと遺伝的多様性が存在する状況でも、独自のグラフ走査アルゴリズムにより正確なゲノム再構築を可能にすること。

提案手法

• g個の中間k-mersを飛ばすスパースde Bruijnグラフ構造を提案し、理論的メモリ使用量を(2k+8)Nビットから約(2k/g+8)Nビットに削減する。
• スパースグラフ構造に基づくノイズ除去アルゴリズムを採用し、置換エラーを特定・削除する。2%以下のエラー率のデータセットで99%以上のエラー除去を達成する。
• スパースde Bruijnグラフに特化したダイクストラに類似した幅優先探索アルゴリズムを導入し、エラーおよび多様性による経路の曖昧さを解消する。
• メモリ節約とアセンブリ精度のバランスを図るため、実用的なg=16を採用し、標準手法と同等の結果を得ながらも約10%のメモリ使用量にまで削減する。
• スパースグラフ構造を効率的に用いてde Bruijnグラフを表現・走査することで、ストレージおよび計算のオーバーヘッドを最小限に抑える。

実験結果

リサーチクエスチョン

• RQ1 スパース表現されたde Bruijnグラフは、正確性を損なわずにデノボゲノムアセンブリにおけるメモリ使用量を顕著に削減できるか？
• RQ2 グラフベースのノイズ除去アプローチを用いることで、ハイパーサンプリングシーケンシングデータからの置換エラーをどの程度まで除去できるか？
• RQ3 独自のグラフ走査アルゴリズムは、スパースde Bruijnグラフにおける多様性と残留エラーを効果的に解消できるか？
• RQ4 メモリ効率およびアセンブリ品質の観点から、スパースde Bruijnグラフ構造は標準de Bruijnグラフ手法と比較してどの程度の性能を示すか？

主な発見

• g=16を用いることで、SparseAssemblerは標準de Bruijnグラフベース手法に比べて約10%のメモリ使用量にまで削減し、同等のアセンブリ品質を維持する。
• ノイズ除去アルゴリズムは、2%以下のエラー率のデータセットにおいて、置換エラーの99%以上を効果的に除去した。これは、現在のシーケンサーのエラー率が1%未満であることを考慮すると非常に有効である。
• ダイクストラに類似した幅優先探索アルゴリズムにより、スパースグラフにおける経路再構築が強く保証され、多様性と残留エラーが効果的に解消された。
• スパースde Bruijnグラフ構造により、理論的メモリ要件は(2k+8)Nビットから~(2k/g+8)Nビットに削減され、g=16では顕著なメモリ節約が達成された。