[論文レビュー] SparseAssembler2: Sparse k-mer Graph for Memory Efficient Genome Assembly

Chengxi Ye, Charles H. Cannon+3 more|arXiv (Cornell University)|Aug 17, 2011

DNA and Biological Computing被引用数 3

ひとこと要約

SparseAssembler2 は、メモリ効率の良いデノボゲノムアセンブリのため、従来の de Bruijn グラフに代わる新しいスパース k-mer グラフデータ構造を導入する。情報量が多く重複のない k-mers のみを効果的に選択して保存し、リードアラインメントによってそれらを接続することで、メモリ使用量を削減する。また、シーケンシングエラーと多様体を補正する Dijkstra に類似した探索アルゴリズムにより、耐障害性を確保し、反復的ノイズ除去を必要としない。これにより、最先端のアセンブラと比較して最大90％のメモリ削減を達成する。

ABSTRACT

The formal version of our work has been published in BMC Bioinformatics and can be found here: http://www.biomedcentral.com/1471-2105/13/S6/S1 Motivation: To tackle the problem of huge memory usage associated with de Bruijn graph-based algorithms, upon which some of the most widely used de novo genome assemblers have been built, we released SparseAssembler1. SparseAssembler1 can save as much as 90% memory consumption in comparison with the state-of-art assemblers, but it requires rounds of denoising to accurately assemble genomes. In this paper, we introduce a new general model for genome assembly that uses only sparse k-mers. The new model replaces the idea of the de Bruijn graph from the beginning, and achieves similar memory efficiency and much better robustness compared with our previous SparseAssembler1. Results: We demonstrate that the decomposition of reads of all overlapping k-mers, which is used in existing de Bruijn graph genome assemblers, is overly cautious. We introduce a sparse k-mer graph structure for saving sparse k-mers, which greatly reduces memory space requirements necessary for de novo genome assembly. In contrast with the de Bruijn graph approach, we devise a simple but powerful strategy, i.e., finding links between the k-mers in the genome and traversing following the links, which can be done by saving only a few k-mers. To implement the strategy, we need to only select some k-mers that may not even be overlapping ones, and build the links between these k-mers indicated by the reads. We can traverse through this sparse k-mer graph to build the contigs, and ultimately complete the genome assembly. Since the new sparse k-mers graph shares almost all advantages of de Bruijn graph, we are able to adapt a Dijkstra-like breadth-first search algorithm to circumvent sequencing errors and resolve polymorphisms.

研究の動機と目的

• de Bruijn グラフに基づくゲノムアセンブラの高いメモリ消費量が、大規模または複雑なゲノムのスケーラビリティを制限する問題に対処すること。
• SparseAssembler1 のような従来のツールが採用していた反復的ノイズ除去手順の必要性を排除することで、耐障害性と効率性を向上させること。
• de Bruijn グラフの利点を維持しながら、メモリ使用量を著しく削減する新しいスパース k-mer ベースのゲノムアセンブリモデルの開発。
• リードマッピングによって接続された最小限の非重複 k-mers のみを用いて、正確かつ効率的なゲノムアセンブリを実現し、計算上の実行可能性を向上させること。

提案手法

• 本手法は、重複の有無に関わらずリードに出現する k-mers のみを選択することで、スパース k-mer グラフを構築し、ストレージのオーバーヘッドを低減する。
• k-mers 間のリンクは、リード内での共起に基づいて確立され、エッジは共有リードのサポートを表す。
• スパース k-mer グラフのコンティグアセンブリには、Dijkstra に類似した幅優先探索アルゴリズムが用いられ、高信頼性のパスを優先することで、シーケンシングエラーを是正する。
• 複数のリードによってサポートされるパスを優先することで、誤差補正を組み込み、シーケンシングノイズに対する耐性を高める。
• 多様体は、グラフ内の分岐パスの検出と、探索中に最もサポートの強いパスの選択によって解消される。
• de Bruijn グラフにすべての k-mers を格納するのではなく、完全かつ正確なゲノム再構築が可能なスパースサブセットに焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 de Bruijn グラフにすべての k-mers を格納しないままでも、アセンブリの正確性と効率性を維持できるゲノムアセンブリ手法は設計可能か？
• RQ2 反復的ノイズ除去や誤差補正ステップに依存せずに、デノボゲノムアセンブリにおけるメモリ使用量をどのように低減できるか？
• RQ3 非重複 k-mers を用いたスパース k-mer グラフは、de Bruijn グラフの構造的・トポロジカルな利点をどの程度保持できるか？
• RQ4 Dijkstra に類似した探索戦略は、スパース k-mer グラフ内でのシーケンシングエラーと多様体の解消に効果的か？
• RQ5 ゲノム再構築に k-mers のサブセットのみを用いる場合、メモリ効率とアセンブリ正確性のトレードオフはどの程度か？

主な発見

• スパース k-mer グラフモデルにより、最先端の de Bruijn グラフアセンブラと比較して最大90％のメモリ使用量削減が達成され、スケーラビリティが著しく向上した。
• 反復的ノイズ除去を必要とせず、耐障害性に優れたアセンブリが実現された。これにより、前回の SparseAssembler1 よりも計算コストを低減しながら正確性が向上した。
• Dijkstra に類似した探索アルゴリズムにより、高カバレッジのパスを優先することで、シーケンシングエラーが効果的に是正され、より正確なコンティグ構築が可能になった。
• リードの共起を活用して信頼性の高い k-mers リンクを確立することで、ゲノム再構築における感受性と特異性を高い水準で維持した。
• 分岐パスの検出とリードサポートに基づく解決により、スパース k-mer グラフは多様体領域や複雑な領域の正確なアセンブリを可能にした。
• 実装は Windows および Linux で利用可能であり、実世界のゲノムパイプラインにおける実用的導入可能性を示した。