[論文レビュー] The design and construction of reference pangenome graphs

Heng Li, Xiaowen Feng+1 more|arXiv (Cornell University)|Mar 13, 2020

Genomics and Phylogenetic Studies参考文献 55被引用数 15

ひとこと要約

本論文は、新規のグラフベースのデータモデルである参考図的断片アセンブリ（rGFA）を導入し、minigraphツールキットを用いて複数の高品質なヒトおよびサルゲノムから、拡張可能で座標を保持するパangenオームグラフを構築する。この手法は構造的変異（≥100 bp）を効率的に符号化でき、高速かつ正確なマッピングを可能にし、20個のヒトハプロタイプからヒトパangenオームグラフをわずか3時間で構築する。

ABSTRACT

The recent advances in sequencing technologies enables the assembly of individual genomes to the reference quality. How to integrate multiple genomes from the same species and to make the integrated representation accessible to biologists remain an open challenge. Here we propose a graph-based data model and associated formats to represent multiple genomes while preserving the coordinate of the linear reference genome. We implemented our ideas in the minigraph toolkit and demonstrate that we can efficiently construct a pangenome graph and compactly encode tens of thousands of structural variants missing from the current reference genome.

研究の動機と目的

• ヒトの遺伝的多様性、特に大規模な構造的変異を表現する上で線形リファレンスゲノムGRCh38の限界を克服すること。
• 複数の高品質な個別ゲノムアセンブリを統合する、スケーラブルで座標を保持するパangenオームグラフモデルの開発。
• ゲノム座標を保持したまま、シーケンシングデータをパangenオームグラフに効率的かつ正確にマッピングすること。
• 特に構造的変異の発見に向けた、スケールでのパangenオームグラフの構築と利用の実用的ソリューションの提供。
• カラーリングされたde BruijnグラフやVCFベースの変異統合といった従来手法のスケーラビリティおよび表現の限界を克服すること。

提案手法

• リファレンスパangenオームグラフ用の新しいデータモデルとしてrGFAフォーマットを提案し、線形ゲノム座標を保持するとともに、サンプル固有のラベル付けを可能にする。
• minigraphにおける段階的グラフ構築アルゴリズムを用い、minimap2を活用してクエリとリファレンス間の主鎖と逸脱領域を同定する。
• グラフ的距離と配列的距離に基づくスコア関数（h_i）を用いて顕著な逸脱領域を同定し、その後、ベースレベルのアラインメントにより構造的変異を同定する。
• Ruzzo-Tompaアルゴリズムを用い、100 bp以上のインデル（INDEL）または100 bp間で80%未満の同一性を示す領域に対応する最大スコア区間を同定する。
• RepeatMaskerおよびSDUSTを用いて、低複雑性領域、並列反復（VNTR/STR）、その他の繰り返し要素を分類するためのバリアントのアノテーションを実施する。
• GRCh38からの区間と一致するアラインメントをフィルタリングすることで、ブラックリスト領域を生成し、バリアントコールの特異性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 線形リファレンスゲノムの座標系を保持しつつ、構造的変異を符号化できるパangenオームグラフを構築できるか？
• RQ2 複数の高カバレッジヒトアセンブリにまたがる数万の構造的変異を処理できる、スケーラブルで効率的なグラフ構築手法をどのように設計できるか？
• RQ3 グラフベースのマッパーは、ゲノムコンテキストを失うことなく、パangenオームグラフへのシーケンシングリードの正確かつ効率的なアラインメントを達成できるか？
• RQ4 本手法は、リファレンスゲノムに欠落している大規模な構造的変異を検出する上で、性能と正確性に優れているか？
• RQ5 繰り返し要素や低複雑性領域といった生物学的関連性を有する情報を、パangenオームグラフにどのようにアノテートできるか？

主な発見

• minigraphツールキットは、20個の高品質なヒトハプロタイプアセンブリからわずか3時間でパangenオームグラフを構築し、高いスケーラビリティを示している。
• 本手法は、GRCh38リファレンスゲノムに欠落している数万の構造的変異（≥100 bp）を効果的に符号化している。
• rGFAフォーマットはゲノム座標を保持しており、複雑な繰り返し領域を含むバリアントの正確なマッピングとアノテーションを可能にしている。
• グラフ構築プロセスは逸脱領域を高い感度で同定し、100 bp以上のインデルおよび80%の同一性の閾値を満たさないセグメントを検出している。
• ブラックリスト領域生成手法は、リファレンスとの高同一性を示すアラインメントをフィルタリングすることで、誤検出を効果的に低減し、バリアントコールの特異性を向上させている。
• ヒトおよびサルのパangenオームグラフは公開されており、集団ゲノム学およびバリアント発見における広範な利用を可能にしている。