[論文レビュー] The Hydrostructure: a Universal Framework for Safe and Complete Algorithms for Genome Assembly

Massimo Cairo, Shahbaz Khan+4 more|arXiv (Cornell University)|Nov 25, 2020

Genomics and Phylogenetic Studies参考文献 57被引用数 5

ひとこと要約

本稿では、アセンブリグラフ内のウォークの到達可能性特性をモデル化することで、安全かつ完全なゲノムアセンブリアルゴリズムを統一的かつ一般化する新しいグラフフレームワーク「ハイドロ構造（hydrostructure）」を導入する。これにより、複数のゲノムアセンブリモデルにおける安全ウォークの最適な検証、列挙、および改善された列挙が可能になり、単純なYES証明（YES-certificate）を提供するとともに、理論的保証のもとで先行研究を実用的モデルへと拡張する。

ABSTRACT

Genome assembly is a fundamental problem in Bioinformatics, requiring to reconstruct a source genome from an assembly graph built from a set of reads (short strings sequenced from the genome). A notion of genome assembly solution is that of an arc-covering walk of the graph. Since assembly graphs admit many solutions, the goal is to find what is definitely present in all solutions, or what is safe. Most practical assemblers are based on heuristics having at their core unitigs, namely paths whose internal nodes have unit in-degree and out-degree, and which are clearly safe. The long-standing open problem of finding all the safe parts of the solutions was recently solved [RECOMB 2016] yielding a 60% increase in contig length. This safe and complete genome assembly algorithm was followed by other works improving the time bounds, as well as extending the results for different notions of assembly solution. But it remained open whether one can be complete also for models of genome assembly of practical applicability. In this paper we present a universal framework for obtaining safe and complete algorithms which unify the previous results, while also allowing for easy generalisations to assembly problems including many practical aspects. This is based on a novel graph structure, called the hydrostructure of a walk, which highlights the reachability properties of the graph from the perspective of the walk. The hydrostructure allows for simple characterisations of the existing safe walks, and of their new practical versions. Almost all of our characterisations are directly adaptable to optimal verification algorithms, and simple enumeration algorithms. Most of these algorithms are also improved to optimality using an incremental computation procedure and a previous optimal algorithm of a specific model.

研究の動機と目的

• 安全かつ完全なゲノムアセンブリアルゴリズムを統一し、1つの拡張可能なフレームワークに一般化すること。
• 基本的なアークカバーイングウォークモデルを超えて、実用的ゲノムアセンブリモデルにおける完全性を達成するという長年の未解決問題に取り組むこと。
• 禁止構造（NO証明）に基づく先行研究における欠如していた単純なYES証明（YES-certificate）を提供すること。
• k-セーフ、F-可視、Eカバーイングモデルを含む、多様なアセンブリモデルにおける安全ウォークの効率的検証および列挙を可能にすること。
• サブセット可視性や段階的計算といった実用的シナリオにまで理論的セーフティ特徴付けを拡張すること。

提案手法

• ウォークのエンドポイントからの前方および後方到達可能性集合を定義することで、ハイドロ構造が構築される。これにより、グラフ内ウォークの到達可能性特性が捉えられる。
• 前方および後方到達可能性の共通部分としての「リバー（river）」という概念を導入し、ハイドロ構造の核を形成する。
• F-可視モデルでは、可視性のためのアドジャセンシーと到達可能性を用いる。ここでFは可視とみなされるアークの部分集合である。
• フローに基づくアルゴリズムを用いて、最小ウォークカバーサイズが閾値kを超えるかどうかを検証し、O(mn)時間でk-セーフ特徴付けを実現する。
• 段階的計算手順により、R⁺(W)、R⁻(W)、およびウォークカバーサイズといった主要な構成要素をO(m²)時間で維持可能となり、効率的な列挙が可能になる。
• ハイドロ構造は標準的なカットの概念を一般化し、さまざまなウォークカバーイングモデルにおけるセーフティの柔軟な解析を可能にする。

実験結果

リサーチクエスチョン

• RQ1 多様なモデルにわたる安全かつ完全なゲノムアセンブリアルゴリズムを統一するユニバーサルフレームワークを開発することは可能か？
• RQ2 禁止構造（NO証明）に基づく先行研究とは異なり、ゲノムアセンブリにおけるセーフティの単純なYES証明（YES-certificate）は存在するか？
• RQ3 ハイドロ構造はサブセット可視性や段階的計算といった実用的モデルに適応可能か？
• RQ4 異なるアセンブリモデル間で安全ウォークの検証および列挙を最適化するにはどうすればよいか？
• RQ5 ハイドロ構造を用いて、ユニティグを超えるより広範なウォーククラスへのセーフティの概念を一般化できるか？

主な発見

• ハイドロ構造は、k-セーフ、Eカバーイング、F-可視モデルを含む、すべての先行安全かつ完全なゲノムアセンブリアルゴリズムを統一・一般化するユニバーサルフレームワークを提供する。
• フレームワークにより、安全ウォークの最適な検証がO(m + f)時間で可能であり、ここでf = O(mn)は最小ウォークカバーサイズを計算する時間である。
• 安全ウォークの列挙はO(m²n + mnf)時間で達成され、改善された列挙アルゴリズムではO(mn + o + ng)時間で実行可能であり、ここでoは出力サイズ、g = O(m²)はウォークカバーサイズの維持に要する時間である。
• ハイドロ構造は単純なYES証明（YES-certificate）として機能し、長年の未解決であったこの種の証明の存在に関する根本的問題を解決する。
• フレームワークはサブセット可視性といった実用的モデルへ自然に拡張可能であり、追加コストO(mn)を伴いながらも、すべてのモデルで理論的最適性を維持する。
• ハイドロ構造はカットの概念を一般化し、有向グラフにおけるカバーイングウォークのセーフティ解析をより柔軟かつ強力に可能にする。