[論文レビュー] TreQ-CG: Clustering Accelerates High-Throughput Sequencing Read Mapping

Pavel Mahmud, Alexander Schliep|arXiv (Cornell University)|Apr 10, 2014

Genomics and Phylogenetic Studies参考文献 38被引用数 3

ひとこと要約

TreQ-CGは、マッピングの前に高スループットシーケンシング（HTS）リードを類似度の高いクラスタにグループ化するグリーディクラスタリング手法を提案する。これにより、1つのクラスタに対して1つの代表リード（アンカー）のみをマッピングすることで計算負荷を低減する。この手法はBWA、Bowtie2、Novoalign、Stampyなど複数のリードマッパーで1.4–8.9倍の高速化を達成し、マッピング品質を維持しつつ一致率の損失を最小限に抑え、スランプイのような感受性の高いマッパーをヒューマンスケールのデータセットで高速なツールと同等の性能にまで引き上げる。

ABSTRACT

As high-throughput sequencers become standard equipment outside of sequencing centers, there is an increasing need for efficient methods for pre-processing and primary analysis. While a vast literature proposes methods for HTS data analysis, we argue that significant improvements can still be gained by exploiting expensive pre-processing steps which can be amortized with savings from later stages. We propose a method to accelerate and improve read mapping based on an initial clustering of possibly billions of high-throughput sequencing reads, yielding clusters of high stringency and a high degree of overlap. This clustering improves on the state-of-the-art in running time for small datasets and, for the first time, makes clustering high-coverage human libraries feasible. Given the efficiently computed clusters, only one representative read from each cluster needs to be mapped using a traditional readmapper such as BWA, instead of individually mapping all reads. On human reads, all processing steps, including clustering and mapping, only require 11%-59% of the time for individually mapping all reads, achieving speed-ups for all readmappers, while minimally affecting mapping quality. This accelerates a highly sensitive readmapper such as Stampy to be competitive with a fast readmapper such as BWA on unclustered reads.

研究の動機と目的

• 高スループットシーケンシング（HTS）データ解析における計算負荷の増大、特に大規模かつ高カバレッジのデータセットに対する課題に対処すること。
• 同じゲノム領域由来のリード同士の類似性を活用することで、リードマッピングにおける重複計算を低減すること。
• クラスタリングによる前処理を経て、ヒューマンスケールのデータセットにおいて感受性の高いリードマッパー（例：Stampy）を効率的に使用可能にする。
• 多様なリードマッパーおよびデータセットにおいて、顕著な高速化を達成しつつマッピング品質の損失を最小限に抑えること。

提案手法

• 重複長および代表アンカー・リードとの類似度に基づいてHTSリードをクラスタリングするインクリメンタルなグリーディクラスタリングアルゴリズムを用いる。
• クラスタへの所属を厳密な基準で評価し、シーケンシングエラーがあっても高い厳密性と高い重複度を確保する。
• 標準的なマッパー（例：BWA、Stampy）を用いて1つのクラスタに対して1つのアンカー・リードのみをマッピングし、残りのクラスタメンバーはローカルアラインメントによりマッピングする。
• k-merベースの類似度スコアリングを用いて重複するリードを同定し、類似度の高い領域を優先してクラスタを形成する。
• クラスタを複数リードアラインメントのインスタンスとして扱い、エラーの補正やコンSENSUS精度の向上を可能にする。
• マッピング後の精緻化段階として、クラスタレベルのアラインメントおよびコンSENSUS配列を考慮することでマッピング精度を向上させる。

実験結果

リサーチクエスチョン

• RQ1 マッピングの前段階でHTSリードをクラスタリングすることにより、マッピング品質を劣化させることなく計算時間を顕著に短縮できるか？
• RQ2 クラスタリングは、異なるマッパーおよびデータセットにおいて、マッピングされたリードの代替マッピング率と一致率にどのように影響を与えるか？
• RQ3 感度の高いマッパー（例：Stampy）をクラスタリングによってどれほど高速化でき、BWAのような高速マッパーと同等の性能を達成できるか？
• RQ4 高カバレッジのヒューマングノムデータセットにおいても、クラスタリングがスケーラブルであるか、個々のマッピングでは計算的に不可能であった領域をカバーできるか？
• RQ5 アンカー・リードの選定およびクラスタサイズの選択が、スピードとマッピング精度のトレードオフにどのように影響を与えるか？

主な発見

• TreQ-CGは、テスト済みの全データセットにおいて、個々のマッピングに要する時間の11–59%にまで短縮され、マッパーおよびデータセットに応じて1.4×から8.9×の高速化を達成した。
• この手法により、感受性の高いマッパーであるStampyがヒューマングノムデータセットで実行可能な時間枠にまで短縮され、非クラスタリング時におけるBWAと同等の性能を発揮するようになった。
• 代替マッピング率は低く保たれ（ECOLでは0–1%、DROSでは1–3%、YORでは2–4%）、一致率の損失もわずか（例：シングルエンドモードでYORで0.89%の低下）であった。
• ペアエンドマッピングでは、大多数のデータセットで一致率が向上しており、ペアリング情報を併用したクラスタリングが精度向上に寄与していることが示された。
• 高カバレッジのヒューマングノムライブラリーにおいても、クラスタリングステップは計算的に実行可能であり、感受性の高いマッパーを用いた個々のマッピングでは以前は処理不能であった領域をカバーできるようになった。
• 複数のマッパーにわたり一貫した高速化とマッピング品質の最小限の低下が得られたため、本手法は広範な適用性を有すると考えられる。