[論文レビュー] Variant tolerant read mapping using min-hashing

Jens Quedenfeld, Sven Rahmann|arXiv (Cornell University)|Feb 6, 2017

Algorithms and Data Compression参考文献 13被引用数 4

ひとこと要約

本稿では、リファレンスゲノムのウィンドウからのq-gram集合のミニマムハッシュを用いて、バリアント耐性のあるマッピングを可能にする新規リードマッパーVATRAMを提示する。既知の遺伝的バリアント、特に集団頻度が20%を超えるSNPをインデックスに組み込むことで、BWA や Bowtie2 と比較して、特にHLA領域のような高バリアント領域において、精度と再現率が向上し、特定のデータセットでは優れたマッピング精度を達成するが、実行時間は長くなる。

ABSTRACT

DNA read mapping is a ubiquitous task in bioinformatics, and many tools have been developed to solve the read mapping problem. However, there are two trends that are changing the landscape of readmapping: First, new sequencing technologies provide very long reads with high error rates (up to 15%). Second, many genetic variants in the population are known, so the reference genome is not considered as a single string over ACGT, but as a complex object containing these variants. Most existing read mappers do not handle these new circumstances appropriately. We introduce a new read mapper prototype called VATRAM that considers variants. It is based on Min-Hashing of q-gram sets of reference genome windows. Min-Hashing is one form of locality sensitive hashing. The variants are directly inserted into VATRAMs index which leads to a fast mapping process. Our results show that VATRAM achieves better precision and recall than state-of-the-art read mappers like BWA under certain cirumstances. VATRAM is open source and can be accessed at https://bitbucket.org/Quedenfeld/vatram-src/.

研究の動機と目的

• 新規シーケンシング技術から得られる長く誤りを含むリードを処理する際、既存のリードマッパーが示す限界を克服すること。
• 既知の遺伝的バリアント（特にSNP）をインデックス構造に直接統合することで、リードマッピングの正確性を向上させること。
• シーケンシングエラーとヒトゲノム内の生物学的変異の両方に耐性を持つプロトタイプマッパーを開発すること。
• 多様なシーケンシング条件下で、最先端のツール（BWA や Bowtie2）と比較して、バリアントに配慮したマッピングの性能を評価すること。

提案手法

• VATRAMはリファレンスゲノムを長さ w = 1.4n の重複ウィンドウに分割し、重複長 o = 1.25n とする。ここで n は典型的なリード長である。
• 各ウィンドウに対して、長さ q のすべての部分文字列（q-gram）を含むq-gram集合を構築する。これには、集団頻度 > δ（通常 δ = 0.2）の既知のSNPを跨ぐすべてのq-gramの組み合わせも含まれる。
• バリアントが密集する領域でのq-gram集合の爆発的増加を防ぐため、各位置に l = 3 個までのq-gramに制限を設け、すべての 4^q 組み合わせを含めないようにする。
• 各q-gram集合は、すべての可能なq-gramのランダムな順列に基づく辞書的最小q-gramを用いて、1つのシグネチャ値にマッピングされる（ミニマムハッシュ）。
• リードは、そのq-gram集合を計算し、インデックス内のシグネチャ値と比較することで、候補となるリファレンスウィンドウを特定する。
• バリアント耐性のあるアラインメントステップでは、既知のバリアントとシーケンシングエラーを考慮したカスタムアラインャーを用いてマッチを拡張する。

実験結果

リサーチクエスチョン

• RQ1 バリアントに情報を持つq-gram集合のミニマムハッシュ化は、遺伝的多様性の高い領域におけるリードマッピング正確性を向上させるか？
• RQ2 集団頻度 >20% の既知のバリアント（例：SNP）を統合することで、標準マッパーと比較してマッピングの精度と再現率にどのような影響を与えるか？
• RQ3 VATRAMはHLA領域のような高多様性領域からのリードを、BWA-MEM や Bowtie2 よりも効果的にマッピングできるか？
• RQ4 長リード（例：PacBioリード >10,000 bp）に対して、長さに適したツールとは異なるVATRAMの性能はどのようになるか？
• RQ5 バリアントに配慮したインデックス構築を用いる場合、マッピング正確性と計算効率のトレードオフはどのようなものか？

主な発見

• DRR003760 データセット（高多様性のHLA領域をカバー）では、標準設定のBWA-MEM よりもVATRAMが正しくマッピングされたリードの比率が有意に高く、ただしBWA-MEM のエディット距離モードでは絶対的な再現率で依然として上回った。
• SRR003174 データセットでは、標準設定およびエディット距離設定の両方で、BWA-MEM よりもVATRAMがより多くのリードを正しい位置にマッピングした。また、BWA や Bowtie2 よりも誤ってマッピングされたリードの比率が低かった。
• VATRAMの精度は、BWA や Bowtie2 よりも一貫して優れており、特にバリアント豊富な領域で誤ったマッピングの頻度が著しく低かった。
• 長リードのSRX533609 データセット（PacBio）では、VATRAMの実行時間はBWA-MEM の標準設定の20倍以上にのぼったが、依然として標準モードのBWA-MEM よりも高い精度と、正しくマッピングされたリードの割合を達成した。
• インデックスに既知のバリアントを組み込むことで、DRR003760 においてはHLA領域の高密度バリアントの影響でマッピング品質が顕著に向上したが、ゲノム全体でのバリアントを有するリードの割合が低いため、全体的な影響は限定的だった。
• mrsFastUltra はバリアント耐性マッパーとして性能が低く、再現率が低く、全5つの実データセットを処理できなかったため、実用的とは言えなかった。