[논문 리뷰] AirLift: A Fast and Comprehensive Technique for Translating Alignments between Reference Genomes

Jeremie S. Kim, Can Fırtına외 6명|arXiv (Cornell University)|2019. 12. 18.

Genomics and Phylogenetic Studies참고 문헌 33인용 수 4

한 줄 요약

AirLift는 기존 참조 게놈에서 새로운 참조 게놈으로 업데이트할 때 시퀀싱 리드의 전체 재매핑 필요성을 최대 99.99% 감소시켜, 전체 매핑 대비 인간에서 6.7배, C. elegans에서 6.6배, 효모에서 2.8배 빠른 실행 시간을 제공하는 빠르고 종합적인 기법이다. 이는 변이 호출 정확도를 기존 전체 매핑 수준으로 유지한다.

ABSTRACT

As genome sequencing tools and techniques improve, researchers are able to incrementally assemble more accurate reference genomes, which enable sensitivity in read mapping and downstream analysis such as variant calling. A more sensitive downstream analysis is critical for a better understanding of the genome donor (e.g., health characteristics). Therefore, read sets from sequenced samples should ideally be mapped to the latest available reference genome that represents the most relevant population. Unfortunately, the increasingly large amount of available genomic data makes it prohibitively expensive to fully re-map each read set to its respective reference genome every time the reference is updated. There are several tools that attempt to accelerate the process of updating a read data set from one reference to another (i.e., remapping). However, if a read maps to a region in the old reference that does not appear with a reasonable degree of similarity in the new reference, the read cannot be remapped. We find that, as a result of this drawback, a significant portion of annotations are lost when using state-of-the-art remapping tools. To address this major limitation in existing tools, we propose AirLift, a fast and comprehensive technique for remapping alignments from one genome to another. Compared to the state-of-the-art method for remapping reads (i.e., full mapping), AirLift reduces 1) the number of reads that need to be fully mapped to the new reference by up to 99.99\% and 2) the overall execution time to remap read sets between two reference genome versions by 6.7x, 6.6x, and 2.8x for large (human), medium (C. elegans), and small (yeast) reference genomes, respectively. We validate our remapping results with GATK and find that AirLift provides similar accuracy in identifying ground truth SNP and INDEL variants as the baseline of fully mapping a read set.

연구 동기 및 목표

• 기존의 게놈 재매핑 도구들이 참조 게놈 업데이트 시 효율성 부족과 데이터 손실 문제를 해결하기 위해.
• 참조 게놈 업데이트 후 시퀀싱 리드 재매핑에 대한 계산 비용을 줄이기 위해.
• 새로운 참조 게놈으로의 전체 재매핑이 필요한 리드 수를 최소화하기 위해.
• 재매핑 이후 후속 변이 호출 정확도를 유지하기 위해.
• 자주 참조 게놈을 업데이트하는 대규모 게놈 데이터에 대해 확장 가능한 솔루션을 제공하기 위해.

제안 방법

• AirLift는 이전 참조 게놈에서 새로운 참조 게놈과 비교해 존재하지 않거나 낮은 보존성을 보이는 영역을 식별한다.
• 신뢰할 수 있는 재매핑이 불가능한 영역에 매핑되는 리드를 제외하기 위해 빠른 어레이 기반 필터링 단계를 사용한다.
• 두 단계로 구성된 재매핑 전략을 적용한다: 먼저, 경량 어레이 방법을 사용해 성공적으로 재매핑될 가능성이 높은 리드만 매핑한다.
• 참조 게놈 간의 시퀀스 유사성과 구조적 보존성을 활용해 전체 재매핑 대상 영역을 우선순위 정한다.
• 보존된 영역에 매핑되는 리드들만 새로운 참조 게놈으로의 전체 어레이를 수행한다.
• GATK와 같은 표준 변이 호출 파이프라인과 통합하여 재매핑 정확도를 검증한다.

실험 결과

연구 질문

• RQ1 기존 참조 게놈에서 새로운 참조 게놈으로 업데이트할 때, 전체 재매핑이 필요한 리드 수를 어떻게 줄일 수 있는가?
• RQ2 전체 재매핑 작업을 최소화할 때, 변이 호출 정확도를 얼마나 잘 유지할 수 있는가?
• RQ3 읽기 어레이 감도를 희생시키지 않고 재매핑 시간에 있어 상당한 성능 향상을 달성할 수 있는가?
• RQ4 최신 기술의 재매핑 도구에서, 새로운 참조 게놈에 보존 영역이 없는 탓에 손실되는 리드 비율은 어느 정도인가?
• RQ5 다양한 크기의 게놈(인간, C. elegans, 효모)에서 AirLift의 성능은 어떻게 스케일링되는가?

주요 결과

• AirLift는 전체 매핑 대비 최대 99.99%까지 전체 재매핑이 필요한 리드 수를 감소시킨다.
• 인간 게놈에서는 전체 실행 시간이 6.7배 빨라지고, C. elegans에서는 6.6배, 효모에서는 2.8배 빨라진다.
• GATK를 사용해 참조 변이(SNP 및 INDEL)의 참값 기반으로 검증한 결과, AirLift는 전체 매핑 수준의 변이 호출 정확도를 유지한다.
• 최신 기술의 재매핑 도구에서는 보존 영역가 없는 영역으로 인해 많은 애너테이션 정보가 손실되는데, 이 문제를 AirLift가 효과적으로 완화한다.
• 다양한 크기의 게놈에서 효율적으로 스케일링되며, 일관된 성능 향상을 보여준다.