[논문 리뷰] Aligning 415 519 proteins in less than two hours on PC

Sebastian Deorowicz, Agnieszka Debudaj-Grabysz외 1명|arXiv (Cornell University)|2016. 03. 22.

Genomics and Phylogenetic Studies참고 문헌 43인용 수 31

한 줄 요약

FAMSA는 최적화된 병렬 처리 프로그레시브 다중서열정렬 알고리즘으로, 쌍별 유사도 계산에 최장공통부분수열(LCS)을 사용하고, 인-place 프로파일 정렬과 단일 연결 클러스터링을 통한 메모리 효율적인 가이드 트리 구축을 수행한다. 8GB RAM만으로 415,519개의 단백질 서열을 2시간 이내에 정렬하며, Clustal Omega와 MAFFT보다 속도와 정확도에서 뛰어나며, 특히 대규모 가족에서 최대 4배 더 많은 정확한 정렬 열을 제공한다.

ABSTRACT

Rapid development of modern sequencing platforms enabled an unprecedented growth of protein families databases. The abundance of sets composed of hundreds of thousands sequences is a great challenge for multiple sequence alignment algorithms. In the article we introduce FAMSA, a new progressive algorithm designed for fast and accurate alignment of thousands of protein sequences. Its features include the utilisation of longest common subsequence measure for determining pairwise similarities, a novel method of gap costs evaluation, and a new iterative refinement scheme. Importantly, its implementation is highly optimised and parallelised to make the most of modern computer platforms. Thanks to the above, quality indicators, namely sum-of-pairs and total-column scores, show FAMSA to be superior to competing algorithms like Clustal Omega or MAFFT for datasets exceeding a few thousand of sequences. The quality does not compromise time and memory requirements which are an order of magnitude lower than that of existing solutions. For example, a family of 415 519 sequences was analysed in less than two hours and required only 8GB of RAM. FAMSA is freely available at http://sun.aei.polsl.pl/REFRESH/famsa.

연구 동기 및 목표

• 수천에서 수십만 개의 서열을 포함하는 대규모 단백질 가족 정렬 시 계산 병목 현상을 해결한다.
• Clustal Omega와 MAFFT와 같은 기존 프로그레시브 MSA 도구가 대규모 데이터셋에서 겪는 메모리 및 시간 제약을 극복한다.
• 초기 서열 수에서도 높은 정확도를 유지하는 확장성 있고 메모리 효율적인 알고리즘을 개발한다.
• 데스크톱 하드웨어, 특히 노트북에서도 대규모 단백질 가족의 실용적 정렬을 가능하게 한다.
• 새로운 갭 페널티 조정 및 반복 보정을 통해 대규모 세트의 정확도를 향상시킨다.

제안 방법

• 서열 간 유사도 측정으로 최장공통부분수열(LCS)을 사용하며, AVX 명령세트에 최적화된 비트 병렬 알고리즘을 통해 계산한다.
• 전체 유사도 행렬 저장을 피하기 위해 O(k) 공간에서 작동하는 메모리 절약형 단일 연결 클러스터링 알고리즘을 사용해 가이드 트리를 구성한다.
• 프로그레시브 정렬 중 동적 메모리 재할당을 제거하기 위해 인-플레이스 프로파일 정렬 알고리즘을 도입한다.
• 가족 크기에 맞춰 조정된 새로운 갭 페널티 조정 체계를 적용해 대규모 세트의 정확도를 향상시킨다.
• QuickProbs 2에서 영감을 얻은 반복 보정 기법을 사용해 프로그레시브 단계에서 발생한 잘못된 정렬을 수정한다.
• 현대 CPU에서 LCS 계산과 프로파일 정렬의 가속을 위해 다중 스레딩과 AVX-512 벡터화를 활용한다.

실험 결과

연구 질문

• RQ1 10만 개 이상의 서열을 포함하는 단백질 가족을 정렬할 때, 프로그레시브 MSA 알고리즘이 고속과 고정확도를 동시에 달성할 수 있는가?
• RQ2 매우 큰 데이터셋에서 모든 쌍별 유사도를 시간과 메모리 효율적으로 LCS로 계산하는 것이 가능한가?
• RQ3 인-플레이스 프로파일 정렬과 단일 연결 가이드 트리 구축을 통해 40만 개 이상의 서열을 포함하는 가족의 경우 메모리 사용량을 10GB 이하로 줄일 수 있는가?
• RQ4 가족 크기에 따라 갭 페널티를 조정하면 대규모 MSA의 정확도가 향상되는가?
• RQ5 과도한 계산 비용 없이도 대규모 가족에 대해 반복 보정을 효과적으로 적용할 수 있는가?

주요 결과

• FAMSA는 415,519개의 서열을 포함하는 가장 큰 벤치마크 가족인 ABC_tran을 2시간 이내에 8GB RAM만으로 정렬했으며, Clustal Omega는 128GB 메모리가 있는 머신에서 2일 후에 충돌했다.
• FAMSA는 ABC_tran 가족에서 21.3%의 열을 복구했고, 메모리 효율 모드에서 MAFFT는 오직 5.7%에 그쳤으며, 이는 정확도 향상 4배에 해당한다.
• 25,000개 이상의 서열을 포함하는 가족의 경우, FAMSA는 가장 정확한 MAFFT 버전보다 35% 더 많은 열을 정확히 정렬했고, Clustal Omega보다도 25% 더 많았다.
• ABC_tran 가족에서 FAMSA는 합계-페어 스코어 87.3과 총열 스코어 77.2를 기록했으며, 런타임이 낮음에도 불구하고 Clustal Omega(88.5/79.5)와 MAFFT(88.7/79.4)를 정확도 면에서 능가했다.
• 알고리즘의 시간 및 메모리 요구량은 경쟁 도구들보다 한 단계 낮아, 표준 데스크톱 시스템에서 대규모 가족 정렬을 가능하게 했다.
• FAMSA의 성능 확장성은 extHomFam 벤치마크의 380개 가족을 통해 입증되었으며, 가족 크가 증가함에 따라 정확도와 효율성 면에서 일관되게 뛰어난 성능을 보였다.