[논문 리뷰] Alignment-Free Sequence Analysis and Applications

Jie Ren, Xin Bai외 5명|arXiv (Cornell University)|2018. 03. 26.

Genomics and Phylogenetic Studies참고 문헌 145인용 수 3

한 줄 요약

이 논문은 다음세대 시퀀싱(NGS) 데이터에서 전체 게놈, 메타게놈, 조절 영역을 비교하는 데 있어 효율성과 정확도가 뛰어난 k-mer 빈도 수세기 기반의 정렬 기반 분석 방법을 검토한다. 배경 보정된 상대 빈도 방법이 비정보성 k-mer로 인한 노이즈를 줄여주므로 절대 빈도 방법보다 우수한 성능을 보이며, 계통수 추론, 메타게놈 빈닝, 바이러스-숙주 상호작용 탐지에서 뛰어난 성능을 발휘한다.

ABSTRACT

Genome and metagenome comparisons based on large amounts of next-generation sequencing (NGS) data pose significant challenges for alignment-based approaches due to the huge data size and the relatively short length of the reads. Alignment-free approaches based on the counts of word patterns in NGS data do not depend on the complete genome and are generally computationally efficient. Thus, they contribute significantly to genome and metagenome comparison. Recently, novel statistical approaches have been developed for the comparison of both long and shotgun sequences. These approaches have been applied to many problems including the comparison of gene regulatory regions, genome sequences, metagenomes, binning contigs in metagenomic data, identification of virus-host interactions, and detection of horizontal gene transfers. We provide an updated review of these applications and other related developments of word-count based approaches for alignment-free sequence analysis.

연구 동기 및 목표

• 유전체 재배열, 낮은 시퀀싱 커버리지, 시퀀스 발산으로 인해 정렬 기반 방법의 한계를 해결하기 위해 전체 게놈, 메타게놈, 조절 영역을 비교하는 데 목적이 있다.
• 특히 정렬이 비현실적이거나 정확도가 떨어지는 상황에서 NGS 데이터에 대한 워드카운트 기반 정렬 기반 방법의 효과성을 평가하는 데 목적이 있다.
• 절대 빈도 대비 상대 빈도 방법을 비교하여 배경 보정 측정법이 노이즈를 줄이고 정확도를 향상시키는 데서의 이점을 강조하는 데 목적이 있다.
• 정렬 기반 방법의 게놈 응용 분야에서 k-mer 길이 선택, 계산 효율성, 벤치마킹과 관련된 열린 과제를 규명하는 데 목적이 있다.

제안 방법

• Jellyfish, DSK, KMC2 등의 도구를 사용해 대규모 데이터셋을 효율적으로 처리하기 위해 NGS 리드에서 k-mer 빈도를 수세기한다.
• Bray-Curtis, 카이제곱, Jensen-Shannon 발산과 같은 기반 k-mer 빈도 기반의 유사도/이질도 측정법을 적용한다.
• 마르코프 체인 모델 기반 기대 빈도를 빼서 배경 보정된 k-mer 빈도를 사용해 생물학적으로 의미 있는 패턴의 신호를 향상시킨다.
• 계층적 클러스터링 및 이웃 조합 알고리즘과 같은 클러스터링 알고리즘을 사용해 k-mer 거리 행렬에서 진화적 관계를 추론한다.
• d₂*, d₂S, CVTree와 같은 통계적 측정법을 활용해 배경 모델 보정을 통합함으로써 정확도와 강인성을 향상시킨다.
• 실제 및 시뮬레이션된 NGS 데이터를 사용해 계통수 추론, 메타게놈 빈닝, 바이러스-숙주 상호작용 예측 등 응용 분야에서 성능을 비교한다.

실험 결과

연구 질문

• RQ1 정렬 기반 방법과 비교해 k-mer 빈도 기반 정렬 기반 방법이 NGS 데이터의 정확도와 계산 효율성 측면에서 어떻게 성능을 내는가?
• RQ2 절대 k-mer 빈도 방법 대비 배경 보정된 상대 빈도 방법의 상대적 성능은 게놈 및 메타게놈 비교에서 어떻게 나타나는가?
• RQ3 k-mer 길이 선택이 특히 발산된 시퀀스에서 정렬 기반 시퀀스 비교의 정확도에 어떻게 영향을 미치는가?
• RQ4 정렬이 불가능한 상황에서 정렬 기반 방법이 바이러스-숙주 상호작용과 수평 유전자 이행을 신뢰성 있게 탐지할 수 있는가?
• RQ5 대규모 메타게놈 데이터셋에 정렬 기반 방법을 확장할 때 주요 계산 및 통계적 과제는 무엇인가?

주요 결과

• d₂* 및 d₂S와 같은 배경 보정된 상대 빈도 방법은 게놈, 메타게놈, 조절 영역 비교에서 절대 빈도 방법보다 뚜렷이 뛰어난 성능을 보인다.
• 마르코프 체인 기반 배경 모델을 사용해 비정보성 k-mer로 인한 노이즈를 효과적으로 억제함으로써 발산된 시퀀스에서 신호 탐지 능력을 향상시킨다.
• 정렬 기반 방법과 비교해 계통수 추론에서 유사하거나 더 높은 정확도를 달성하며, 특히 재배열이 심하거나 발산된 게놈에서 유리하다.
• 이 방법들은 짧고 낮은 커버리지의 NGS 리드만으로도 메타게놈 컨티그의 효율적 빈닝과 바이러스-숙주 연관성 탐지를 가능하게 한다.
• 강력한 성능에도 불구하고 배경 보정 방법은 메모리와 계산 비용이 더 높아 대규모 응용 분야에 최적화가 필요하다.
• 정렬 기반 시퀀스 비교 방법을 공정하게 평가하고 비교하기 위해 표준화되고 공동 검증된 벤치마크 데이터셋이 여전히 절실한 필요성이 있다.