[논문 리뷰] CHM13 PacBio HiFi reads with assigned coordinates, assembly graphs generated with Raven and hifiasm

Lovro Vrček, Xavier Bresson외 3명|arXiv (Cornell University)|2022. 05. 01.

Genomics and Phylogenetic Studies인용 수 5

한 줄 요약

이 논문은 새로운 게놈 어셈블리의 레이아웃 단계를 자동화하기 위해 그래프 컬러션 네트워크(GNN) 기반 프레임워크를 제안한다. 어셈블리 그래프에서 히وري스틱 기반 경로 탐색을 딥러닝으로 대체한다. 단일 인간 염색체에서 생성한 합성 그래프로 훈련된 모델은 실제 파코비 히피 리드에서 최신 기술 수준의 어셈블러를 능가하여 더 높은 연속성, 더 낮은 오류율, 모든 염색체에서 개선된 NG50/NGA50 지표를 달성한다.

ABSTRACT

A quest to determine the complete sequence of a human DNA from telomere to telomere started three decades ago and was finally completed in 2021. This accomplishment was a result of a tremendous effort of numerous experts who engineered various tools and performed laborious manual inspection to achieve the first gapless genome sequence. However, such method can hardly be used as a general approach to assemble different genomes, especially when the assembly speed is critical given the large amount of data. In this work, we explore a different approach to the central part of the genome assembly task that consists of untangling a large assembly graph from which a genomic sequence needs to be reconstructed. Our main motivation is to reduce human-engineered heuristics and use deep learning to develop more generalizable reconstruction techniques. Precisely, we introduce a new learning framework to train a graph convolutional network to resolve assembly graphs by finding a correct path through them. The training is supervised with a dataset generated from the resolved CHM13 human sequence and tested on assembly graphs built using real human PacBio HiFi reads. Experimental results show that a model, trained on simulated graphs generated solely from a single chromosome, is able to remarkably resolve all other chromosomes. Moreover, the model outperforms hand-crafted heuristics from a state-of-the-art extit{de novo} assembler on the same graphs. Reconstructed chromosomes with graph networks are more accurate on nucleotide level, report lower number of contigs, higher genome reconstructed fraction and NG50/NGA50 assessment metrics.

연구 동기 및 목표

• 새로운 게놈 어셈블리의 레이아웃 단계에서 수작업으로 설계된 히وري스틱에 의존도를 줄이기 위해.
• 복잡한 어셈블리 그래프를 연속적인 서열로 풀어내는 일반화 가능한 딥러닝 프레임워크를 개발하기 위해.
• 어셈블리 그래프를 통과하는 최적의 경로를 학습하여 게놈 어셈블리의 연속성과 정확도를 향상시키기 위해.
• 단일 염색체 사전학습 설정을 통해 염색체 간 전이 학습을 가능하게 하기 위해.
• 재현 가능한 연구를 위해 공개된 데이터셋과 코드베이스를 제공하기 위해.

제안 방법

• 프레임워크는 Gated Graph Convolutional Network(GatedGCN)를 사용하여 어셈블리 그래프의 유리한 간선과 불리한 간선을 예측한다.
• 간선 예측 결과를 바탕으로 탐욕적 경로 탐색 알고리즘을 가동하여 그래프에서 게놈 서열을 재구성한다.
• 훈련 데이터는 CHM13 인간 게놈 서열에서 유도된 것으로, 알려진 진짜 경로가 있는 현실적인 어셈블리 그래프를 생성한다.
• 모델은 유일하게 하나의 염색체(chr1)에서 유도된 그래프로만 훈련되지만, 모든 24개의 인간 염색체에서 평가된다.
• 이 방법은 모듈식이며 기존의 OLC 기반 어셈블러인 레이븐과 같은 시스템에 통합될 수 있으며, 그들의 히وري스틱 레이아웃 단계를 대체할 수 있다.
• 평가에는 오류율, 인ser션/데letion(Indel) 비율, 커티그 수, 재구성된 게놈 분율, NG50/NGA50 등의 표준 지표가 사용된다.

실험 결과

연구 질문

• RQ1 단일 염색체의 합성 어셈블리 그래프로 훈련된 딥러닝 모델이 다른 모든 인간 염색체의 그래프를 해독하는 데 일반화될 수 있는가?
• RQ2 GNN 기반 레이아웃 단계가 전통적인 히وري스틱 기반 방법에 비해 어셈블리의 연속성과 정확도 측면에서 뛰어난가?
• RQ3 학습된 모델이 파코비 히피 리드에서의 새로운 게놈 어셈블리에서 분할과 핵산 오류를 어느 정도 줄일 수 있는가?
• RQ4 실제 인간 데이터에서 GNN 프레임워크의 성능이 레이븐과 hifiasm와 같은 최신 기술 수준의 어셈블러와 비교해 어떻게 되는가?
• RQ5 이 프레임워크는 온타리오 노바 테크놀로지(ONT) 리드와 같은 다른 종이나 시퀀싱 기술에 적용되어 유사한 향상 효과를 낼 수 있는가?

주요 결과

• chr1 그래프로만 훈련된 모델이 높은 정확도로 다른 모든 인간 염색체를 성공적으로 재구성하여 강력한 일반화 능력을 입증했다.
• 실제 파코비 히피 리드에서 GNN 기반 방법은 chr1에서 2.54%의 오류율을 기록하여 레이븐의 5.30%보다 유의미하게 낮았다.
• 히وري스틱 기반 어셈블러에 비해 커티그 수를 줄이고 재구성된 게놈 분율을 높였다.
• NG50 및 NGA50 지표가 크게 향상되었으며, chr16에서 NG50가 12.99 Mb에 도달하여 레이븐의 12.99 Mb와 hifiasm의 10.55 Mb를 초월했다.
• 모든 염색체에서 인서션/데letion 비율이 낮아졌으며, chr22에서는 2.32%의 인서션/데letion 비율을 기록하여 레이븐의 4.40%보다 유리했다.
• 프레임워크는 코드와 데이터셋을 포함해 공개되어 재현 가능성과 다른 종 및 시퀀싱 기술로의 확장 가능성을 제공한다.