[논문 리뷰] Compressed Weighted de Bruijn Graphs

Italiano, Giuseppe F., Prezza, Nicola외 2명|arXiv (Cornell University)|2013. 08. 09.

Chromosomal and Genetic Variations참고 문헌 9인용 수 465

한 줄 요약

이 논문은 k-머 비주기 분포를 이용하여 게놈 크기, 반복 요소 비율, 이형성 등을 어셈블리에 의존하지 않고 추정하는 새로운 방법을 제시한다. k-머 개체수, 단정밀도 추정, 시퀀싱 오차 및 커버리지 편향에 대한 강력한 처리 기법을 통합함으로써 기존 방법에 비해 정확도를 크게 향상시켰으며, 시뮬레이션 데이터에서 게놈 크기 추정 오차가 8.11% 이내로 나타났고, 실세계의 de novo 시퀀싱 프로젝트에서도 실용적인 유용성을 입증하였다.

ABSTRACT

Background: With the fast development of next generation sequencing technologies, increasing numbers of genomes are being de novo sequenced and assembled. However, most are in fragmental and incomplete draft status, and thus it is often difficult to know the accurate genome size and repeat content. Furthermore, many genomes are highly repetitive or heterozygous, posing problems to current assemblers utilizing short reads. Therefore, it is necessary to develop efficient assembly-independent methods for accurate estimation of these genomic characteristics. Results: Here we present a framework for modeling the distribution of k-mer frequency from sequencing data and estimating the genomic characteristics such as genome size, repeat structure and heterozygous rate. By introducing novel techniques of k-mer individuals, float precision estimation, and proper treatment of sequencing error and coverage bias, the estimation accuracy of our method is significantly improved over existing methods. We also studied how the various genomic and sequencing characteristics affect the estimation accuracy using simulated sequencing data, and discussed the limitations on applying our method to real sequencing data. Conclusion: Based on this research, we show that the k-mer frequency analysis can be used as a general and assembly-independent method for estimating genomic characteristics, which can improve our understanding of a species genome, help design the sequencing strategy of genome projects, and guide the development of assembly algorithms. The programs developed in this research are written using C/C++, and freely accessible at Github URL (https://github.com/fanagislab/GCE) or BGI ftp ( ftp://ftp.genomics.org.cn/pub/gce).

연구 동기 및 목표

• 논문은 de novo 시퀀싱 프로젝트에서 현재의 게놈 크기 및 반복 요소 비율 추정 방법의 한계를 해결하고자 한다.
• 시퀀싱 오차 및 커버리지 편향에 대한 향상된 기법을 적용해 k-머 비주기 분포를 모델링함으로써 추정 정확도를 향상시키고자 한다.
• 기존 방법의 한계를 고려해 이형성 비율 추정을 포함한, 게놈 프로젝트에서 중요하지만 종종 간과되는 파라미터를 확장하고자 한다.
• 시뮬레이션 데이터를 활용해 핵심 게놈 및 시퀀싱 요소(예: k-머 크기, 오차율, 이형성)가 추정 정확도에 미치는 영향을 평가하고자 한다.
• 대규모 게놈 프로젝트의 시퀀싱 전략 및 어셈블리 알고리즘 선택을 안내하기 위해 실용적이고 접근 가능한 도구 세트를 제공하는 것이 목표이다.

제안 방법

• k-머 비주기 분포를 복합 포isson 혼합 모델로 모델링하여 고유, 반복, 이형성 k-머 클래스를 구분한다.
• 고유한 게놈 k-머 종을 나타내기 위해 'k-머 개체수' 개념을 도입하고, 정수 기반 방법에 비해 해상도를 향상시키기 위해 단정밀도 추정 기법을 사용한다.
• 반복적 EM 유사 업데이트를 포함한 베이지안 추정 프레임워크를 활용해 커버리지 깊이(c), 게놈 빈도(ai), k-머 종 비율(ka) 등의 파라미터를 추정한다.
• 시퀀싱 오차는 경험 기반 필터링 기법으로 처리하며, 깊이 임계값 이하인 k-머는 제거하고 누락 비율을 반복적으로 校정한다.
• 커버리지 편향은 주로 메인 피크가 편향 조건 하에서도 진짜 커버리지 깊이(c)를 반영한다고 가정함으로써 다루며,
• 연속적인 포isson 혼합 모델을 효율적인 계산과 파라미터 추정을 위해 조밀한 이산 모델로 근사화한다.

실험 결과

연구 질문

• RQ1 다양한 오차율과 이형성 비율 조건에서 k-머 크기가 게놈 크기 및 반복 요소 비율 추정 정확도에 미치는 영향은 어떠한가?
• RQ2 시퀀싱 오차 및 커버리지 편향이 k-머 비주기 기반 추정 정확도에 미치는 영향은 어느 정도인가?
• RQ3 제안된 방법이 이배체 게놈의 k-머 비주기 분포에서 이형성 비율을 신뢰성 있게 추정할 수 있는가?
• RQ4 k-머 비주기 분포의 파라미터(예: 피크 깊이, 형태 등)가 진짜 게놈 특성(예: 게놈 크기, 반복 구조)과 어떻게 상관관계가 있는가?
• RQ5 특히 커버리지 편향이나 저커버리지 영역이 존재할 경우, 이 방법을 실세계 시퀀싱 데이터에 적용할 때의 실용적 한계는 무엇인가?

주요 결과

• 시뮬레이션 데이터에서 최대 게놈 크기 추정 오차는 8.11%였으며, 이는 25-머 k-머를 사용하고 오차율 1% 및 이형성 1% 조건에서 발생했다.
• 정제된 실세계 데이터를 사용한 게놈 크기 추정에서 22%의 결과가 오차 <1%였고, 80%는 오차 <5%였으며, 이는 강력한 실용적 성능을 시사한다.
• 반복 요소 비율 추정(a1)에서 관찰된 최대 오차는 12.6%였으며, 17-머를 사용하고 이형성 0.1% 및 오차율 1% 조건에서 옥수수에서 발생했다.
• 실세계 데이터 분석에서 a1 추정치의 17%는 오차 <1%였고, 80%는 오차 <5%였으며, 이는 실제 노이즈가 존재하더라도 일관된 정확도 추세를 보였다.
• 충분한 깊이를 가진 데이터에서 이형성 피크(c/2)를 성공적으로 탐지하여 명확한 이중 피크 분포가 존재할 경우 이형성 비율 추론이 가능했다.
• 큰 k-머 크기(예: 25-머)는 오차 및 이형성에 민감도가 높아 정확도를 떨어뜨리며, 반면 작은 k-머(예: 17-머)는 노이즈 조건 하에서도 더 뛰어난 강건성을 보였다.