[논문 리뷰] Correcting Illumina sequencing errors for human data

Heng Li|arXiv (Cornell University)|2015. 02. 12.

Genomics and Phylogenetic Studies참고 문헌 12인용 수 7

한 줄 요약

이 논문은 이누미나 전장 게놈 시퀀싱 데이터를 위한 비그리디 오류 보정 도구인 BFC를 소개한다. BFC는 신뢰할 수 있는 k-mer와 우선순위 큐 기반 동적 프로그래밍 기법을 사용하여 그레디 방법보다 높은 정확도를 달성한다. 인간 데이터에서 평가한 결과, BFC-ht는 과도한 보정을 줄이고 맵핑 정확도를 향상시켜 이중체이자 반복 서열이 풍부한 게놈에서 비그리디 보정의 이점을 입증한다.

ABSTRACT

Summary: We present a new tool to correct sequencing errors in Illumina data produced from high-coverage whole-genome shotgun resequencing. It uses a non-greedy algorithm and shows comparable performance and higher accuracy in an evaluation on real human data. This evaluation has the most complete collection of high-performance error correctors so far. Availability and implementation: https://github.com/lh3/bfc Contact: [e-mail]

연구 동기 및 목표

• 고밀도, 반복 서열이 풍부한 인간 게놈에서 그레디 오류 보정의 한계를 해결하기 위해.
• 다양한 보정 경로를 탐색하여 최적의 보정을 찾는 비그리디 알고리즘을 개발하기 위해.
• 실제 인간 시퀀싱 데이터에서 최신 오류 보정 도구들과의 성능을 평가하기 위해.
• k-mer 크기, 기초 품질, 데이터 구조가 오류 보정 정확도에 미치는 영향을 평가하기 위해.
• 다양한 도구들 간의 속도, 메모리 사용량, 정확도 간의 상호 교환 관계를 비교하기 위해.

제안 방법

• BFC는 위치, k-1-mer 컨텍스트, 보정된 위치, 페널티를 추적하기 위해 4개의 원소로 구성된 상태 표현식 (i, W, C, p)을 사용하며, 모든 상태를 우선순위 큐에 유지한다.
• 알고리즘은 각 위치에서 가능한 다음 기초를 모두 탐색하며, 신뢰할 수 있는 k-mer를 선호하고 신뢰할 수 없는 것은 페널티를 적용한다.
• 기초 품질이 Q20 이상이거나 창문 내에서 다수의 고품질 기초가 보정된 경우 보정을 건너뛰는 등의 히우리스틱을 적용하여 검색 공간을 줄인다.
• 두 가지 구현 방식이 제공된다: BFC-bf는 KMC2에서 제공하는 k-mer 개수를 사용하는 블록화된 블룸 필터를 사용하며, BFC-ht는 근사 개수를 위해 블룸 필터와 메모리 내 해시 테이블을 결합한다.
• 도구는 신뢰할 수 있는 k-mer 서브스트링에서부터 전체 리드로 오류 보정을 확장하며, 초기에 신뢰할 수 있는 k-mer가 없을 경우 한 문자 오류가 있는 k-mer 열거를 통해 이를 찾는다.
• INDEL 인식 확장 기능은 정의되었지만, 이누미나 데이터에서 이러한 오류의 빈도가 낮아 아직 구현되지 않았다.

실험 결과

연구 질문

• RQ1 비그리디 오류 보정 접근 방식이 그레디 방법에 비해 고밀도 인간 전장 게놈 시퀀싱 데이터에서 정확도를 향상시키는가?
• RQ2 k-mer 크기와 기초 품질이 이중체이자 반복 서열이 풍부한 게놈에서 오류 보정 도구의 성능에 어떤 영향을 미치는가?
• RQ3 높은 품질의 k-mer를 신뢰할 수 있는 집합에 유지하면, 특히 체계적인 시퀀싱 오류의 경우 보정 정확도를 향상시킬 수 있는가?
• RQ4 실제 인간 데이터에서 다양한 오류 보정 도구들 간의 속도, 메모리 사용량, 정확도 간의 상호 교환 관계는 어떠한가?
• RQ5 다른 k-mer 크기를 사용하는 두 번의 보정 라운드를 통해 전체 보정 품질과 후속 어셈블리 결과가 향상되는가?

주요 결과

• BFC-ht는 완벽하게 맵핑되는 리드 수가 가장 많았고(303만), 색체 리드 수가 가장 적었으며(1만1700건) 다른 도구들보다 정확도에서 뛰어났다.
• BFC-ht는 원본보다 더 나은 결과를 낸 리드를 81만6000건 보정했고, 악화된 리드도 단 1만8000건에 불과하여 높은 신뢰성과 최소한의 과도한 보정을 보였다.
• BFC-bf와 BFC-ht는 BLESS와 Lighter보다 정확도에서 뛰어났으며, BFC-ht는 고품질 k-mer 유지 덕분에 약간의 우위를 보였다.
• 더 긴 k-mer(예: k=55)는 정확도를 향상시키고 과도한 보정을 줄였는데, 이는 반복 영역의 해상도가 높아지고 검색 공간이 작아지기 때문일 것이다.
• 두 가지 k-mer 크기를 사용하는 두 라운드 보정 전략은 결과를 약간 향상시켰다(86만1000건 개선, 9500건 악화되었지만), 후속 어셈블리 결과에는 유의미한 향상이 없었으며, 이는 수익 감소 현상이었다.
• BBMap는 가장 빠른 도구였고, Bloocoo는 메모리 사용량이 가장 적었지만, BFC-ht는 정확도와 자원 효율성의 최적의 균형을 제공했다.