[논문 리뷰] Evolutionary Placement of Short Sequence Reads

Simon Berger, Alexandros Stamatakis|ArXiv.org|2009. 11. 15.

Genomics and Phylogenetic Studies참고 문헌 6인용 수 7

한 줄 요약

이 논문은 최대우도 기반으로 짧은 DNA 염기서열을 계통수의 분지에 할당하는 데 빠르고 정확한 방법인 진화적 배치 알고리즘(EPA)을 소개한다. EPA는 BLAST 수준의 속도를 유지하면서도, 특히 희박한 분류군 샘플링 조건에서 BLAST보다 훨씬 높은 정확도를 달성한다. 이는 독립된 계통수의 구조와 분지 길이 최적화를 통해 달성된다.

ABSTRACT

We present an Evolutionary Placement Algorithm (EPA) for the rapid assignment of sequence fragments (short reads) to branches of a given phylogenetic tree under the Maximum Likelihood (ML) model. The accuracy of the algorithm is evaluated on several real-world data sets and compared to placement by pair-wise sequence comparison, using edit distances and BLAST. We test two versions of the placement algorithm, one slow and more accurate where branch length optimization is conducted for each short read insertion and a faster version where the branch lengths are approximated at the insertion position. For the slow version, additional heuristic techniques are explored that almost yield the same run time as the fast version, with only a small loss of accuracy. When those additional heuristics are employed the run time of the more accurate algorithm is comparable to that of a simple BLAST search for data sets with a high number of short query sequences. Moreover, the accuracy of the Evolutionary Placement Algorithm is significantly higher, in particular when the taxon sampling of the reference topology is sparse or inadequate. Our algorithm, which has been integrated into RAxML, therefore provides an equally fast but more accurate alternative to BLAST for phylogeny-aware analysis of short-read sequence data.

연구 동기 및 목표

• 기본 분류군 샘플링이 희박하거나 부족한 상황에서 BLAST의 단점을 해결하기 위해.
• 계통수 인식 기반의 확장 가능한 짧은 서열 할당 방법을 개발하여, 계산 효율성을 희생시키지 않은 채 높은 정확도를 유지하기 위해.
• 기존의 RAxML 소프트웨어에 진화적 배치를 통합하여 메타게놈 분석에서 실용적으로 활용할 수 있도록 하기 위해.
• 다양한 EPA 버전에서 정확도와 런타임 간의 상호 교환 관계를 평가하기 위해.
• 복잡한 기준 계통수에 대규모 짧은 서열 데이터셋을 고속으로 동시에 분류할 수 있도록 병렬 처리를 가능하게 하기 위해.

제안 방법

• EPA는 기존의 기준 계통수(RT)에 쿼리 서열(QS)을 최적의 삽입 분지와 분지 길이를 추정함으로써 최대우도 기반으로 삽입한다.
• 두 가지 버전이 구현되었으며, 하나는 각 QS에 대해 분지 길이를 최적화하는 느린 정확한 버전이고, 다른 하나는 삽입 지점에서 분지 길이를 근사화하는 빠른 버전이다.
• 정확한 버전의 런타임을 줄이기 위해 히우리스틱 기법이 적용되었으며, 이는 분수 매개변수 $fh$를 통해 후보 삽입 분지의 수를 제한하는 방식이다.
• 이론적 우도 최적화 동안 서열 간 변동성을 모델링하기 위해 $\Gamma$ 모델과 CAT 모델을 모두 사용한다.
• 다중 정도 병렬 처리를 통해 구현되었으며, 32코어 시스템에서 100,000개의 QS를 4,000개의 분류군을 가진 계통수에 1.5시간 내에 분류할 수 있었다.
• 초기 단계의 최대우도 기반 정렬 방법이 구현되었으며, 간격을 알 수 없는 문자로 간주하지만, 공식적인 인ser트/딜리션 모델은 포함되어 있지 않다.

실험 결과

연구 질문

• RQ1 최대우도 기반의 진화적 배치 방법이 짧은 서열 할당에서 높은 정확도와 낮은 런타임을 동시에 달성할 수 있는가?
• RQ2 희박하거나 부적절한 분류군 샘플링 조건에서 EPA의 정확도는 BLAST 및 쌍방향 서열 비교와 비교해 어떻게 되는가?
• RQ3 히우리스틱 최적화는 정확한 EPA 버전의 런타임을 얼마나 줄일 수 있으며, 이로 인해 배치 정확도에 상당한 영향을 미치는가?
• RQ4 EPA 방법은 수천 개의 쿼리 서열을 포함하는 대규모 메타게놈 데이터셋에 대해 확장 가능한가?
• RQ5 최대우도 프레임워크 하에서 짧은 서열의 동시에 배치 및 정렬을 효율적으로 수행할 수 있는가?

주요 결과

• 분지 길이를 완전히 최적화하는 느린 EPA 버전은 특히 기준 분류군 샘플링이 희박한 경우 BLAST보다 유의미하게 높은 정확도를 달성한다.
• 히우리스틱 최적화를 적용한 정확한 EPA 버전은 단순 BLAST 검색 수준의 런타임을 갖게 되었으며, 거의 최적의 정확도를 유지한다.
• 분수 매개변수 $fh = 1/32$를 사용할 경우, 히우리스틱 방법은 기준(느린) 방법과 거의 동일한 정확도를 달성하며, 정확도 손실는 미미하다.
• MP 기반 히우리스틱은 ML 기반 히우리스틱과 정확도가 유사하지만, 가장 작은 $fh$ 값에서는 차이를 보이며, SSE3 벡터화를 통해 가속화가 가능하다.
• CAT 모델을 사용한 빠른 EPA 버전은 $\Gamma$ 모델 대비 113초(290초 대비)의 런타임을 기록했으며, 정확도 손실는 미미하다.
• 빠른 버전과 느린 버전 간 평균 노드 이격 거리는 0.5 이하로, 두 방법 간 강력한 일관성이 있음을 시사한다.