[논문 리뷰] Fast sequence to graph alignment using the graph wavefront algorithm

Haowen Zhang, Shiqi Wu외 2명|arXiv (Cornell University)|2022. 06. 27.

Genomics and Phylogenetic Studies인용 수 6

한 줄 요약

이 논문은 유사한 시퀀스에서 상당한 속도 향상을 달성하기 위해 시퀀스 정렬의 웨이브프론트 원리를 활용한 빠르고 최적의 시퀀스-그래프 정렬을 위한 Graph Wavefront Alignment (Gwfa) 알고리즘을 소개한다. Gwfa는 편집 거리 국소성의 특성을 활용하여 런타임을 줄이며, 최대 10배의 속도 향상을 이끌어내는 그래프 프루닝 히ュ리스틱을 포함하고 있다. 이는 네 개의 실제 데이터셋에서 기존의 정확한 및 히ュ리스틱 방법보다 런타임과 메모리 효율성 면에서 모두 뛰어난 성능을 보였다.

ABSTRACT

Motivation: A pan-genome graph represents a collection of genomes and encodes sequence variations between them. It is a powerful data structure for studying multiple similar genomes. Sequence-to-graph alignment is an essential step for the construction and the analysis of pan-genome graphs. However, existing algorithms incur runtime proportional to the product of sequence length and graph size, making them inefficient for aligning long sequences against large graphs. Results: We propose the graph wavefront alignment algorithm (Gwfa), a new method for aligning a sequence to a sequence graph. Although the worst-case time complexity of Gwfa is the same as the existing algorithms, it is designed to run faster for closely matching sequences, and its runtime in practice often increases only moderately with the edit distance of the optimal alignment. On four real datasets, Gwfa is up to four orders of magnitude faster than other exact sequence-to-graph alignment algorithms. We also propose a graph pruning heuristic on top of Gwfa, which can achieve an additional $\sim$10-fold speedup on large graphs. Availability: Gwfa code is accessible at https://github.com/lh3/gwfa.

연구 동기 및 목표

• 시퀀스 길이와 그래프 크기가 증가함에 따라 성능이 급격히 떨어지는 기존 시퀀스-그래프 정렬 알고리즘의 계산 비효율성을 해결하기 위해.
• 특히 유사한 시퀀스에 대해 이전의 정확한 알고리즘보다 훨씬 빠르게 작동하는 최적의 정렬 방법을 개발하기 위해.
• 추가로 정렬의 속도를 높이되 최적성은 유지하는 그래프 프루닝 히ュ리스틱을 도입하기 위해.
• 큰 팬-게놈 그래프에서 최적의 정렬 경로를 효율적으로 추적할 수 있도록 메모리 사용량을 줄이기 위해.
• 유전체 게놈 분석의 확장 가능성을 높이기 위해 게놈 파이프라인의 핵심 정렬 워크로드 성능을 향상시키기 위해.

제안 방법

• Gwfa는 시퀀스-시퀀스 정렬의 웨이브프론트 정렬(WFA) 철학을 시퀀스-그래프 정렬로 확장하여, 동적 프rogram밍 행렬의 대각선 밴드를 따라 정렬 점수를 계산한다.
• 알고리즘은 정점 전이에 기반해 정렬 점수를 전파하는 웨이브프론트 순회 방식을 사용하며, 메모리 사용량을 제한하기 위해 현재 및 이전 웨이브프론트만 유지한다.
• 정렬 비용이 낮은 순서로 그래프의 경로를 탐색하기 위해 우선순위 큐를 사용하여 최적의 경로를 효율적으로 찾는다.
• 정렬 이전에 낮은 유용성의 정점과 간선을 제거하는 그래프 프루닝 히ュ리스틱을 적용하여 검색 공간을 축소하고 계산 속도를 향상시킨다.
• 웨이브프론트 전파 중 부모 포인터를 저장함으로써 최적의 정렬 경로의 역추적(traceback)을 지원하여 전체 정렬 워크의 재구성 가능하다.
• 기본 수준의 정밀도 향상을 위해 그래프 정렬 이후 표준 시퀀스 정렬과 통합하여 고정밀도 출력을 보장한다.

실험 결과

연구 질문

• RQ1 웨이브프론트 기반 동적 프로그래밍 원리가 더 빠르고 최적의 시퀀스-그래프 정렬을 달성하는 데 적응 가능할 수 있는가?
• RQ2 실제 생물학적 데이터셋에서 Gwfa의 성능은 기존의 정확한 및 히ュ리스틱 시퀀스-그래프 정렬 도구와 비교해 어떻게 되는가?
• RQ3 그래프 프루닝이 정확도를 훼손하지 않으면서 런타임과 메모리 사용량을 얼마나 줄일 수 있는가?
• RQ4 쿼리와 그래프 정렬 경로 간의 편집 거리가 증가함에 따라 Gwfa의 런타임은 어떻게 변화하는가?
• RQ5 웨이브프론트 계산에서 전체 정렬 경로를 복원하는 데 드는 메모리 및 시간 오버헤드는 어느 정도인가?

주요 결과

• 네 개의 실제 데이터셋에서 Gwfa는 다른 정확한 시퀀스-그래프 정렬 알고리즘보다 최대 10,000배 빠른 정렬 속도를 기록했으며, 특히 매우 유사한 시퀀스에서 가장 큰 속도 향상을 보였다.
• Gwfa-프루닝 히ュ리스틱은 대규모 그래프에서 추가로 약 10배의 속도 향상을 제공하여 전체적으로 가장 빠른 방법이 되었으며, 최적성은 유지했다.
• Gwfa-프루닝은 경쟁 방법 대비 2~83배 적은 메모리를 사용했으며, 역추적 기능을 활성화했을 경우 평균 15.8~75.2% 높은 메모리 사용량을 보였지만 여전히 다른 방법보다 크게 낮았다.
• 최적의 정렬 경로 역추적은 평균적으로 런타임을 3.8~14.5% 증가시켰으며, 작은 그래프에서는 2% 미만의 증가로 성능 저하가 거의 없었다.
• G4 그래프(큰 구조적 변이를 포함하고 편집 거리가 높음)에서는 Gwfa의 성능이 저하되었지만 여전히 최적의 결과를 도출했고, GraphAligner의 히ュ리스틱 모드는 완전한 정렬을 생성하지 못했다.
• Gwfa는 일관되게 최적의 편집 거리와 전체 정렬 워크를 보고했으며, 반면 GraphAligner의 히ュ리스틱 모드는 특히 복잡한 영역에서 정렬을 분할하여 보고했다.