[논문 리뷰] Hot RAD: A Tool for Analysis of Next-Gen RAD Tag Data

Lauren A. Assour, Nicholas LaRosa외 1명|arXiv (Cornell University)|2015. 11. 20.

Genomics and Phylogenetic Studies참고 문헌 8인용 수 3

한 줄 요약

Hot RAD는 GUI 기반의 분산 처리 파이프라인으로, Smith-Waterman 기반 클러스터링과 공통 서열 생성을 통해 원시 Illumina 리드에서 더 적은 수의 깊은 서열 스택을 생성한다. 기존 도구에 비해 데이터 활용도를 높이고 메모리 부하를 줄이며, 단일 및 쌍서열 리드를 모두 지원하며, Makeflow와 Weaver를 통한 사용자 정의 필터링 및 분산 실행을 가능하게 한다.

ABSTRACT

Restriction site Associated DNA (RAD) tagging (also known as RAD-seq, etc.) is an emerging method for analyzing an organism's genome without completely sequencing it. This can be applied to a non-model organism without a reference genome, though this creates the problem of how to begin data analysis on unmapped and unannotated reads. Our program, Hot RAD, presents a straightforward and easy-to-use method to take raw Illumina data that has been RAD tagged and produce consensus contigs or sequence stacks using a distributed framework, creating a basis on which to begin analyzing an organism's DNA. The GUI (graphical user interface) element of our tool makes it easy for those not familiar with the command line to take raw sequence files and produce usable data in a timely manner.

연구 동기 및 목표

• 기본 게놈이 없는 비모델 생물에서의 매핑되지도, 애너테이션되지도 않은 RAD 태그 시퀀싱 데이터를 분석하는 데 도전하는 것.
• 기존의 de novo 어셈블리와는 달리, 리드를 덜 많은 수의 깊은 서열 스택으로 클러스터링하여 메모리 사용량을 줄이고 데이터 활용도를 향상시키는 것.
• 명령줄 전문 지식이 없는 비전문 연구자도 GUI 기반 인터페이스를 통해 RAD-seq 데이터를 쉽게 처리할 수 있도록 사용자 友好的 인터페이스 제공.
• Makeflow와 Weaver를 사용해 고성능 컴퓨팅 환경에서 확장 가능한 분산 실행을 가능하게 하여 대용량 데이터 세트 처리를 지원하는 것.
• 핵심 구성 요소(예: 대체 어셈블러 또는 정렬 도구 등)를 교체할 수 있도록 유연성을 제공하여 맞춤형 워크플로우를 지원하는 것.

제안 방법

• 바코드, 컷 사이트, 저품질 서열(예: 과도한 N 포함)을 제거하는 파이썬 기반 트리머를 사용하며, 가변 길이 바코드와 쌍서열 리드를 모두 지원한다.
• 사용자가 정의한 백분율 일치 임계값을 기반으로 시퀀스 일치도를 계산하고 리드를 클러스터로 그룹화하기 위해 밴드 처리된 Smith-Waterman 알고리즘을 적용한다.
• 각 클러스터 내에서 가장 대표적인 공통 서열(컨티그와 동일)을 식별하기 위해 수정된 중심성별 정렬 방법을 사용한다.
• 분산 처리 노드 간의 겹침 또는 중복 클러스터를 해결하기 위해 Smith-Waterman 정렬을 활용한 계층적 분산 병합 프로세스를 적용한다.
• GUI 또는 명령줄 스크립트를 통해 실행 가능하며, Makeflow와 Weaver를 통한 클라우드 또는 클러스터 환경 통합이 가능하다.
• 기본 어셈블러를 대체 도구로 교체할 수 있어 분석 파이프라인의 모듈화된 커스터마이제이션을 가능하게 한다.

실험 결과

연구 질문

• RQ1 기본 게놈이 없는 상황에서 RAD 태그 시퀀싱 데이터를 어떻게 효율적으로 처리할 수 있는가?
• RQ2 기존 어셈블러와 비교해 분산 처리 및 GUI 기반 파이프라인은 RAD-seq 분석에서 데이터 활용도를 높이고 메모리 소비를 줄이는 데 효과적인가?
• RQ3 변동 길이 바코드와 이질적인 리드 데이터는 RAD 태그 분석에서 얼마나 효과적으로 처리될 수 있는가?
• RQ4 공통 서열 클러스터링 기법은 de novo 어셈블리에 비해 메모리 효율성과 데이터 활용도 측면에서 어떻게 비교되는가?
• RQ5 모듈러 파이프라인 설계는 성능이나 사용성에 손상 없이 대체 어셈블러나 정렬 도구와의 통합을 지원할 수 있는가?

주요 결과

• Hot RAD는 다른 RAD 태그 도구보다 더 많은 수의 서열을 처리하여, 덜 많은 수의 깊은 유전자 위치로 리드를 클러스터링함으로써 더 높은 데이터 활용도를 달성한다.
• 'BP + Fast Align' 필터를 적용한 결과, 18,524개 리드를 처리하면서 3,108개의 클러스터를 생성한 상태에서 런타임이 773.1분에서 16.9분으로 감소했다.
• 특히 올리브, 현장에서 채취한 파리, 모기 등의 이질적 데이터 세트에서 Stacks나 RADTools와 같은 경쟁 도구보다 더 많은 수의 서열을 일관되게 활용한다.
• Hot RAD의 분산 아키텍처는 Makeflow와 Weaver를 통해 클러스터나 클라우드에서 확장 가능한 실행을 가능하게 하여 대용량 데이터 세트의 처리 시간을 크게 단축시킨다.
• 단일서열 및 쌍서열 리드 모두를 지원하지만, 두 번째 리드의 위치 정보는 사용하지 않으며, 저카운트 클러스터의 선택적 제거를 통해 처리 속도 향상을 가능하게 한다.
• Hot RAD의 모듈러 설계 덕분에 기본 어셈블러를 SeqMan NGen 등의 다른 도구로 교체할 수 있으며, 핵심 클러스터링 및 공통 서열 생성 파이프라인과의 호환성은 유지된다.