[논문 리뷰] IBM Functional Genomics Platform, A Cloud-Based Platform for Studying Microbial Life at Scale

Ed Seabolt, Gowri Nayar외 8명|arXiv (Cornell University)|2019. 11. 05.

Genomics and Phylogenetic Studies참고 문헌 27인용 수 4

한 줄 요약

IBM 기능 게놈 플랫폼은 200,000개의 정제된 박테리아 게놈을 통해 전형적인 유전자-표현형 관계를 사전 계산하고 저장하는 클라우드 기반 관계형 데이터베이스입니다. 이는 6,800만 개의 유전자, 5,200만 개의 단백질, 2억 3,900만 개의 단백질 도메인을 초당로 검색할 수 있도록 하여, BLAST이나 Bowtie2와 같은 전통적인 도구가 각각의 새로운 쿼리에 대해 반복 계산이 필요한 것과는 대조적으로, 대규모 마이크로바이얼 분석을 훨씬 빠르게 처리합니다.

ABSTRACT

The rapid growth in biological sequence data is revolutionizing our understanding of genotypic diversity and challenging conventional approaches to informatics. With the increasing availability of genomic data, traditional bioinformatic tools require substantial computational time and the creation of ever-larger indices each time a researcher seeks to gain insight from the data. To address these challenges, we pre-computed important relationships between biological entities spanning the Central Dogma of Molecular Biology and captured this information in a relational database. The database can be queried across hundreds of millions of entities and returns results in a fraction of the time required by traditional methods. In this paper, we describe extit{IBM Functional Genomics Platform} (formerly known as OMXWare), a comprehensive database relating genotype to phenotype for bacterial life. Continually updated, IBM Functional Genomics Platform today contains data derived from 200,000 curated, self-consistently assembled genomes. The database stores functional data for over 68 million genes, 52 million proteins, and 239 million domains with associated biological activity annotations from Gene Ontology, KEGG, MetaCyc, and Reactome. IBM Functional Genomics Platform maps all of the many-to-many connections between each biological entity including the originating genome, gene, protein, and protein domain. Various microbial studies, from infectious disease to environmental health, can benefit from the rich data and connections. We describe the data selection, the pipeline to create and update the IBM Functional Genomics Platform, and the developer tools (Python SDK and REST APIs) which allow researchers to efficiently study microbial life at scale.

연구 동기 및 목표

• 각 새로운 게놈 데이터셋에 대해 반복적인 인덱싱과 정렬이 필요한 전통적인 생물정보학 워크플로우의 계산 병목 현상을 해결하기 위해.
• 정제된, 자기 일관성 있는 게놈을 사용하여 다양한 박테리아 종에 걸쳐 유전자와 표현형을 연결하는 확장 가능한 중앙집중식 저장소를 구축하기 위해.
• 유전자, 단백질, 도메인, 표현형 간의 관계를 사전 계산하여 대규모 마이크로바이얼 분석의 쿼리 시간을 수시간에서 수분 이내로 단축시키기 위해.
• REST API와 Python SDK를 포함한 프로그래머블 플랫폼을 제공하여 연구자가 마이크로바이얼 탐색을 위한 맞춤형 애플리케이션을 구축할 수 있도록 하기 위해.
• 지속적인, 업데이트 가능한 생물학적 실체 간 연결을 유지하여 실시간 데이터 통합과 표현형 서명 탐색을 지원하기 위해.

제안 방법

• 공개 저장소에서 20만 개의 고품질, 자기 일관성 있는 박테리아 게놈을 수용하고 정제하여 데이터 일관성과 품질을 확보합니다.
• 유전자 예측, 단백질 번역, InterProScan 기반 도메인 식별을 포함한 기존 생물정보학 파이프라인을 사용하여 유전자, 단백질, 기능 도메인을 애너테이션합니다.
• 표준 온톨로지(Gene Ontology, KEGG, MetaCyc, Reactome)에서 유래한 기능적 애너테이션을 정규화된 관계형 데이터베이스 스키마에 저장합니다.
• 게놈, 유전자, 단백질, 도메인 간의 다대다 관계를 사전 계산하고 색인하여 복잡한 쿼리의 빠른 처리를 가능하게 합니다.
• 1,000만 시간 이상의 컴퓨팅 시간이 소요되는 클라우드 기반 컴퓨팅 파이프라인을 통해 원시 시퀀스 데이터를 질의 가능한 구조화된 실체로 변환합니다.
• 개발자 도구로는 Python SDK와 REST API를 제공하여 데이터베이스에 프로그래밍 방식으로 접근하고, 맞춤형 분석 워크플로우에 통합할 수 있도록 지원합니다.

실험 결과

연구 질문

• RQ1 사전 계산된 관계형 데이터베이스는 기존의 정렬 기반 도구에 비해 대규모 마이크로바이얼 게놈 분석의 쿼리 시간을 크게 단축시킬 수 있는가?
• RQ2 수천 종의 박테리아 분류군에 걸쳐, 효율적이고 일관된 방식으로 유전자-표현형 관계를 스케일링하여 표현할 수 있는가?
• RQ3 사전 계산된 생물학적 관계는 병원성과 관련된 기능적 특징의 공존을 실시간으로 탐색하는 데 얼마나 효과적으로 기여할 수 있는가?
• RQ4 클라우드 네이티브 플랫폼은 대규모 참조 데이터와 사용자 업로드한 마이크로바이얼 시퀀스를 통합된 분석 환경에서 어떻게 지원할 수 있는가?
• RQ5 2억 3,900만 개 이상의 단백질 도메인과 6,800만 개의 유전자를 포함하고, 실체 간 관계를 색인화한 데이터베이스의 성능과 확장성은 어떠한가?

주요 결과

• IBM 기능 게놈 플랫폼은 20만 개의 정제된 박테리아 게놈을 기반으로 6,800만 개 이상의 고유한 유전자, 5,200만 개의 고유한 단백질, 2억 3,900만 개의 고유한 단백질 도메인을 저장하고 색인화합니다.
• 이 시스템은 수억 개의 생물학적 실체를 포함하는 복잡한 다중 실체 관계에 대해 수초 이내의 응답 시간을 보장하여, BLAST이나 Bowtie2와 같은 전통적 도구보다 훨씬 빠릅니다.
• 플랫폼은 게놈, 유전자, 단백질, 도메인 간의 지속적인 연결을 사전 계산하고 유지함으로써 반복적인 쿼리에 대해 인덱스를 재계산할 필요가 없습니다.
• 병원성과 관련된 기능 도메인의 공존을 탐색할 수 있는 프로토타입 애플리케이션을 마이크로서비스로 구축하고 배포하여, 최소한의 계산 오버헤드로 사용자가 기능적 도메인을 식별할 수 있도록 했습니다.
• 시스템은 실시간 데이터 수신과 업데이트를 지원하여 기존 데이터를 재처리하지 않고도 새로운 게놈 기능을 통합할 수 있으며, 증가하는 시퀀싱 데이터의 볼륨에 따라 확장성 확보가 가능합니다.
• 플랫폼의 개발자 도구인 Python SDK와 REST API는 감염병 및 환경 미생물학을 포함한 다양한 연구 분야에서 맞춤형 애플리케이션을 구축하고 배포하는 데 사용되었습니다.