[논문 리뷰] Illumina Sequencing Artifacts Revealed by Connectivity Analysis of Metagenomic Datasets

Adina Chuang Howe, Jason Pell외 6명|arXiv (Cornell University)|2012. 12. 01.

Genomics and Phylogenetic Studies참고 문헌 28인용 수 7

한 줄 요약

이 연구는 de Bruijn 그래프의 연결성 분석을 통해 Illumina 메타게놈 데이터셋에서 광범위한 서열화된 아티팩트를 규명하며, 위치별 편향으로 인해 발생하는 고도로 연결된 '덩어리' 형태의 리드를 드러낸다. 이러한 아티팩트에 취약한 서열을 제거하면 어셈블리 정확도가 향상되고 메모리 사용량이 감소하며, 효율적인 병렬 처리가 가능해지며, 필터링된 어셈블리에서는 다양한 메타게놈에서 일관된 어셈블리 내용을 보여준다.

ABSTRACT

Sequencing errors and biases in metagenomic datasets affect coverage-based assemblies and are often ignored during analysis. Here, we analyze read connectivity in metagenomes and identify the presence of problematic and likely a-biological connectivity within metagenome assembly graphs. Specifically, we identify highly connected sequences which join a large proportion of reads within each real metagenome. These sequences show position-specific bias in shotgun reads, suggestive of sequencing artifacts, and are only minimally incorporated into contigs by assembly. The removal of these sequences prior to assembly results in similar assembly content for most metagenomes and enables the use of graph partitioning to decrease assembly memory and time requirements.

연구 동기 및 목표

• 시퀀싱 아티팩트로 인한 메타게놈 어셈블리 그래프 내 인위적 연결성 존재 여부를 조사하기 위해.
• 생물학적으로 유래되지 않은 플랫폼 특이적 편향으로 인해 발생하는 고도로 연결된 k-머 서열을 식별하기 위해.
• 이러한 아티팩트 서열 제거가 *de novo* 메타게놈 어셈블리 성능과 효율성에 미치는 영향을 평가하기 위해.
• 아티팩트 제거 후 데이터셋 분할을 통해 더 정확하고 확장 가능한 메타게놈 어셈블리 구현을 위해.
• 커버리지 추정과 커티그 구성에 악영향을 미치는 시퀀싱 아티팩트를 탐지하고 필터링할 수 있는 방법 제공하기 위해.

제안 방법

• k-머 길이 k=32를 사용하여 Illumina 메타게놈 데이터셋에서 de Bruijn 그래프를 구축하여 리드 연결성 분석하기.
• 각 어셈블리 그래프에서 '덩어리'를 가장 큰 연결된 구성요소로 정의하며, 비정상적으로 높은 연결성 영역으로 식별하기.
• 각 k-머 주변의 국소 그래프 밀도를 계산하여 연결성 정도를 정량화하며, 20 초과 값은 비선형적이고 과다 연결된 영역으로 간주하기.
• 리드 서열 전역에서 그래프 밀도의 위치별 변동성을 분석하여, 고밀도 영역에서 일관된 3’-엔드 농도 증가를 발견하기.
• Bowtie와 blastn를 사용하여 참조 게놈과 NCBI 비중복 데이터베이스에 대량 정렬하여 정확한 일치를 확인함으로써 고도로 연결되고 높은 유병도를 가진 k-머 식별하기.
• Velvet과 Meta-IDBA를 사용하여 어셈블리 이전에 아티팩트 k-머를 리드에서 제거하고, 필터링된 및 비필터링된 어셈블리 결과를 비교하기.

실험 결과

연구 질문

• RQ1 메타게놈 어셈블리 그래프에서 비정상적으로 높은 연결성은 무엇으로 인해 발생하며, 생물학적으로 의미가 있는가?
• RQ2 시퀀싱 아티팩트는 리드 연결성에서 위치별 편향으로 어떻게 나타나는가?
• RQ3 고도로 연결된 k-머는 어셈블리 오류와 메모리 오버헤드에 어느 정도 기여하는가?
• RQ4 이러한 아티팩트 서열 제거가 *de novo* 메타게놈 어셈블리의 정확도와 효율성 향상에 기여하는가?
• RQ5 아티팩트 k-머 필터링이 다양한 메타게놈에서 일관되고 더 신뢰할 수 있는 어셈블리 내용을 이끌어내는가?

주요 결과

• 인간 장 내 메타게놈에서는 전체 리드의 75%가 한 덩어리에 포함된 반면, 시뮬레이션된 메타게놈은 오직 5%에 불과하여 실제 데이터에서 아티팩트의 광범위한 존재를 시사한다.
• 모든 실제 메타게놈에서 덩어리 내 노드의 22–50%가 국소 그래프 밀도 >20를 보였지만, 시뮬레이션 데이터에서는 오직 17%에 그쳐 비생물학적 과다 연결을 시사한다.
• 위치별 분석을 통해 모든 환경 메타게놈에서 리드의 3’-엔드에서 그래프 밀도가 뚜렷이 높게 나타나, 플랫폼 특이적 시퀀싱 편향을 시사한다.
• 고도로 연결된 k-머는 생물학적으로 유래되지 않았으며, 인간 장 내 메타게놈에서 상위 100개의 가장 높은 유병도 32-머 중 95%가 어떤 참조 게놈이나 NCBI 데이터베이스와도 일치하지 않았다.
• 아티팩트 k-머 제거 후 필터링된 어셈블리에서는 데이터셋 간 유사한 어셈블리 내용을 보였으며, 편향 감소와 일관성 향상을 시사한다.
• 필터링된 어셈블리는 메모리 사용량과 처리 시간이 감소하였고, 연결성 감소로 인해 그래프 분할이 가능해져 병렬 처리가 가능해졌다.