[논문 리뷰] Low-density locality-sensitive hashing boosts metagenomic binning

Yunan Luo, Jianyang Zeng외 2명|PubMed|2016. 04. 10.

Genomics and Phylogenetic Studies참고 문헌 21인용 수 5

한 줄 요약

이 논문은 갈라거의 LDPC 코드를 기반으로 한 저밀도 국소감지 해싱(LSH)을 사용하여 장거리 k-머(최대 k=64)를 구성적 특징 표현을 위해 효율적으로 인코딩하는 새로운 메타게놈 빈닝 방법인 Opal을 소개한다. 차원 수를 O(4^k)에서 O(m·4^t)로 감소시킴으로써 BWA-MEM과 같은 정렬 기반 방법보다 최대 두 계단 빠른 성능을 달성하며, 노이즈가 많거나 오류가 많은 데이터에서 뛰어난 정확도를 보이며, 구성적 및 정렬 기반 방법을 조합한 하이브리드 '거시적에서 미시적' 빈닝 파이프라인을 가능하게 하여 높은 확장성과 해상도를 확보한다.

ABSTRACT

Metagenomic binning is an essential task in analyzing metagenomic sequence datasets. To analyze structure or function of microbial communities from environmental samples, metagenomic sequence fragments are assigned to their taxonomic origins. Although sequence alignment algorithms can readily be used and usually provide high-resolution alignments and accurate binning results, the computational cost of such alignment-based methods becomes prohibitive as metagenomic datasets continue to grow. Alternative compositional-based methods, which exploit sequence composition by profiling local short k-mers in fragments, are often faster but less accurate than alignment-based methods. Inspired by the success of linear error correcting codes in noisy channel communication, we introduce Opal, a fast and accurate novel compositional-based binning method. It incorporates ideas from Gallager's low-density parity-check code to design a family of compact and discriminative locality-sensitive hashing functions that encode long-range compositional dependencies in long fragments. By incorporating the Gallager LSH functions as features in a simple linear SVM, Opal provides fast, accurate and robust binning for datasets consisting of a large number of species, even with mutations and sequencing errors. Opal not only performs up to two orders of magnitude faster than BWA, an alignment-based binning method, but also achieves improved binning accuracy and robustness to sequencing errors. Opal also outperforms models built on traditional k-mer profiles in terms of robustness and accuracy. Finally, we demonstrate that we can effectively use Opal in the "coarse search" stage of a compressive genomics pipeline to identify a much smaller candidate set of taxonomic origins for a subsequent alignment-based method to analyze, thus providing metagenomic binning with high scalability, high accuracy and high resolution.

연구 동기 및 목표

• 지수적 차원 수 증가로 인해 장거리 k-머를 사용하는 감독형 메타게놈 빈닝이 계산적으로 비현실적이 되는 문제를 해결하기 위해.
• 단순한 k-머에 의존하는 구성적 빈닝 방법에서 정확도와 효율성 사이의 상충 관계를 극복하기 위해.
• 대규모이자 고오류율 데이터셋에 적합한 확장성 있고 견고하며 빠른 메타게놈 빈닝 방법을 개발하기 위해.
• 구성적 및 정렬 기반 빈닝을 하이브리드 프레임워크로 통합하여 두 방법의 장점을 살려 정확도와 해상도를 향상시키기 위해.
• 코딩 이론 기반 LSH 함수를 사용하여 게놈 서열 데이터에서 유사성 검색과 차원 수 감소를 효율적으로 수행하기 위해.

제안 방법

• 갈라거의 저밀도 부호검사(LDPC) 코드에서 유도된 저밀도 국소감지 해싱(LSH) 함수를 사용하여 장거리 k-머를 저차원 벡터로 인코딩한다.
• 행 무게가 t인 갈라거 설계 행렬에서 m개의 해시 함수를 구성함으로써 전체 k-머 열거의 O(4^k)에서 O(m·4^t)로 시간 복잡도를 감소시킨다.
• LSH 함수는 구성적 유사성을 유지하도록 설계되어 메타게놈 조각 내 장거리 서열 의존성을 효과적으로 표현할 수 있도록 한다.
• 서열 조각 내 국소적 및 전반적인 구성적 특징을 포착하기 위해 LSH 함수의 계층적 구성이 가능하다.
• 세분화된 분류를 위해 LSH 인코딩 특징에 기반한 서포트 벡터 머신(SVM) 분류기가 훈련된다.
• 이 방법은 '거시적에서 미시적' 파이프라인에 통합된다: Opal은 최상위 후보 종을 식별하기 위해 초기 빈닝을 수행하고, 그 후 상위 후보 종에 대해 BWA-MEM 정렬을 수행하여 고해상도 매핑을 수행한다.

실험 결과

연구 질문

• RQ1 갈라거 코드를 기반으로 한 저밀도 LSH 함수가 메타게놈 빈닝을 위해 계산적으로 효율적인 방식으로 장거리 k-머를 효과적으로 표현할 수 있는가?
• RQ2 LSH 인코딩 특징를 통해 장거리 k-머를 사용할 경우, 특히 고수준의 시퀀싱 오류율 조건에서 기존의 단순 k-머 방법보다 빈닝 정확도가 향상되는가?
• RQ3 LSH 기반의 구성적 방법이 정렬 기반 방법과 효과적으로 통합되어 빠른 속도와 고해상도 매핑을 동시에 달성할 수 있는가?
• RQ4 BWA-MEM과 같은 정렬 기반 방법과 비교했을 때, LSH 기반 방법의 정확도, 속도, 돌연변이에 대한 저항성 측면에서의 성능은 어떠한가?
• RQ5 하이브리드 '거시적에서 미시적' 빈닝 전략이 계산 비용을 크게 줄이면서도 정확도를 유지하거나 향상시킬 수 있는가?

주요 결과

• Opal은 최신 정렬 기반 방법인 BWA-MEM보다 최대 두 계단 빠른 성능을 달성하면서도 깨끗한 데이터에서 동등하거나 더 높은 정확도를 유지한다.
• 15%의 돌연변이율을 가진 데이터셋에서 Opal의 상위 1개 빈닝 정확도는 0.0707이며, 기존의 k-머 방법을 뛰어넘고 시퀀싱 오류에 강력한 저항성을 보인다.
• Opal을 '거시적 검색'으로 사용하고 상위 2개의 예측 종에 대해 BWA-MEM 정렬을 수행하는 하이브리드 접근법은 정확도를 0.0645(상위 1개)로 향상시키며, 전체 참조 데이터베이스에 대해 BWA-MEM을 실행하는 것보다 런타임을 약 20배 감소시킨다.
• 장거리 k-머(예: k=64)를 사용하는 LSH 기반 방법은 단순 k-머 방법보다 장거리 구성적 의존성을 더 효과적으로 포착하여 더 높은 분류 능력을 보인다.
• 갈라거 LSH 설계는 내재된 오류 내성 특성을 지녀, 고수준의 돌연변이 및 시퀀싱 오류 조건에서도 견고한 성능을 발휘한다.
• 코딩 이론 기반 LSH를 통한 차원 수 감소는 특징의 풍부함을 희생시키지 않은 채 확장성 있고 정확한 빈닝을 가능하게 한다.