[논문 리뷰] Ococo: an online variant and consensus caller

Karel Břinda, Valentina Boeva외 1명|arXiv (Cornell University)|2017. 12. 04.

Genomics and Phylogenetic Studies참고 문헌 11인용 수 3

한 줄 요약

OCOCO는 정렬되지 않은 BAM/SAM 스트림으로부터 실시간으로 단일염기다형성과 게놈 공통서열을 추론하는 최초의 온라인 변이 호출기이다. 이는 핵산기여수를 저장하기 위해 압축된 비트 최적화 카운터를 사용한다. 기존의 SAMtools 및 VarScan과 같은 전통적 파이프라인 대비 최대 66배의 속도 향상을 달성하면서도 높은 정확도(20x 시퀀싱 커버리지에서 SNP 재현율 97.3%)를 유지하여 자원이 제한된 환경이나 스트리밍 기반 유전체 분석 워크플로우에 이상적이다.

ABSTRACT

Motivation: Identifying genomic variants is an essential step for connecting genotype and phenotype. The usual approach consists of statistical inference of variants from alignments of sequencing reads. State-of-the-art variant callers can resolve a wide range of different variant types with high accuracy. However, they require that all read alignments be available from the beginning of variant calling and be sorted by coordinates. Sorting is computationally expensive, both memory- and speed-wise, and the resulting pipelines suffer from storing and retrieving large alignments files from external memory. Therefore, there is interest in developing methods for resource-efficient variant calling. Results: We present Ococo, the first program capable of inferring variants in a real-time, as read alignments are fed in. Ococo inputs unsorted alignments from a stream and infers single-nucleotide variants, together with a genomic consensus, using statistics stored in compact several-bit counters. Ococo provides a fast and memory-efficient alternative to the usual variant calling. It is particularly advantageous when reads are sequenced or mapped progressively, or when available computational resources are at a premium.

연구 동기 및 목표

• 정렬된 어ライン먼트와 큰 외부 스토리지가 필요로 하는 기존 오프라인 변이 호출 파이프라인의 계산 및 I/O 성능 저하 문제를 해결하기 위해.
• 전체 데이터셋이 준비될 때까지 대기하지 않고 어라이어먼트가 스트림으로 들어오는 동안 실시간으로 변이 탐지 및 공통서열 생성을 가능하게 하기 위해.
• 유전체 위치당 몇 비트의 카운터만 사용하여 핵산기여수를 추적하고 공통서열에서의 편차를 탐지할 수 있는 메모리 효율적인 방법을 설계하기 위해.
• 이동식 장치, 자원이 제한된 클라우드 환경, 또는 동적 매핑 워크플로우에 적합한 빠르고 경량의 대안을 제공하기 위해.

제안 방법

• OCOCO는 실시간으로 정렬되지 않은 BAM/SAM 어라이어먼트를 처리하며, 각 유전체 위치당 A, C, G, T 핵산기여수를 위한 네 개의 3비트 카운터를 유지한다.
• 카운터 오버플로우를 방지하기 위해 비트 시프트 메커니즘을 사용한다: 카운터가 포화에 도달하면 해당 위치의 모든 카운터가 오른쪽으로 시프트되어 가장 낮은 비트가 기각된다.
• 공통서열은 참조 기반으로 초기화되며, 핵산기여수가 현재 공통서열에서 유의미하게 벗어날 경우 변이가 발생할 가능성이 있음을 시사하여 업데이트된다.
• 비공통서열 핵산기여수가 임계치에 도달하면 변이 탐지가 트리거되며, 이는 치환(예: A→G)으로 보고된다.
• 빠른 비트 연산을 통해 압축된 카운터를 활용하여 일정 시간 내에 업데이트하고 메모리 사용을 효율적으로 관리한다.
• 알고리즘은 빈도 임계치와 카운터 포화 행동에 기반하여 무작위 시퀀싱 오류를 효과적으로 걸러내도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 정렬되지 않은 시퀀싱 어라이어먼트에서 전체 데이터셋 정렬이 필요 없이 실시간으로 변이 호출이 가능할 수 있는가?
• RQ2 메인 메모리에서 핵산기여수 통계를 어떻게 압축적으로 표현할 수 있으며, 이를 통해 온라인 변이 탐지가 가능하게 할 수 있는가?
• RQ3 제한된 정밀도를 가진 카운터 기반 시스템이 표준 파이프라인 대비 SNP 탐지 정확도를 어느 정도 유지할 수 있는가?
• RQ4 변이 호출에서 정렬 및 외부 I/O를 제거함으로써 발생하는 성능 및 메모리 간 상호 교환 관계는 어떠한가?
• RQ5 이러한 온라인 시스템이 실제 유전체 분석 워크로드에서 경쟁 가능한 속도와 정확도를 달성할 수 있는가?

주요 결과

• OCOCO는 시뮬레이션된 Chlamydia trachomatis 데이터의 5x 커버리지 처리 후 단일염기다형성에 대해 92.2%의 재현율을 기록하였으며, 20x 커버리지에서는 97.3%로 증가하였다.
• iMac(SSD, 40GB RAM) 환경에서 OCOCO는 표준 SAMtools + VarScan 파이프라인 대비 Chlamydia 게놈에서 최대 66배의 속도 향상을 기록하였다.
• 인간 염색체 17(78.7 Mb)에서 OCOCO는 각각 5x 및 20x 커버리지에서 91.3% 및 96.1%의 SNP 재현율을 기록하여 확장성을 입증하였다.
• 더 긴 게놈에서의 성능 향상은 CPU 캐시 미스 증가로 인해 55배로 감소하였으며, 이는 더 긴 게놈에서의 확장성 문제를 드러내었다.
• OCOCO는 최소한의 I/O 및 메모리 오버헤드로 실시간으로 고품질의 공통서열을 성공적으로 생성하여 스트리밍 또는 임베디드 응용 분야에 적합하였다.
• 빈도 기반 임계치와 카운터 포화 행동을 통해 랜덤 시퀀싱 오류를 효과적으로 걸러내어 높은 특이도를 유지하였다.