[논문 리뷰] The design and construction of reference pangenome graphs

Heng Li, Xiaowen Feng외 1명|arXiv (Cornell University)|2020. 03. 13.

Genomics and Phylogenetic Studies참고 문헌 55인용 수 15

한 줄 요약

이 논문은 기존의 선형 기준 게놈 GRCh38이 인간 유전적 다양성을 표현하는 데 한계가 있음을 고려하여, 구조적 변이를 효과적으로 표현하고 좌표를 유지하는 데 중점을 둔 새로운 그래프 기반 데이터 모델인 참조 그래픽 프래그먼트 어셈블리(rGFA)를 제안한다. 이를 통해 20개의 허브로타입에서 3시간 이내로 확장 가능한 좌표 유지 pangenome 그래프를 구축할 수 있으며, 이는 대규모 구조적 변이(≥100 bp)를 효율적으로 인코딩하고 정확하고 신속한 매핑을 가능하게 한다.

ABSTRACT

The recent advances in sequencing technologies enables the assembly of individual genomes to the reference quality. How to integrate multiple genomes from the same species and to make the integrated representation accessible to biologists remain an open challenge. Here we propose a graph-based data model and associated formats to represent multiple genomes while preserving the coordinate of the linear reference genome. We implemented our ideas in the minigraph toolkit and demonstrate that we can efficiently construct a pangenome graph and compactly encode tens of thousands of structural variants missing from the current reference genome.

연구 동기 및 목표

• 선형 기준 게놈인 GRCh38이 인간 유전적 다양성, 특히 대규모 구조적 변이를 표현하는 데 한계가 있음을 해결하기 위해.
• 다수의 고품질 개별 게놈 어셈블리와 통합된 확장 가능하고 좌표를 유지하는 pangenome 그래프 모델을 개발하기 위해.
• 유전자 시퀀스 데이터를 pangenome 그래프에 정확하고 효율적으로 매핑하면서 게놈 좌표를 유지하기 위해.
• 특히 구조적 변이 탐지에 적합한 대규모 pangenome 그래프의 구축과 활용을 위한 실용적 해결책을 제공하기 위해.
• 기존의 색상화된 de Bruijn 그래프나 VCF 기반 변이 통합 방식의 확장성 및 표현 한계를 극복하기 위해.

제안 방법

• 기준 pangenome 그래프를 위한 새로운 데이터 모델로 rGFA 형식을 제안하여 선형 게놈 좌표를 유지하고 샘플별 레이블링을 가능하게 한다.
• minigraph에서 사용하는 증분 그래프 구축 알고리즘을 활용하여 minimap2를 통해 쿼리와 기준 간의 주요 체인과 이질적 영역을 식별한다.
• 그래프 거리 및 시퀀스 거리 기반의 점수 함수(h_i)를 적용하여 심각한 이질성 영역을 탐지하고, 이후 기본 수준의 정렬을 통해 구조적 변이를 식별한다.
• Ruzzo-Tompa 알고리즘을 활용하여 INDEL이 ≥100 bp이거나 100bp 동안 일치도가 80% 미만인 이질적 영역에 해당하는 최대 점수 간격을 탐지한다.
• RepeatMasker와 SDUST를 활용하여 저복잡도 영역, 반복 반복 구조(VNTR/STR), 기타 반복 요소를 분류한다.
• GRCh38의 구간을 병합하고 높은 일치도를 보이는 정렬을 필터링하여 블랙리스트 영역을 생성함으로써 변이 호출의 정밀도를 향상시킨다.

실험 결과

연구 질문

• RQ1 선형 기준 게놈의 좌표 체계를 유지하면서도 구조적 변이를 인코딩할 수 있는 pangenome 그래프를 구성할 수 있는가?
• RQ2 수천 개의 구조적 변이가 포함된 다수의 고심도 인간 어셈블리에서 작동하는 확장 가능하고 효율적인 그래프 구축 방법을 어떻게 설계할 수 있는가?
• RQ3 그래프 기반 매핑기구가 게놈 맥락을 잃지 않고 시퀀스 리드를 pangenome 그래프에 정확하고 효율적으로 매핑할 수 있는가?
• RQ4 제안된 방법이 기준 게놈에 존재하지 않는 대규모 구조적 변이 탐지에 있어 성능과 정확도는 어떠한가?
• RQ5 반복 요소 및 저복잡도 영역과 같은 생물학적 의미를 갖는 요소를 pangenome 그래프에 어떻게 애노테이션 처리할 수 있는가? 이를 통해 후속 기능 분석을 지원할 수 있는가?

주요 결과

• minigraph 툴킷은 20개의 고품질 인간 허브로타입 어셈블리에서 단 3시간 만에 pangenome 그래프를 구축하여 높은 확장성을 입증한다.
• 이 방법은 GRCh38 기준 게놈에 존재하지 않는 수천 개의 구조적 변이(≥100 bp)를 성공적으로 인코딩한다.
• rGFA 형식은 게놈 좌표를 유지하며 복잡한 반복 영역을 포함한 변이의 정확한 매핑 및 애노테이션을 가능하게 한다.
• 그래프 구축 과정은 높은 민감도로 이질적 영역을 탐지하여 INDEL ≥100 bp 및 일치도 80% 이하의 세그먼트를 탐지한다.
• 블랙리스트 영역 생성 방법은 기준 게놈과 높은 일치도를 보이는 정렬을 필터링하여 임의의 양성 결과를 효과적으로 줄여 변이 호출의 정밀도를 향상시킨다.
• 인간 및 영장류 pangenome 그래프는 공개되어 있어 인구 게놈학 및 변이 탐지 분야에서 널리 활용될 수 있다.