[논문 리뷰] Variant tolerant read mapping using min-hashing

Jens Quedenfeld, Sven Rahmann|arXiv (Cornell University)|2017. 02. 06.

Algorithms and Data Compression참고 문헌 13인용 수 4

한 줄 요약

이 논문은 참조 게놈 윈도우에서 q-그램 집합의 최소 해싱을 사용하여 변이 내성 매핑을 가능하게 하는 새로운 리드 매핑기인 VATRAM을 제시한다. 특히 인구 빈도가 20% 이상인 변이, 특히 SNP를 색인에 통합함으로써 BWA와 Bowtie2에 비해 정밀도와 재현율을 향상시켜, 특히 HLA 루크스와 같은 고변이 지역에서 뛰어난 매핑 정확도를 달성하지만 런타임이 더 오래 걸린다.

ABSTRACT

DNA read mapping is a ubiquitous task in bioinformatics, and many tools have been developed to solve the read mapping problem. However, there are two trends that are changing the landscape of readmapping: First, new sequencing technologies provide very long reads with high error rates (up to 15%). Second, many genetic variants in the population are known, so the reference genome is not considered as a single string over ACGT, but as a complex object containing these variants. Most existing read mappers do not handle these new circumstances appropriately. We introduce a new read mapper prototype called VATRAM that considers variants. It is based on Min-Hashing of q-gram sets of reference genome windows. Min-Hashing is one form of locality sensitive hashing. The variants are directly inserted into VATRAMs index which leads to a fast mapping process. Our results show that VATRAM achieves better precision and recall than state-of-the-art read mappers like BWA under certain cirumstances. VATRAM is open source and can be accessed at https://bitbucket.org/Quedenfeld/vatram-src/.

연구 동기 및 목표

• 신규 시퀀싱 기술에서 유도된 긴, 오류가 많은 리드를 처리하는 데 있어 기존 리드 매핑기의 한계를 해결하기 위해.
• 기존 색인 구조에 알려진 유전적 변이—특히 SNP—를 직접 통합하여 리드 매핑 정확도를 향상시키기 위해.
• 시퀀싱 오류와 인간 게놈 내 생물학적 변이에 모두 내성적인 프로토타입 매핑기를 개발하기 위해.
• 다양한 시퀀싱 조건 하에서 최신 기술인 BWA와 Bowtie2와의 성능을 평가하기 위해.

제안 방법

• VATRAM은 참조 게놈을 길이 w = 1.4n인 겹치는 윈도우로 나누며, 여기서 n은 일반적인 리드 길이이다. 윈도우 간 겹침은 o = 1.25n이다.
• 각 윈도우에 대해, 길이 q인 모든 부분문자열을 포함하는 q-그램 집합을 구성한다. 이때 인구 빈도 > δ(일般적으로 δ = 0.2)인 알려진 SNP를 포함하는 모든 q-그램 조합도 포함한다.
• 밀도 높은 변이 지역에서 q-그램 집합의 크기가 급격히 증가하는 것을 방지하기 위해, 각 위치당 최대 l = 3개의 q-그램만 허용하여 가능한 4^q 조합을 모두 포함하지 않도록 제한한다.
• 각 q-그램 집합은 최소 해싱을 통해 단일 서명 값으로 매핑된다: 모든 가능한 q-그램에 대한 무작위 순열 하에서 사전순으로 가장 작은 q-그램을 선택한다.
• 리드 매핑은 리드의 q-그램 집합을 계산하고, 색인 내의 최소 해싱 서명과 비교하여 후보 참조 윈도우를 식별함으로써 수행된다.
• 변이 내성 정렬 단계는 알려진 변이와 시퀀싱 오류를 고려한 맞춤형 정렬기를 사용하여 매칭을 연장한다.

실험 결과

연구 질문

• RQ1 변이 정보가 반영된 q-그램 집합의 최소 해싱이 고유전적 변이 지역에서 리드 매핑 정확도를 향상시키는가?
• RQ2 인구 빈도 >20%인 알려진 변이(예: SNP)의 통합이 표준 매핑기와 비교해 정밀도와 재현율에 어떤 영향을 미치는가?
• RQ3 VATRAM은 HLA 루크스와 같은 고다형성 지역에서 BWA-MEM과 Bowtie2를 능가하는가?
• RQ4 장거리 리드(예: 10,000bp 이상인 PacBio 리드)에 대해 VATRAM의 성능은 BWA-MEM과 유사한 길이의 리드를 대상으로 하지 않는 도구와 비교해 어떻게 변화하는가?
• RQ5 변이 인식 색인을 사용할 경우 매핑 정확도와 계산 효율성 사이의 상충 관계는 어떠한가?

주요 결과

• DRR003760 데이터셋(높은 다형성 HLA 영역을 포함)에서, VATRAM는 표준 설정으로 BWA-MEM보다 더 높은 정확하게 매핑된 리드 비율을 달성했지만, 편집 거리 모드에서 BWA-MEM이 절대적 재현율에서 여전히 높았다.
• SRR003174 데이터셋에서, VATRAM는 표준 설정과 편집 거리 설정 모두에서 BWA-MEM보다 더 많은 리드를 정확한 위치에 매핑했으며, BWA와 Bowtie2보다 더 낮은 잘못된 매핑 비율을 기록했다.
• VATRAM의 정밀도는 BWA와 Bowtie2를 항상 뛰어넘었으며, 특히 변이가 많은 지역에서 잘못된 매핑 비율이 뚜렷이 낮았다.
• 장거리 리드 SRX533609 데이터셋(PacBio)에서, VATRAM의 런타임은 BWA-MEM의 표준 설정보다 20배 이상 길었지만, 여전히 표준 모드에서 BWA-MEM보다 더 높은 정밀도와 더 높은 정확한 매핑 리드 비율을 달성했다.
• 색인에 알려진 변이를 포함시킴으로써 DRR003760에서 HLA 영역의 밀도 높은 변이 지역에서 매핑 품질이 크게 향상되었지만, 전체 게놈에서 변이를 지닌 리드 비율이 낮아 전체적인 영향은 미미했다.
• mrsFastUltra는 변이 내성 매핑기를 제공하지만, 낮은 재현율과 5개의 실재 데이터셋 중 일부를 처리하지 못해 실용성에 한계가 있었다.