[논문 리뷰] A novel method for the estimation of diversity in viral populations from next generation sequencing data

Jean Paulo Lopes Zukurov, Sieberth N. Brito외 2명|arXiv (Cornell University)|2014. 05. 08.

Evolution and Genetic Dynamics참고 문헌 15인용 수 1

한 줄 요약

이 논문은 SOLiD와 같은 플랫폼의 낮은 오류율과 깊은 커버리지 특성을 활용하여 단독 읽기 NGS 데이터에서 바이러스 유전적 다양성을 베이지안 방법으로 추정하는 Tanden을 소개한다. 각 유전자 위치의 앨레르그 빈도를 다항분포로 모델링하고 사전 정보를 이용해 신호와 잡음을 구분함으로써, 빈도 기반 방법에 비해 다양성 추정 정확도를 향상시킨다.

ABSTRACT

In this paper we propose a method and discuss its computational implementation as an integrated tool for the analysis of viral genetic diversity on data generated by high-throughput sequencing. Most methods for viral diversity estimation proposed so far are intended to take benefit of the longer reads produced by some NGS platforms in order to estimate a population of haplotypes. Our goal here is to take advantage of distinct virtues of a certain kind of NGS platform - the platform SOLiD (Life Technologies) is an example - that has not received much attention due to the short length of its reads, which renders haplotype estimation very difficult. However, this kind of platform has a very low error rate and extremely deep coverage per site and our method is designed to take advantage of these characteristics. We propose to measure the populational genetic diversity through a family of multinomial probability distributions indexed by the sites of the virus genome, each one representing the populational distribution of the diversity per site. The implementation of the method focuses on two main optimization strategies: a read mapping/alignment procedure that aims at the recovery of the maximum possible number of short-reads; the estimation of the multinomial parameters through a Bayesian approach, which, unlike simple frequency counting, allows one to take into account the prior information of the control population within the inference of a posterior experimental condition and provides a natural way to separate signal from noise, since it automatically furnishes Bayesian confidence intervals. The methods described in this paper have been implemented as an integrated tool called Tanden (Tool for Analysis of Diversity in Viral Populations).

연구 동기 및 목표

• 단독 읽기 NGS 데이터에서 바이러스 유전적 다양성을 추정하는 데 도전하는 데 목적이 있으며, 특히 오류율은 낮지만 읽기 길이가 짧은 SOLiD와 같은 플랫폼을 대상으로 한다.
• 더 긴 읽기를 필요로 하는 기존 히브리드 기반 방법의 한계를 극복하여, 짧고 깊은 커버리지 데이터에서 효과적으로 작동하지 못하는 문제를 해결하고자 한다.
• 깊은 커버리지와 낮은 오류율을 활용하여 다양성 추정 정확도를 향상시키는 방법을 개발하고자 한다.
• 제어 집단으로부터의 사전 지식을 추론 과정에 통합하여 신호 대 잡음 분리 능력을 향상시키고자 한다.
• 바이러스 집단 다양성 분석을 위한 사용자 우호적이고 통합된 도구(Tanden)를 제공하고자 한다.

제안 방법

• 각 유전자 위치마다 하나씩 다항확률분포의 가족을 사용하여 앨레르그 빈도 분포를 표현함으로써 바이러스 유전적 다양성을 모델링한다.
• 짧은 읽기 길이에도 불구하고 최대한 많은 수의 단독 읽기를 복구할 수 있도록 최적화된 리드 매핑/정렬 전략을 구현한다.
• 제어 집단으로부터의 사전 정보를 포함시켜 추론 능력을 향상시키는 베이지안 프레임워크를 사용하여 다항분포의 파라미터를 추정한다.
• 사후분포와 베이지안 신뢰구간을 생성하여 자연스럽게 신호와 잡음을 분리한다.
• 사이트 간 정보 공유를 가능하게 하면서도 각 사이트의 다양성 추정치를 유지할 수 있도록 계층적 모델링을 적용한다.
• NGS 데이터에서 바이러스 다양성 분석을 위한 엔드 투 엔드 분석을 위한 통합 파이프라인으로 Tanden 소프트웨어 도구를 개발한다.

실험 결과

연구 질문

• RQ1 간단한 빈도 수세기와 비교해 볼 때, 베이지안 접근법이 단독 읽기 NGS 데이터에서 바이러스 다양성을 더 정확하게 추정할 수 있는가?
• RQ2 SOLiD와 같은 플랫폼의 깊은 커버리지와 낮은 오류율은 짧은 읽기 길이에도 불구하고 인구 다양성 추론에 얼마나 효과적으로 활용될 수 있는가?
• RQ3 제어 집단으로부터의 사전 정보를 통합할 경우 다양성 추정 정확도는 어느 정도 향상되는가?
• RQ4 베이지안 신뢰구간은 바이러스 집단에서 진짜 생물학적 변이와 시퀀싱 잡음 간을 신뢰성 있게 구분할 수 있는가?
• RQ5 기존 히브리드 기반 접근법과 비교해 볼 때, 제안된 방법의 민감도와 특이도는 어떻게 되는가?

주요 결과

• Tanden의 베이지안 접근법은 사전 지식을 통합하고 낮은 커버리지 영역의 잡음을 줄임으로써 바이러스 다양성 추정 정확도를 향상시킨다.
• 이 방법은 SOLiD와 같은 단독 읽기 플랫폼의 깊은 커버리지와 낮은 오류율을 효과적으로 활용하여, 짧은 읽기 길이에도 불구하고 다양성 분석에 적합한 플랫폼임을 입증한다.
• 베이지안 신뢰구간은 진짜 생물학적 변이와 시퀀싱 아티팩트를 자연스럽고 신뢰성 있게 분리하는 데 효과적이다.
• 리드 매핑 전략은 짧은 읽기의 복구를 최대화하여 데이터 활용도를 높이고 파라미터 추정 정확도를 향상시킨다.
• Tanden은 다양성 분석의 전 단계를 하나의 도구로 통합하여 바이러스 집단 연구의 사용성과 재현 가능성을 향상시켰다.