[論文レビュー] Accurate, Fast and Lightweight Clustering of de novo Transcriptomes using Fragment Equivalence Classes

Avi Srivastava, Hirak Sarkar+2 more|arXiv (Cornell University)|Apr 12, 2016

Genomics and Phylogenetic Studies参考文献 30被引用数 6

ひとこと要約

RapClust は、準マッピングから得られる断片同値クラスを用いて、de novo トランスクリプトームアセンブリを高速かつ軽量かつ高精度にクラスタリングする手法である。マルチマッピングリードの関係性を活用してスパースなあいまい性グラフを構築し、MCL クラスタリングを適用することで、数分で優れたクラスタリング精度と発現量の定量を達成し、メモリ使用量を最小限に抑える。既存のツールに比べ、速度、正確性、リソース効率の面で優れている。

ABSTRACT

Motivation: De novo transcriptome assembly of non-model organisms is the first major step for many RNA-seq analysis tasks. Current methods for de novo assembly often report a large number of contiguous sequences (contigs), which may be fractured and incomplete sequences instead of full-length transcripts. Dealing with a large number of such contigs can slow and complicate downstream analysis. Results :We present a method for clustering contigs from de novo transcriptome assemblies based upon the relationships exposed by multi-mapping sequencing fragments. Specifically, we cast the problem of clustering contigs as one of clustering a sparse graph that is induced by equivalence classes of fragments that map to subsets of the transcriptome. Leveraging recent developments in efficient read mapping and transcript quantification, we have developed RapClust, a tool implementing this approach that is capable of accurately clustering most large de novo transcriptomes in a matter of minutes, while simultaneously providing accurate estimates of expression for the resulting clusters. We compare RapClust against a number of tools commonly used for de novo transcriptome clustering. Using de novo assemblies of organisms for which reference genomes are available, we assess the accuracy of these different methods in terms of the quality of the resulting clusterings, and the concordance of differential expression tests with those based on ground truth clusters. We find that RapClust produces clusters of comparable or better quality than existing state-of-the-art approaches, and does so substantially faster. RapClust also confers a large benefit in terms of space usage, as it produces only succinct intermediate files - usually on the order of a few megabytes - even when processing hundreds of millions of reads.

研究の動機と目的

• de novo トランスクリプトームアセンブリにおける断片的かつ不完全なコンティグの課題に対処すること。
• 類似したコンティグを生物学的に意味のあるグループにクラスタリングすることで、差次的発現解析における複数の仮説検定の負担を軽減すること。
• 大規模な RNA-seq データセットでさえも、計算的に効率的かつ正確なクラスタリング手法を開発すること。
• 1 つのスムーズなパイプラインでコンティグのクラスタリングと正確なトランスクリプトレベルの発現量の定量を統合すること。

提案手法

• RapClust は準マッピングを用いて断片同値クラス（同じトランスクリプト群にマッピングするリードのグループ）を特定し、マルチマッピング関係性を捉える。
• ノードがコンティグを表し、エッジが共有される断片同値クラスを表すスパースなグラフを構築し、配列類似性とマッピングのあいまい性をエンコードする。
• MCL（マルコフ・クラスタ）アルゴリズムを用いてグラフをクラスタリングし、同じ遺伝子やトランスクリプトを表す可能性の高いコンティグをグループ化する。
• 発現量の定量は、同時にクラスタリングと並行して実行される Sailfish の準マッピングパイプラインにより実施され、正確なトランスクリプトレベルの豊度推定が得られる。
• 既存の定量インfraストラクチャを活用しており、追加の計算リソースやストレージのオーバーヘッドは最小限に抑えられる。
• コンティグ数、エッジ重み、対数倍率変化の有意性のためのカットオフパラメータを用いて誤検出の接続をフィルタリングし、初期値は Corset から適応的に取得する。

実験結果

リサーチクエスチョン

• RQ1 準マッピングされたリードからの断片同値クラスを用いて、de novo アセンブルされたコンティグを生物学的に意味のあるグループに正確にクラスタリングできるか？
• RQ2 CD-HIT や Corset と比較して、RapClust のクラスタリング精度は、真の差次的発現遺伝子の回復においてどの程度優れているか？
• RQ3 既存のクラスタリング手法と比較して、RapClust は計算時間とメモリ使用量をどの程度削減できるか？
• RQ4 1 つのパイプラインで発現量の定量とクラスタリングを統合することで、de novo トランスクリプトーム解析におけるスピードと正確性が向上するか？

主な発見

• RapClust は、イーストで AUC 0.89、ヒトで 0.847、ニワトリで 0.534 を記録し、ほとんどのケースで CD-HIT や Corset を上回った。
• ニワトリのデータセットでは、RapClust が著しく優れた性能（AUC 0.534）を示し、CD-HIT（0.463）や Corset（0.14）を上回った。これは、高い配列類似性の中でも優れたクラスタリング品質を示している。
• RapClust は、数億本のリードを含むアセンブリに対しても数分でクラスタリングを完了し、中間ファイルのサイズは通常数メガバイト未満であった。
• 既存のツールに比べて著しく高速な処理時間を実現しながら、クラスタリングの正確性を維持または向上させた。
• 断片同値クラスを介した発現量の定量とクラスタリングの統合により、複数の仮説検定の負担が軽減され、正確な差次的発現検定が可能になった。
• 予備的な結果から、データに適応するパラメータ選択や、豊度の分散推定値の統合により、クラスタリング品質をさらに向上できる可能性がある。