[论文解读] Alignment-free comparison of next-generation sequencing data using compression-based distance measures

Ngoc Hieu Tran, Xin Chen|arXiv (Cornell University)|Feb 4, 2014

Genomics and Phylogenetic Studies被引用 6

一句话总结

本文提出基于压缩的相似性度量方法——具体为归一化压缩距离（NCD）和基于压缩的距离度量（CDM）——作为比较下一代测序（NGS）短读长数据的参数自由、无需比对的k-mer方法替代方案。作者证明，这些基于压缩的方法在多种基因组数据类型（包括16S rRNA、全基因组和宏基因组NGS样本）中，与基于比对和k-mer的基准方法保持高度一致性，且无需对k值进行优化或进行序列拼接。

ABSTRACT

Enormous volumes of short reads data from next-generation sequencing (NGS) technologies have posed new challenges to the area of genomic sequence comparison. The multiple sequence alignment approach is hardly applicable to NGS data due to the challenging problem of short read assembly. Thus alignment-free methods need to be developed for the comparison of NGS samples of short reads. Recently, new $k$-mer based distance measures such as {\it CVTree}, $d_{2}^{S}$, {\it co-phylog} have been proposed to address this problem. However, those distances depend considerably on the parameter $k$, and how to choose the optimal $k$ is not trivial since it may depend on different aspects of the sequence data. Hence, in this paper we consider an alternative parameter-free approach: compression-based distance measures. These measures have shown impressive performance on long genome sequences in previous studies, but they have not been tested on NGS short reads. In this study we perform extensive validation and show that the compression-based distances are highly consistent with those distances obtained from the $k$-mer based methods, from the alignment-based approach, and from existing benchmarks in the literature. Moreover, as these measures are parameter-free, no optimization is required and they still perform consistently well on multiple types of sequence data, for different kinds of species and taxonomy levels. The compression-based distance measures are assembly-free, alignment-free, parameter-free, and thus represent useful tools for the comparison of long genome sequences and NGS samples of short reads.

研究动机与目标

• 为解决基于比对和k-mer的方法在比较NGS短读长数据时的局限性，尤其是计算负担重以及对k-mer大小的依赖性。
• 评估先前用于长序列的基于压缩的距离度量方法是否可有效应用于NGS短读长数据。
• 验证基于压缩的距离度量与既有的基准方法（包括多序列比对（MSA）以及CVTree、d₂S和co-phylog等k-mer方法）的性能表现。
• 证明基于压缩的方法在不同物种、分类学层级和测序错误模型下均具有鲁棒性，且无需参数调优。

提出的方法

• 本研究采用归一化压缩距离（NCD）和基于压缩的距离度量（CDM），其通过拼接序列的相对压缩长度来估计序列相似性。
• NCD的计算公式为：NCD(x,y) = (C(xy) - min(C(x), C(y))) / max(C(x), C(y))，其中C(x)表示序列x的压缩大小。
• 该方法使用标准无损压缩算法（如gzip、bzip2）来近似序列比较中的柯尔莫哥洛夫复杂度。
• 该方法直接应用于原始NGS短读长数据，无需事先拼接或比对，从而保留原始数据结构。
• 通过系统发育树重建、简约性得分、树对称差异以及与基于MSA的距离的相关性来评估性能。
• 使用MetaSim从参考基因组生成模拟的NGS短读长数据集，涵盖四种错误模型（454、Exact、Empirical、Sanger），测序深度分别为1×和5×。

实验结果

研究问题

• RQ1 基于压缩的距离度量是否能在无需序列比对或k-mer参数调优的情况下，提供可靠且一致的NGS短读长数据比较？
• RQ2 基于压缩的距离度量在系统发育准确性以及与基准距离的相关性方面，与基于比对和k-mer的方法相比表现如何？
• RQ3 基于压缩的方法在不同类型的基因组数据（如16S rRNA、全基因组、宏基因组）和测序错误模型下的性能是否存在差异？
• RQ4 与需要选择最优k值的k-mer方法相比，基于压缩方法的无参数特性在实际应用中是否具有优势？

主要发现

• 基于压缩的距离度量（NCD和CDM）在16S rRNA序列和全基因组上与基于MSA的距离表现出高度相关性（r > 0.90），表明其与金标准比对方法具有极强的一致性。
• 在70个Gammaproteobacteria基因组中，CDM和NCD在树对称差异上最低（50–52），与MSA的相关性最高（0.93），优于CVTree和d₂S。
• 在从全基因组模拟的NGS短读长数据上，CDM和NCD分别获得最低的简约性得分（90和70）以及与MSA最高的相关性（0.60和0.58），表明其对测序噪声具有强鲁棒性。
• 在宏基因组样本分类中，CDM和NCD的简约性得分最低（分别为5和6），优于CVTree和d₂S（全数据集中的得分分别为10和12）。
• 在所有错误模型（454、Exact、Empirical、Sanger）下，基于压缩的方法均保持高性能，NCD的相关系数始终高于0.77，CDM的相关系数始终高于0.74。
• 与k-mer方法不同，基于压缩的距离度量无需任何参数调优，且在不同物种和分类学层级下均保持一致的准确性。