[论文解读] Approximate Search for Known Gene Clusters in New Genomes Using PQ-Trees

Galia R. Zimerman, Dina Svetlitsky+2 more|arXiv (Cornell University)|Jan 1, 2020

Genome Rearrangement Algorithms参考文献 38被引用 1

一句话总结

该论文提出PQ-Tree Search，一种参数化算法，通过使用PQ树建模基因顺序变异、基因替换通过评分函数、并限制删除/插入操作，来识别新基因组中已知基因簇的近似实例。该方法的时间复杂度为O*(2^γ)，其中γ为PQ树中的最大节点度数，成功识别出29个在质粒中重排的染色体基因簇，包括一种具有新型结构变异的重金属外排泵。

ABSTRACT

We define a new problem in comparative genomics, denoted PQ-Tree Search, that takes as input a PQ-tree $T$ representing the known gene orders of a gene cluster of interest, a gene-to-gene substitution scoring function $h$, integer parameters $d_T$ and $d_S$, and a new genome $S$. The objective is to identify in $S$ approximate new instances of the gene cluster that could vary from the known gene orders by genome rearrangements that are constrained by $T$, by gene substitutions that are governed by $h$, and by gene deletions and insertions that are bounded from above by $d_T$ and $d_S$, respectively. We prove that the PQ-Tree Search problem is NP-hard and propose a parameterized algorithm that solves the optimization variant of PQ-Tree Search in $O^*(2^γ)$ time, where $γ$ is the maximum degree of a node in $T$ and $O^*$ is used to hide factors polynomial in the input size. The algorithm is implemented as a search tool, denoted PQFinder, and applied to search for instances of chromosomal gene clusters in plasmids, within a dataset of 1,487 prokaryotic genomes. We report on 29 chromosomal gene clusters that are rearranged in plasmids, where the rearrangements are guided by the corresponding PQ-tree. One of these results, coding for a heavy metal efflux pump, is further analysed to exemplify how PQFinder can be harnessed to reveal interesting new structural variants of known gene clusters. The code for the tool as well as all the data needed to reconstruct the results are publicly available on GitHub (github.com/GaliaZim/PQFinder).

研究动机与目标

• 为解决在新测序基因组中识别已知基因簇近似实例的挑战，特别是质粒中的情况。
• 使用PQ树建模基因顺序变异，以捕捉层次关系和允许的重排。
• 基于序列同源性和功能注释相似性，整合基因替换评分。
• 通过参数dT和dS限制基因删除和插入，以提高特异性和效率。
• 开发一种可扩展的参数化算法，在大规模基因组筛查中实现敏感性与计算可行性的平衡。

提出的方法

• 将已知基因簇表示为PQ树，以编码允许的重排（P-节点允许任意子节点顺序；Q-节点要求固定或反向顺序）。
• 定义一个基因到基因的替换评分函数h，以量化基因之间的功能和序列相似性。
• 将PQ-Tree Search问题形式化为一个NP难优化任务，其约束包括：重排（受PQ树结构限制）、替换（由h控制）以及删除/插入（受dT和dS限制）。
• 提出一种参数化算法，可在O*(2^γ)时间内求解该优化变体，其中γ为PQ树中的最大节点度数。
• 将该算法实现为PQFinder工具，支持查询基因组与目标基因组之间的一对一基因映射，支持推导追踪和字符串级变换模拟。
• 使用推导模型µ模拟树的修改（重排、删除）和字符串的变换（替换、删除），确保树推导与序列推导之间的一致性。

实验结果

研究问题

• RQ1 PQ树能否有效建模已知基因簇在多样化基因组中的结构变异，特别是在质粒中？
• RQ2 如何将基因替换评分与功能注释相结合，以提升对生物上有意义同源基因的检测能力？
• RQ3 在有界重排和替换条件下，识别近似基因簇实例的计算复杂度如何？
• RQ4 具有O*(2^γ)时间复杂度的参数化算法在保持敏感性的同时，能在多大程度上扩展到大规模基因组数据集？
• RQ5 通过该方法可在质粒中发现哪些已知基因簇的新颖结构变异？

主要发现

• PQ-Tree Search问题被证明是NP难的，这为采用参数化算法提供了合理性。
• 所提出的算法时间复杂度为O*(2^γ)，其中γ为PQ树中任意节点的最大度数，使其在实际应用中具有可行性。
• PQFinder工具在1,487个原核生物基因组中成功识别出29个在质粒中重排的染色体基因簇。
• 其中一个被识别的基因簇编码重金属外排泵，表现出新颖的结构变异，进一步分析揭示了其功能意义。
• 该方法在保持特异性的同时，对基因组重排、基因替换以及插入/删除均表现出良好的敏感性，其特异性由PQ树约束保障。
• PQFinder的所有代码和数据均公开发布于GitHub，支持可重现性与进一步研究。