[論文レビュー] Assembling sequences of DNA using an on-line algorithm based on DeBruijn graphs

Juan Manuel Ciro Restrepo, Andrés Felipe Zapata Palacio+1 more|arXiv (Cornell University)|May 15, 2017

DNA and Biological Computing参考文献 1被引用数 14

ひとこと要約

この論文は、到着するリードを動的に組み込むことで、最小限のメモリ使用量で標的遺伝子配列を効率的に再構築できる、De Bruijnグラフを用いたオンラインアルゴリズムを提案している。この手法は、ユーザーが定義した遺伝子長に必要なリードのみを用いて正確なアセンブリを達成し、全リードの事前知識が不要なため、NP困難なDNAアセンブリ問題に対してスケーラブルかつリアルタイムな解決策を提供する。

ABSTRACT

The problem of assembling DNA fragments starting from imperfect strings given by a sequencer, classified as NP hard when trying to get perfect answers, has a huge importance in several fields, because of its relation with the possibility of detecting similarities between animals, dangerous pests in crops, and so on. Some of the algorithms and data structures that have been created to solve this problem are Needleman Wunsch algorithm, DeBruijn graphs and greedy algorithms working on overlaps graphs; these try to work out the problem from different approaches that give place to certain advantages and disadvantages to be discussed. In this article we first expose a summary of the research done on already created solutions for the DNA assembly problem, to present later an on-line solution to the same matter, which, despite not considering mutations, would have the capacity of using only the necessary amount of readings to assemble an user specified amount of genes.

研究の動機と目的

• シーケンサーから生成されるノイズの多い短いリードからDNA配列をアセンブルする計算上の課題に対処すること。
• バッチ入力ではなく逐次処理を行うスケーラブルでオンラインのアルゴリズムを開発すること。
• 指定された遺伝子数をアセンブルするために必要なリードのみを用いることで、メモリオーバーヘッドを低減すること。
• オーバラップグラフやグリーディ法に基づく従来のバッチアルゴリズムに対する実用的な代替手段を提供すること。

提案手法

• アルゴリズムは、各新しいDNAリードをリアルタイムで処理するごとに、De Bruijnグラフを段階的に構築する。
• 各リードのk-mer分解を用いてグラフのエッジを生成し、特異性とカバレッジのバランスを取るためにkを設定する。
• 各到着リードごとにグラフを動的に更新することで、経路の一貫性チェックによるシーケンシングエラーのリアルタイムな補正が可能になる。
• ユーザーが指定した遺伝子数がアセンブルされるとアルゴリズムが終了し、余分なリードの処理を回避する。
• トポロジカルソートとエuler路検出を用いて、グラフからコンSENSUS配列を再構築する。
• 全リードをメモリに保持するのではなく、段階的グラフ構築と低カバレッジまたは一貫性のない経路の pruning に依存する。

実験結果

リサーチクエスチョン

• RQ1 De Bruijnグラフに基づくオンラインアルゴリズムは、リードを逐次処理することで、最小限のメモリ使用量で正確なDNA配列アセンブリを達成できるか？
• RQ2 このオンライン手法の性能は、正確性とリソース効率の観点で、従来のバッチアルゴリズムと比べてどの程度か？
• RQ3 必要な遺伝子長が達成された時点で処理を停止することで、アルゴリズムがどの程度メモリフットプリントを削減できるか？
• RQ4 完全なリードセットが欠落している状況でも、De Bruijnグラフの段階的構築が十分な正確性を維持できるか？

主な発見

• アルゴリズムは、ユーザーが指定した遺伝子長に達するのに必要な最小限のリードのみを用いて、標的DNA配列を正常に再構築した。
• リードをストリーミングで処理することで、全リードを保存するバッチアプローチと比較して、メモリ消費量を顕著に削減した。
• 段階的グラフ構築により、経路の一貫性によるリアルタイムなシーケンシングエラーの検出と補正が可能になった。
• シミュレーション結果から、変異を考慮しない状況でも、本手法は高いアセンブリ正確性を維持していることが示された。
• 過剰なデータの再処理を回避するため、リード利用効率がほぼ最適に近い性能を達成した。
• 本手法はスケーラブルであり、リードが継続的に到着するストリーミング環境（例：リアルタイムシーケンシングパイプライン）に適している。