[论文解读] Clustering pipeline for determining consensus sequences in targeted next-generation sequencing

Raunaq Malhotra, Daniel Elleder+4 more|arXiv (Cornell University)|Oct 7, 2014

Genomics and Phylogenetic Studies参考文献 25被引用 5

一句话总结

该论文提出了一种基于UCLUST和优化I指数度量的多轮聚类流程，以提高在靶向NGS数据中移动元件插入位点的共识序列恢复效果。通过迭代优化聚类阈值，该方法在识别真实插入位点方面实现了更高的准确性，特别是在重复序列丰富的区域，相较于单轮聚类表现更优，且在不同测序深度下性能稳定。

ABSTRACT

Analyses of targeted genomic sequencing data from next-generation-sequencing (NGS) technologies typically involves mapping reads to a reference sequence or clustering reads. For a number of species a reference genome is not available so the analyses of targeted sequencing data, for example polymorphic structural variation caused by mobile elements is difficult; clustering methods are preferred for such data analysis. Clustering of reads requires a clustering threshold parameter, which is used to compare and group reads. However, determining the optimal clustering threshold for a read dataset is challenging because of different sequence composition, the number of sequences present, and also the amount of sequencing errors in the dataset. High values of the clustering threshold parameter can falsely inflate the number of recovered genomic regions, while low values of clustering threshold can merge reads from distinct regions into a single cluster. Thus, an algorithm that can empirically determine clustering threshold is needed. We propose a pipeline for clustering genomic sequences wherein the clustering threshold is empirically determined from the NGS data. The optimal threshold is decided based on two internal clustering measures which assess clusters for small intra-cluster diameters and large inter-cluster distances. We evaluate the pipeline on two simulated datasets derived from human genome sequence simulating different genomic regions and sequencing depth. The total number of clusters obtained from our pipeline is closer to the actual number of reference sequences when compared to single round of clustering. Also, the number of clusters whose consensus sequence matches a corresponding reference sequence is higher in our pipeline. We observe that the presence of repeat regions affects clustering accuracy.

研究动机与目标

• 为解决在缺乏或不完整参考基因组时，准确识别群体中移动元件插入位点的挑战。
• 通过优化聚类阈值提高NGS数据中的聚类准确性，避免因阈值不当导致的插入位点过度或不足报告。
• 开发一种流程，利用内部聚类度量（I指数）增强聚类的紧凑性与分离度，减少测序噪声和多态性带来的误差。
• 评估该方法对不同测序深度的鲁棒性，以及基因组背景（如重复区域与唯一区域）对聚类性能的影响。

提出的方法

• 该流程使用UCLUST基于序列对相似性对NGS读段进行初始聚类，聚类阈值θ控制聚类的形成。
• 采用多轮聚类方法，测试多个阈值对(θ¹, θ³)，以识别能最大化I指数的最优组合，I指数是聚类紧凑性与分离度的综合度量。
• I指数源自Dunn指数与Davies-Bouldin指数，结合了内部聚类紧凑性与类间分离度，用于指导阈值选择。
• 对读段进行预处理，去除引物序列并修剪至恒定长度，以减少PCR引入的错误并提高比对一致性。
• 通过内部（I指数）和外部（E指数）度量评估聚类性能，并与单轮UCLUST聚类结果进行比较。
• 基于最大I指数值选择最优阈值，进而生成最终聚类和共识序列。

实验结果

研究问题

• RQ1 与单轮聚类相比，采用优化阈值选择的多轮聚类流程是否能提高移动元件插入位点共识序列恢复的准确性？
• RQ2 测序深度如何影响该聚类流程恢复真实插入位点序列的性能？
• RQ3 基因组背景（特别是重复区域与唯一区域）在多大程度上影响聚类准确性？
• RQ4 I指数是否能有效指导最优聚类阈值的选择，以平衡聚类的紧凑性与分离度？

主要发现

• 所提出的流程在I指数和E指数值上均优于单轮UCLUST聚类，表明聚类紧凑性与分离度更优。
• 在最优阈值下，无论测序深度如何，该流程在模拟数据集中均恢复了94–98%的真实插入位点数量。
• 对于唯一区域的插入位点，84%的聚类与真实共识序列的偏差在1个碱基以内，而重复区域位点的该比例不足55%。
• 重复序列的存在显著降低了聚类准确性，因其序列相似性易导致聚类合并。
• 该流程对测序深度具有鲁棒性，在覆盖度相差九倍的数据集中均未出现显著性能下降。
• 最优聚类阈值对与序列内容相关，特别是与重复元件的存在有关，凸显了内容感知阈值选择的必要性。