[論文レビュー] CONCOCT: Clustering cONtigs on COverage and ComposiTion

Johannes Alneberg, Brynjar Smári Bjarnason+7 more|arXiv (Cornell University)|Dec 14, 2013

Genomics and Phylogenetic Studies参考文献 16被引用数 56

ひとこと要約

CONCOCT は、k-mer 組成、マルチサンプルのカバレッジ、ペアエンドリード連携を組み合わせた計算ツールであり、クラスタ選択にベイジアン情報量基準（BIC）を用いたガウス混合モデル（GMM）と、分割されたバインを統合する階層的凝集型クラスタリングを用いてメタゲノムバイニングを向上させる。合成および実際の人間の腸内メタゲノムを含む複雑な微生物コミュニティからのゲノム再構築において、高い正確性と再現率を達成する。

ABSTRACT

Metagenomics enables the reconstruction of microbial genomes in complex microbial communities without the need for culturing. Since assembly typically results in fragmented genomes the grouping of genome fragments (contigs) belonging to the same genome, a process referred to as binning, remains a major informatics challenge. Here we present CONCOCT, a computer program that combines three types of information - sequence composition, coverage across multiple sample, and read-pair linkage - to automatically bin contigs into genomes. We demonstrate high recall and precision rates of the program on artificial as well as real human gut metagenome datasets.

研究の動機と目的

• リファレンスゲノムが存在しない状況下で、同じゲノム由来のコンティグが断片化され、グループ化が困難なメタゲノムの教師なしバイニングの課題に対処すること。
• 複数の証拠（配列組成、複数サンプルにおけるカバレッジ、ペアエンドリード連携）を統合する自動的でスケーラブルかつ再現可能な手法を開発し、ゲノム再構築を改善すること。
• モデル選択（BIC）と生物学的整合性を保つ連携に基づく統合ステップを用いて、誤検出とバインの分割を低減すること。
• 株の多様性や低カバレッジがアセンブリを複雑にする人間の腸内マイクロバイオームのような複雑な環境でも正確なバイニングを可能にすること。

提案手法

• CONCOCT は、複数サンプルにおけるコンティグのカバレッジと k-mer 組成を統合し、高次元のベクトルを作成し、その次元を主成分分析（PCA）により 22 次元に削減することで、情報の 90% を保持する。
• 削減された次元空間において、完全な共分散行列を用いたガウス混合モデル（GMM）を適用し、最適なクラスタ数をベイジアン情報量基準（BIC）を用いて決定する。
• 階層的凝集型クラスタリングを用いて、ペアエンドリード連携に基づきクラスタを統合する。この際、相互クラスタ連携を定量化する遷移行列 $\mathcal{T}$ と、プロファイル類似性を保証するカバレッジオーバーラップ行列 $\mathcal{O}$ を使用する。
• リード連携の閾値 $l_m = 10$ および統合の閾値 $t_m = 0.05$ と $o_m = 0.8$ を用いてノイズをフィルタリングし、生物学的に意味のある統合を保証する。
• 事前処理として、カバレッジの正規化とテトラマー頻度の計算により、各コンティグに対して統一されたプロファイルを作成する。
• アルゴリズムは完全に教師なしであり、手動の介入を必要とせず、多数のサンプルにわたる再現性とスケーラビリティを実現する。

実験結果

リサーチクエスチョン

• RQ1 カバレッジ、組成、ペアエンド連携を統合することで、複雑な微生物コミュニティにおけるメタゲノムバイニングの正確性と完全性が向上するか？
• RQ2 BICに基づくモデル選択を用いたガウス混合モデルは、既存の教師なしバイニング手法に比べ、正確性と再現率において優れているか？
• RQ3 連携情報の統合が、複数のクラスタに分散してしまうゲノムの分割をどの程度低減できるか？
• RQ4 実際の人間の腸内メタゲノムデータセットでは、合成モックコミュニティと比較して CONCOCT はどの程度の性能を示すか？

主な発見

• 64 例の人間の便由来の合成モックコミュニティにおいて、CONCOCT は BIC を用いて 56 個のクラスタを予測し、真の 41 個のゲノムに近く、バイニングの正確性と再現率が非常に高かった。
• PCA 空間における高分解能クラスタリングが達成され、最初の 2 つの次元において、種が明確に分離され、重複のないクラスタを形成しており、ゲノムの強力な分離性を示している。
• ペアエンドリード連携の統合によりバインの分割が低減され、GMM クラスタリングで事前に分離されたコンティグが、階層的統合ステップによって効果的に同じゲノム由来のものに再統合された。
• 525 個のゲノムの 97% 以上に存在する 36 個の保存された COGs を用いた解析により、最終的なクラスタの生物学的整合性が確認され、バイン内での遺伝子含有量の一貫性が高かった。
• CONCOCT は実際の人間の腸内メタゲノムにおいても、特に多様性が高く複雑なコミュニティにおいて、既存手法を上回る正確性と再現率を示した。
• 本手法は高い再現性とスケーラビリティを示し、手動の介入を回避し、2 サンプルを超えるデータセットへの応用を可能にした。