[论文解读] Faster and More Accurate Sequence Alignment with SNAP

Matei Zaharia, William J. Bolosky+7 more|arXiv (Cornell University)|Nov 23, 2011

Genomics and Phylogenetic Studies参考文献 14被引用 231

一句话总结

SNAP 是一种新型序列比对工具，通过使用更长的种子（≈20 bp）的基于哈希的索引、优化的局部比对和内存感知剪枝，相比 BWA 等最先进的工具，实现了 10–100 倍的性能提升和更高的准确性。它在 Amazon EC2 上以 2 美元的成本，可在一小时内完成人类基因组 30× 覆盖率的比对，支持任意数量的插入缺失和替换，只要存在一个连续的种子与参考序列匹配。

ABSTRACT

We present the Scalable Nucleotide Alignment Program (SNAP), a new short and long read aligner that is both more accurate (i.e., aligns more reads with fewer errors) and 10-100x faster than state-of-the-art tools such as BWA. Unlike recent aligners based on the Burrows-Wheeler transform, SNAP uses a simple hash index of short seed sequences from the genome, similar to BLAST's. However, SNAP greatly reduces the number and cost of local alignment checks performed through several measures: it uses longer seeds to reduce the false positive locations considered, leverages larger memory capacities to speed index lookup, and excludes most candidate locations without fully computing their edit distance to the read. The result is an algorithm that scales well for reads from one hundred to thousands of bases long and provides a rich error model that can match classes of mutations (e.g., longer indels) that today's fast aligners ignore. We calculate that SNAP can align a dataset with 30x coverage of a human genome in less than an hour for a cost of $2 on Amazon EC2, with higher accuracy than BWA. Finally, we describe ongoing work to further improve SNAP.

研究动机与目标

• 应对高通量短读长和长读长测序带来的日益增长的计算负担，该负担已超过摩尔定律的速度，可能使存储和计算系统不堪重负。
• 克服现有比对工具在速度与准确性之间的权衡，这些工具通常仅将错误模型限制为少数几个替换或插入缺失。
• 利用现代硬件和算法优化，实现在不同读长（100–10,000 bp）和错误率下高效、准确的比对。
• 开发一种可扩展、兼容云环境的比对工具，显著降低大型基因组（如人类基因组）重测序的时间和成本。

提出的方法

• 使用参考基因组中 20-bp 种子序列的哈希索引，类似于 BLAST，但采用更长的种子以减少假阳性匹配。
• 采用一种快速的编辑距离算法，利用长种子带来的高序列相似性，将比对成本降低至 O(n²) 以下。
• 通过在局部比对中提前终止，拒绝编辑距离高于当前最优值的候选匹配，避免完整计算。
• 通过利用大容量内存存储更多种子序列，减少哈希查找的开销。
• 使用种子数量启发式方法，在无需完整编辑距离计算的情况下排除低质量候选匹配。
• 支持任意数量的替换、插入和删除，只要至少有一个连续的 20-bp 种子与参考序列匹配。

实验结果

研究问题

• RQ1 基于哈希的比对工具是否能通过利用更长的读长和现代内存，在速度和准确性上超越 BWT 基础的工具（如 BWA）？
• RQ2 与较短种子（如 10–12 bp）相比，更长的种子长度（≈20 bp）在多大程度上能减少假阳性比对？
• RQ3 使用编辑距离边界提前拒绝候选匹配，在多大程度上能有效降低计算成本？
• RQ4 内存密集型索引策略是否能显著减少哈希查找次数，并在现代硬件上提升性能？
• RQ5 在处理含多个错误和插入缺失的读长时，SNAP 的性能和准确性与 WHAM 和 BWA-SW 相比如何？

主要发现

• SNAP 能够比对 86.7% 的 70 bp 读长（错误率为 2%），优于 WHAM（速度降低但仅比对 60%），并实现 52,000 个读长/秒的吞吐量。
• SNAP 在保持更高准确性的同时，相比 BWA 和其他最先进的工具，实现了 10–100 倍的性能提升，尤其在复杂突变情况下表现更优。
• SNAP 可在 Amazon EC2 上以仅 2 美元的成本，一小时内完成人类基因组 30× 覆盖率的比对。
• 该算法支持任意数量的替换和插入缺失，只要存在一个连续的 20-bp 种子与参考基因组匹配。
• 与朴素方法相比，SNAP 通过使用更长的种子和优化的局部比对，将完整编辑距离计算次数减少了高达 50 倍。
• SNAP 在 100 到 10,000 bp 的读长范围内表现出良好的可扩展性，适用于当前及新兴的测序技术。