[논문 리뷰] Informed and Automated k-Mer Size Selection for Genome Assembly

Rayan Chikhi, Paul Medvedev|arXiv (Cornell University)|2013. 04. 20.

Genomics and Phylogenetic Studies참고 문헌 11인용 수 29

한 줄 요약

이 논문은 de Bruijn 그래프 기반 게놈 어셈블러의 k-mer 크기 선택을 자동화하기 위해 빠르고 정확한 샘플링을 사용하여 근사적인 k-mer 빈도 히스토그램을 생성하는 KmerGenie 도구를 제시한다. 이후 히스토그램을 바탕으로 최적의 k 값을 추정하는 휴리스틱 모델을 적용하여 고유한 게놈 k-mer 수를 최대화하며, *S. aureus*, 인간 14번 염색체, *B. impatiens*를 포함한 다양한 데이터셋에서 최상위 수준의 어셈블리 품질을 달성한다.

ABSTRACT

Genome assembly tools based on the de Bruijn graph framework rely on a parameter k, which represents a trade-off between several competing effects that are difficult to quantify. There is currently a lack of tools that would automatically estimate the best k to use and/or quickly generate histograms of k-mer abundances that would allow the user to make an informed decision. We develop a fast and accurate sampling method that constructs approximate abundance histograms with a several orders of magnitude performance improvement over traditional methods. We then present a fast heuristic that uses the generated abundance histograms for putative k values to estimate the best possible value of k. We test the effectiveness of our tool using diverse sequencing datasets and find that its choice of k leads to some of the best assemblies. Our tool KmerGenie is freely available at: http://kmergenie.bx.psu.edu/

연구 동기 및 목표

• de Bruijn 그래프 기반 어셈블러에서 자동화되고 정보 기반의 k-mer 크기 선택이 부족한 문제를 해결하며, 이는 어셈블리 품질에 결정적인 영향을 미친다.
• 정확한 k-mer 빈도 히스토그램을 구성하는 데 소요되는 계산적 병목 현상을 해결하며, 이는 k-값당 최대 하루가 걸릴 수 있다.
• 전통적 도구에 비해 수십만 배 빠른 속도 향상을 이룰 수 있는 빠른 샘플링 방법을 개발하여 k-mer 빈도 히스토그램을 근사화한다.
• 히스토그램에서 고유한 게놈 k-mer 수를 추정함으로써 최적의 k-값을 선택하는 휴리스틱을 개발한다.
• 어셈블리 파이프라인에 통합하여 사용자 개입 없이도 자동으로 전문가 기반의 k-mer 크기 선택을 가능하게 한다.

제안 방법

• 완전한 카운팅에 비해 계산 시간을 몇 개의 주기수 감소시키는 빠르고 정확한 샘플링 기반 방법을 제안하여 k-mer 빈도 히스토그램을 근사화한다.
• 각 근사 히스토그램에 적합한 생성적 통계 모델을 사용하여 각 k-값에 대해 고유한 게놈(오류 없는) k-mer 수를 추정한다.
• 추정된 고유한 게놈 k-mer 수를 최대화하는 k-값을 선택하는 휴리스틱을 적용하여 최적의 선택을 한다.
• KmerGenie라는 공개 도구로 구현하여 자동 k-mer 크기 선택을 지원하고 전문가 검토를 위한 시각화 가능한 히스토그램을 제공한다.
• 정확한 히스토그램과 비교하여 샘플링 정확도를 검증하였으며, 근사 히스토그램 간의 유사성과 이웃하는 k-값들 사이의 명확한 분리가 확인되었다.
• 사용자 개입 없이도 k-mer 크기 선택의 종단 간 자동화를 가능하게 하기 위해 도구를 어셈블리 파이프라인에 통합한다.

실험 결과

연구 질문

• RQ1 빠른 샘플링 방법이 정확도를 충분히 확보하면서도 런타임을 주기수 감소시켜 k-mer 크기 선택을 안내할 수 있는가?
• RQ2 고유한 게놈 k-mer 수를 추정하는 데 기반한 휴리스틱이 반복 요소 비율과 오류율이 다양한 게놈에서 최적의 k-값을 안정적으로 식별할 수 있는가?
• RQ3 KmerGenie가 자동으로 선택한 k-값은 수동 설정 또는 다중 k-값 실험 대비 어셈블리 품질(예: NG50, 컨티그 길이, 오류 수) 측면에서 어떻게 비교되는가?
• RQ4 예측된 고유한 게놈 k-mer 수와 실제 어셈블리 메트릭 간의 편차가 이질성이나 오류가 많은 어셈블러와 같은 기술적 요인 외에도 생물학적 요인(예: 이형성)에 의해 영향을 받는 정도는 어느 정도인가?
• RQ5 단일 최적 k-값이 존재하지 않는 단일 세포, 메타게놈, 또는 RNA-seq 데이터와 같은 비균일 복도를 가진 데이터셋에도 이 방법이 일반화될 수 있는가?

주요 결과

• KmerGenie의 샘플링 방법은 매우 정확하고 이웃하는 k-값의 히스토그램과 명확히 구분되는 근사적 k-mer 빈도 히스토그램을 생성하여 신뢰할 수 있는 k-mer 크기 선택을 가능하게 한다.
• KmerGenie가 선택한 k-값은 *S. aureus* 및 *B. impatiens* 어셈블리에서 최고의 NG50를 기록하였으며, 비교한 다른 k-값들보다 뛰어난 성능을 보였고, 인간 14번 염색체에 대해서는 고품질이고 균형 잡힌 어셈블리 결과를 도출했다.
• 예측된 고유한 게놈 k-mer 수는 k-값에 따라 NG50 추세와 매우 밀접하게 일치하여, 휴리스틱이 반복 요소 해상도와 오류 내성 간의 상충 관계를 효과적으로 반영하고 있음을 시사한다.
• 낮은 k-값에서는 어셈블러가 비정상적으로 큰 어셈블리(예: k=21일 때 *S. aureus*의 7.65 Mbp)를 생성했으며, 이는 오류 있는 k-mer의 잘못된 분류에서 기인함을 밝혀냈다. 커버리지 컷오프를 7로 상향 조정하면 크기가 2.8 Mbp로 감소하여 이 문제가 어셈블러의 기술적 오류일 뿐 생물학적 요인이 아니라는 점을 확인했다.
• KmerGenie는 레퍼런스 대비 고유한 게놈 k-mer 수를 과대평가했지만, 이는 이형성과 모델의 한계 때문일 가능성이 크며, 이는 높은 품질의 k-값을 식별하는 능력을 손상시키지 않았다.
• 다양한 게놈에서의 성능이 견고했으며, k-mer 빈도 패atters를 기반으로 한 자동 k-mer 크기 선택이 전문가 조정 없이도 어셈블리 결과를 크게 향상시킬 수 있음을 보여주었다.