[論文レビュー] MAGNET: Understanding and Improving the Accuracy of Genome Pre-Alignment Filtering

Mohammed Alser, Onur Mutlu+1 more|arXiv (Cornell University)|Jan 1, 2017

Genomics and Phylogenetic Studies参考文献 10被引用数 18

ひとこと要約

MAGNETは、シフトされたハミング距離（SHD）法における4つの主要な不正確要因に対処することで、ゲノム配列マッピングの正確性を顕著に向上させる画期的な事前整合性フィルタリング戦略である。MAGNETは、多様なエラー距離の閾値およびデータセットにおいて、1〜2桁の正確性向上を達成し、フィルタリングにおける誤検出を低減しながらも高い速度を維持する。

ABSTRACT

In the era of high throughput DNA sequencing (HTS) technologies, calculating the edit distance (i.e., the minimum number of substitutions, insertions, and deletions between a pair of sequences) for billions of genomic sequences is the computational bottleneck in todays read mappers. The shifted Hamming distance (SHD) algorithm proposes a fast filtering strategy that can rapidly filter out invalid mappings that have more edits than allowed. However, SHD shows high inaccuracy in its filtering by admitting invalid mappings to be marked as correct ones. This wastes the execution time and imposes a large computational burden. In this work, we comprehensively investigate four sources that lead to the filtering inaccuracy. We propose MAGNET, a new filtering strategy that maintains high accuracy across different edit distance thresholds and data sets. It significantly improves the accuracy of pre-alignment filtering by one to two orders of magnitude. The MATLAB implementations of MAGNET and SHD are open source and available at: this https URL.

研究の動機と目的

• 高スループットDNAシーケンシングにおける事前整合性フィルタリングに用いられる、シフトされたハミング距離（SHD）のような既存手法におけるフィルタリング不正確の根本的要因を特定・解明すること。
• 変動するエラー距離の閾値および多様なゲノムデータセットにおいても高い正確性を維持する新しいフィルタリング戦略の開発。
• 事前整合性フィルタリングに起因する誤検出が引き起こす計算負荷を低減し、その後続のアラインメント処理における無駄な時間を削減すること。
• 大規模ゲノムパイプラインに適した効率的でスケーラブルな、SHDの実用的で高正確性な代替手法を提供すること。

提案手法

• 事前整合性フィルタリングにおける誤検出を引き起こす、シフトされたハミング距離（SHD）アルゴリズムの4つの主要な不正確要因を体系的に分析すること。
• 計算効率を損なわずに、これらの不正確要因を是正するように設計された、洗練されたフィルタリング戦略であるMAGNETを考案すること。
• 位置的および構造的不一致を考慮することで、真のエディット距離により適切に近似するように改造された、シーケンス比較アプローチを活用すること。
• MAGNETを事前アラインメント段階に統合したフィルタリングパイプラインを実装し、完全アラインメントの前段階で非効果なマッピングを迅速に除外すること。
• 複数のデータセットおよびエラー距離の閾値において、SHDよりも顕著に精度を向上させつつも、高い速度を維持するようにアルゴリズムを最適化すること。
• MAGNETおよびSHDのオープンソースMATLAB実装を公開し、再現可能性および既存のゲノムワークフローへの統合を支援すること。

実験結果

リサーチクエスチョン

• RQ1 ゲノムにおける事前整合性フィルタリングに用いられる、シフトされたハミング距離（SHD）アルゴリズムにおける主な不正確要因は何か？
• RQ2 MAGNETのフィルタリング戦略は、異なるエラー距離の閾値において、SHDと比較して誤検出マッピングをどの程度低減するか？
• RQ3 多様なゲノムデータセットおよび変動する誤差閾値において、MAGNETはSHDに対してどの程度正確性を向上させるか？
• RQ4 MAGNETは、既存のフィルタリング手法よりも顕著に高い正確性を達成しながらも、高いパフォーマンスと速度を維持できるか？

主な発見

• MAGNETは、シフトされたハミング距離（SHD）法と比較して、事前整合性フィルタリングの正確性を1〜2桁向上させる。
• 提案手法は、SHDにおける同定された4つの不正確要因を効果的に是正し、誤検出マッピングの大幅な低減を実現する。
• MAGNETは高い計算効率を維持しており、大規模なハイパーフォースティングシーケンシング（HTS）データ処理に適している。
• 正確性の向上は、異なるエラー距離の閾値および多様なゲノムデータセットにおいて一貫しており、強固さが確認された。
• MAGNETおよびSHDのオープンソースMATLAB実装が公開されており、ゲノムパイプラインにおける採用およびさらなる研究を可能にする。