[論文レビュー] MEGAHIT: An ultra-fast single-node solution for large and complex metagenomics assembly via succinct de Bruijn graph

Dinghua Li, Chi-Man Liu+3 more|arXiv (Cornell University)|Sep 25, 2014

Genomics and Phylogenetic Studies参考文献 9被引用数 457

ひとこと要約

MEGAHIT は、パーティショニングや正規化などの前処理を必要とせず、要約された de Bruijn グラフを活用することで、大規模で複雑なメタゲノムデータセットのための高効率な単一ノードデノボアセンブラーである。GPU を使用した場合、土壌メタゲノムにおいて 44.1 時間で 3 倍大きなアセンブリを達成し、N50 や平均コンティグ長が向上した。また、55.8% のリードがアラインメントされ、これは従来手法の 4 倍にのぼる。

ABSTRACT

MEGAHIT is a NGS de novo assembler for assembling large and complex metagenomics data in a time- and cost-efficient manner. It finished assembling a soil metagenomics dataset with 252Gbps in 44.1 hours and 99.6 hours on a single computing node with and without a GPU, respectively. MEGAHIT assembles the data as a whole, i.e., it avoids pre-processing like partitioning and normalization, which might compromise on result integrity. MEGAHIT generates 3 times larger assembly, with longer contig N50 and average contig length than the previous assembly. 55.8% of the reads were aligned to the assembly, which is 4 times higher than the previous. The source code of MEGAHIT is freely available at https://github.com/voutcn/megahit under GPLv3 license.

研究の動機と目的

• 大規模で複雑なメタゲノムデータセット向けに、高速かつスケーラブルで正確なデノボアセンブラーを開発すること。
• パーティショニングや正規化などの前処理手順がアセンブリの整合性を損なう可能性があるため、それらの必要性を排除すること。
• ハイエンド分散システムを必要とせず、単一のコンピューティングノードでも効率的なアセンブリを可能にすること。
• 既存のツールと比較して、メタゲノムアセンブリのコンティグアリティと完全性を向上させること。
• 研究コミュニティが自由に利用可能で、GPLv3 ライセンスの下でオープンソースとして提供されるソリューションを提供すること。

提案手法

• 要約された de Bruijn グラフデータ構造を採用することで、メモリ使用量を最小限に抑えつつ、効率的な走査とアセンブリを可能にする。
• 前処理や正規化を経ずに、直接生のシークエンシングリードから de Bruijn グラフを構築する。
• 線形時間の構築手法を用いて、速度とメモリ効率を最適化するようにグラフを段階的に構築する。
• グリーディーなパス拡張戦略を適用してパスを統合し、分岐を解消することで、コンティグアリティを向上させる。
• CPU と GPU の両方の加速をサポートしており、GPU を搭載したノードでは実行時間を顕著に短縮する。
• データセットを小さな部分に分割するのを避け、複雑なゲノム領域の整合性を保持する。

実験結果

リサーチクエスチョン

• RQ1 単一ノードのデノボアセンブラーは、大規模で複雑なメタゲノムデータセットにおいて、高いパフォーマンスと正確性を達成できるか？
• RQ2 要約された de Bruijn グラフの使用は、メモリ効率とアセンブリ速度にどのような影響を与えるか？
• RQ3 前処理手順を回避することで、最終的なアセンブリの完全性とコンティグアリティはどの程度向上するか？
• RQ4 GPU 加速はアセンブリパイプラインにおいてどの程度のパフォーマンス向上をもたらすか？
• RQ5 MEGAHIT は、リードアラインメント率とコンティグ N50 の観点から、従来のアセンブラーと比較してどのように異なるか？

主な発見

• MEGAHIT は、GPU を使用した場合 44.1 時間、GPU を使用しない場合 99.6 時間で 252Gbps の土壌メタゲノムをアセンブルし、単一ノードでの優れたスピードを示した。
• 従来手法と比較して 3 倍大きなアセンブリが得られ、N50 や平均コンティグ長が顕著に向上した。
• シークエンシングリードの 55.8% が最終アセンブリに正しくアラインメントされ、これは従来のアセンブラーと比較して 4 倍の改善を示した。
• パーティショニングや正規化などの前処理手順を一切行わず、ゲノムの整合性を保持したまま高いパフォーマンスを達成した。
• ソースコードは GPLv3 ライセンスの下で自由に利用可能であり、広範なコミュニティの利用と拡張を可能にした。
• 要約された de Bruijn グラフ構造により、効率的なメモリ使用と高速な構築が可能になり、大規模データセットに対しても単一ノードでのアセンブリが現実的になった。