[论文解读] Meraculous2: fast accurate short-read assembly of large polymorphic genomes

Jarrod Chapman, Isaac Ho+2 more|arXiv (Cornell University)|Aug 2, 2016

Genomics and Phylogenetic Studies参考文献 24被引用 11

一句话总结

Meraculous2 是一种高性能、并行化的短读长拼接工具，通过整合基于气泡的等位基因变异检测、增强的缺口填补以及高精度的支架构建算法，显著提升了大型多态基因组的从头拼接效果。该工具在 HPC 系统上仅用 24 小时即可完成完整的人类基因组拼接，相较于以往的拼接工具，在 NA12878 二倍体基因组数据集上的连续性、完整性和准确性方面均表现更优。

ABSTRACT

We present Meraculous2, an update to the Meraculous short-read assembler that includes (1) handling of allelic variation using "bubble" structures within the de Bruijn graph, (2) improved gap closing, and (3) an improved scaffolding algorithm that produces more complete assemblies without compromising scaffolding accuracy. The speed and bandwidth efficiency of the new parallel implementation have also been substantially improved, allowing the assembly of a human genome to be accomplished in 24 hours on the JGI/NERSC Genepool system. To highlight the features of Meraculous2 we present here the assembly of the diploid human genome NA12878, and compare it with previously published assemblies of the same data using other algorithms. The Meraculous2 assemblies are shown to have better completeness, contiguity, and accuracy than other published assemblies for these data. Practical considerations including pre-assembly analyses of polymorphism and repetitiveness are described.

研究动机与目标

• 为使用短读长测序数据拼接大型高度多态基因组提供解决方案。
• 在存在等位基因变异的情况下，提升拼接的连续性和完整性，同时保持高准确性。
• 提升计算效率和可扩展性，以适应大规模基因组学工作流程。
• 提供一种适用于 JGI/NERSC Genepool 等 HPC 环境的实用、高性能解决方案。
• 集成稳健的预拼接分析，用于评估基因组范围内的多态性和重复性，以指导最优拼接参数选择。

提出的方法

• 在 de Bruijn 图中利用气泡结构建模和解析等位基因变异，实现杂合区域的精确表示。
• 实施改进的缺口填补策略，利用配对末端和 mate-pair 读长信息延伸 contig。
• 提出一种新型支架构建算法，通过使用可靠的连锁信息，在不牺牲准确性的前提下最大化连续性。
• 采用高度并行化的实现方式，提升运行速度和带宽效率，支持大规模基因组拼接。
• 集成预拼接分析流程，用于评估全基因组范围的多态性和重复性，以优化参数。
• 运行于 JGI/NERSC Genepool 等 HPC 集群，实现人类基因组拼接时间低于 24 小时。

实验结果

研究问题

• RQ1 基于短读长数据，从头拼接工具能否有效建模并解析二倍体和多倍体基因组中的等位基因变异？
• RQ2 如何改进缺口填补策略以提升连续性，同时避免引入错误？
• RQ3 在复杂重复区域中，能否实现更完整的支架构建，同时保持高准确性？
• RQ4 并行化在多大程度上可提升大规模基因组拼接的运行时间和资源效率？
• RQ5 在真实的人类二倍体数据上，Meraculous2 与现有拼接工具相比，在连续性、完整性和准确性方面表现如何？

主要发现

• Meraculous2 在 JGI/NERSC Genepool 系统上仅用不到 24 小时即完成了 NA12878 二倍体基因组的完整拼接。
• 与同一数据集的其他已发表拼接结果相比，Meraculous2 的拼接结果在 N50 指标上表现出更优的连续性。
• 完整性得到提升，参考基因组覆盖度更高，错误拼接率更低。
• 利用气泡结构可准确解析等位基因变异，显著减少了杂合区域中的假阳性与假阴性检测。
• 改进的支架构建算法在不损害准确性的前提下，生成了比以往方法更完整的拼接结果。
• 并行化实现显著缩短了运行时间，并提升了带宽效率，使大规模基因组拼接具备可扩展性。