[논문 리뷰] MetaScope - Fast and accurate identification of microbes in metagenomic sequencing data

Benjamin Buchfink, Daniel H. Huson외 1명|arXiv (Cornell University)|2015. 11. 25.

Genomics and Phylogenetic Studies참고 문헌 18인용 수 6

한 줄 요약

MetaScope는 메타게놈 분석을 위한 고속이고 정확한 도구로, 새로운 DNA 어니어인 SASS를 사용하여 시퀀싱 리드를 숙주 및 미생물 참조 데이터베이스에 신속하게 매핑한다. 유전자 예측과 정밀한 분류 할당을 위해 가중치가 부여된 LCA 알고리즘을 활용하며, 90.1–98.7%의 정확도를 기록하고 4–13분 내로 데이터셋을 처리하여 2013년 DTRA 소프트웨어 챌린지에서 우승하였다.

ABSTRACT

MetaScope is a fast and accurate tool for analyzing (host-associated) metagenome datasets. Sequence alignment of reads against the host genome (if requested) and against microbial Genbank is performed using a new DNA aligner called SASS. The output of SASS is processed so as to assign all microbial reads to taxa and genes, using a new weighted version of the LCA algorithm. MetaScope is the winner of the 2013 DTRA software challenge entitled "Identify Organisms from a Stream of DNA Sequences".

연구 동기 및 목표

• 시간이 매우 중요한 조건(예: 생물학적 위협 탐지)에서도 메타게놈 시퀀싱 데이터 내 미생물을 신속하고 정확하게 식별할 수 있는 도구를 개발하는 것.
• 바이러스성 및 합성 GenBank 항목에 포함된 인간 유사 서열로 인해 발생하는 가짜 양성 분류 할당 문제를 해결하는 것.
• 기본 LCA 알고리즘의 한계를 극복하여 분류 및 유전자 할당 정확도를 향상시키는 것—이 알고리즘은 종종 너무 광범위하거나 비특이적인 할당을 유도하기 때문이다.
• Illumina, PacBio, Roche-454, Ion Torrent 등의 다양한 시퀀싱 플랫폼에서 성능을 최적화하기 위해 플랫폼 고유의 오류 비율과 리드 특성에 맞게 파rameter를 조정하는 것.
• 빠른 어니어와 지능적인 리드 할당 및 유전자 보고 방식을 조합하여 대규모 메타게놈 데이터셋을 효율적으로 처리할 수 있도록 하는 것.

제안 방법

• MetaScope는 SASS라는 새로운 DNA 어니어를 사용하며, 이는 스페이스드 시드, 해시 테이블, 병렬 C++ 구현을 통해 감도를 유지하면서도 어니어 속도를 높인다.
• SASS는 승수 기반 종료 기준과 Myers의 비트 벡터 알고리즘을 적용하여 시드 매칭을 얼마나 연장할지 결정함으로써 속도와 정확도의 균형을 맞춘다.
• 숙주 게놈 필터링은 먼저 SASS를 사용하여 인간 유래 리드를 제거하고, 바이러스성 및 합성 GenBank 서열 내 인간 유사 영역을 마스킹하여 가짜 양성 수치를 줄인다.
• 새로운 가중치가 부여된 LCA 알고리즘은 각 참조 서열에 할당된 리드 수와 해당 서열의 상대적 가중치를 고려하여 리드를 분류군에 할당하며, 총 가중치의 75%를 커버하는 분류군에 리드를 할당한다.
• 유전자 할당은 참조 서열 가중치와 커버리지 비율 기반으로 겹치는 유전자들을 순위 매겨 수행하며, 각 리드에 대해 상위 순위의 유전자만 보고하여 가짜 양성 수치를 줄인다.
• 플랫폼 특화 파rameter 설정—예: PacBio에 대한 민감한 색인, Illumina에 대한 높은 minover 임계값—을 적용하여 시퀀싱 기술의 특성에 맞게 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 PacBio와 같은 높은 오류 비율을 가진 플랫폼을 포함한 다양한 시퀀싱 플랫폼에서 고속과 고정확도를 동시에 달성할 수 있는 메타게놈 분석 파이프라인을 개발할 수 있는가?
• RQ2 매우 유사한 참조 서열이 존재할 경우, 기본 LCA 알고리즘이 너무 광범위하거나 비특이적인 분류 할당을 유도하는 문제를 어떻게 완화할 수 있는가?
• RQ3 바이러스성 및 합성 GenBank 항목 내 인간 유사 서열을 마스킹함으로써, 숙주 관련 메타게놈 데이터셋에서 가짜 양성 분류 할당을 얼마나 줄일 수 있는가?
• RQ4 Illumina, Roche-454, Ion Torrent, PacBio 플랫폼에서 데이터를 처리할 때 감도와 특이도를 균형 있게 유지하기 위한 최적의 파rameter 설정은 무엇인가?
• RQ5 어니어 가중치와 커버리지 비율 기반으로 유전자를 우선순위 정렬하는 전략이 감도를 희생시키지 않으면서도 가짜 양성 유전자 보고를 상당히 줄일 수 있는가?

주요 결과

• MetaScope는 DTRA 챌린지의 아홉 개 데이터셋에서 90.1–98.7%의 유기체 식별 정확도를 기록하여 다양한 시퀀싱 플랫폼에서 높은 신뢰성을 입증하였다.
• 모든 데이터셋을 4~13분 내로 처리하여 기존 기술 대비 빠른 속도를 확보하였으며, 챌린지에서 요구한 상당한 빠른 분석 속도를 충족하였다.
• 가중치가 부여된 LCA 알고리즘이 고수준 분류군에 대한 과다 할당을 줄여 분류 할당의 특이도를 향상시켰으며, 특히 유사한 참조 서열이 많은 데이터셋에서 두드러졌다.
• 유전자 점수는 82에서 100 사이였고, 여러 데이터셋에서 특히 높은 99를 기록하여 겹치는 어니어의 복잡성에도 효과적인 유전자 예측 능력을 입증하였다.
• Illumina에 대한 minover 임계값 0.9, PacBio에 대한 top 설정 0.1 등 플랫폼 특화 파rameter 설정이 고오류 비율 데이터에서 높은 정확도를 유지하는 데 핵심이 되었다.
• 바이러스성 및 합성 GenBank 항목 내 인간 유사 영역의 마스킹이 가짜 양성 할당을 상당히 줄였으며, 분류 및 유전자 할당의 전체 신뢰도를 향상시켰다.