[논문 리뷰] Multiple Comparative Metagenomics using Multiset k-mer Counting

Gaëtan Benoit, Pierre Peterlongo외 5명|arXiv (Cornell University)|2016. 04. 08.

Gut microbiota and health참고 문헌 38인용 수 15

한 줄 요약

이 논문은 대규모 메타게놈 데이터셋에서 다중집합 k-머 counting을 통해 다수의 생태학적 거리를 계산하는 확장 가능한 신규 메타게놈 비교 방법인 Simka를 소개한다. 이 방법은 수백 개의 샘플을 빠르고 정확하며 철저하게 비교할 수 있도록 하며, 320억 개의 리드를 포함한 690개의 인간 마이크로바이옴 프로젝트 샘플을 몇 시간 내에 처리함으로써 생물학적 구조를 유지하면서 기존의 기반 기반 및 k-머 기반 방법을 능가한다. 특히 정량적 번성 패턴을 잘 포착한다.

ABSTRACT

Background. Large scale metagenomic projects aim to extract biodiversity knowledge between different environmental conditions. Current methods for comparing microbial communities face important limitations. Those based on taxonomical or functional assignation rely on a small subset of the sequences that can be associated to known organisms. On the other hand, de novo methods, that compare the whole sets of sequences, either do not scale up on ambitious metagenomic projects or do not provide precise and exhaustive results. Methods. These limitations motivated the development of a new de novo metagenomic comparative method, called Simka. This method computes a large collection of standard ecological distances by replacing species counts by k-mer counts. Simka scales-up today's metagenomic projects thanks to a new parallel k-mer counting strategy on multiple datasets. Results. Experiments on public Human Microbiome Project datasets demonstrate that Simka captures the essential underlying biological structure. Simka was able to compute in a few hours both qualitative and quantitative ecological distances on hundreds of metagenomic samples (690 samples, 32 billions of reads). We also demonstrate that analyzing metagenomes at the k-mer level is highly correlated with extremely precise de novo comparison techniques which rely on all-versus-all sequences alignment strategy or which are based on taxonomic profiling.

연구 동기 및 목표

• 기존의 메타게놈 비교 방법이 분류학적 또는 기능적 할당에 의존함에 따라 참조 데이터베이스의 불완전성과 확장성 문제로 인해 제한됨을 해결하기 위해.
• 정밀도나 철저성의 손실 없이 대규모 메타게놈 프로젝트에 확장 가능한 신규 기반 없는 방법을 개발하기 위해.
• 다양한 데이터셋 간의 k-머 빈도를 사용하여 여러 생태학적 거리(예: 자카르드, 브레이-커티스)를 동시에 효율적으로 계산할 수 있도록 하기 위해.
• k-머 기반 거리가 특히 k ≥ 21일 때 분류학적 거리와 강한 상관관계를 보임을 입증함으로써 생물학적 관련성을 확인하기 위해.
• 기존의 거리 행렬에 새로운 샘플을 추가할 수 있도록 선형 시간 업데이트를 허용함으로써 점진적 분석을 지원하기 위해.

제안 방법

• Simka는 병렬 k-머 수세기 전략을 신규로 도입하여 여러 메타게놈 샘플을 동시에 다중집합 k-머 빈도를 계산한다.
• 종래의 종 수 대신 k-머 수를 사용하여 자카르드, 브레이-커티스, 제닝스-섀넌과 같은 표준 생태학적 거리를 계산하며, 이는 k-머에 대해 가환적이다.
• k-머 빈도가 게놈 농도와 선형적으로 관련되어 있고, k-머가 게놈 영역에 특이적이므로 공동체 비교에 있어 강력한 기반을 제공한다.
• 점진적 계산을 지원한다: 새로운 샘플을 추가하려면 거리 행렬의 한 줄만 재계산하면 되며, 이전 결과를 그대로 유지할 수 있다.
• 효율적인 데이터 구조와 병렬 처리를 통해 대규모 데이터에 최적화된 알고리즘으로, 수백 개의 샘플과 수조 개의 리드를 분석할 수 있다.
• 기본적으로 k = 21을 사용하며, 이는 분류학적 거리와 높은 상관관계(r > 0.8)를 보이며 생물학적 관련성을 보장한다.

실험 결과

연구 질문

• RQ1 기반 데이터베이스에 의존하지 않고도 k-머 기반 거리가 메타게놈 데이터에서 알려진 생물학적 구조를 정확히 회복할 수 있는가?
• RQ2 다중집합 k-머 수세기 방법이 전통적인 분류학적 프로파일링에 비해 공동체 다양성과 구성의 포괄성을 얼마나 잘 포착하는가?
• RQ3 수백 개의 샘플과 수조 개의 리드를 포함하는 대규모 메타게놈 프로젝트에 대해, 신규 기반 없는 방법이 확장 가능한가?
• RQ4 다양한 생태학적 거리(예: 정성적 자카르드 대비 정량적 브레이-커티스)는 메타게놈 비교에서 어떤 정도의 생물학적 통찰을 드러내는가?
• RQ5 기존의 전체 거리 행렬을 다시 계산하지 않고도 새로운 샘플을 추가할 때 거리 행렬을 점진적으로 업데이트하는 것이 가능한가?

주요 결과

• Simka는 690개의 인간 마이크로바이옴 프로젝트 샘플(320억 개의 리드)에 대해 몇 시간 내에 정성적 및 정량적 생태학적 거리를 모두 계산하여 높은 확장성을 입증했다.
• k-머 기반 거리(k=21)와 분류학적 거리 간 상관계수 r > 0.8을 달성하여 생물학적 정확성을 확인했다.
• Simka는 장내 미생물군집의 알려진 생물학적 구조를 성공적으로 포착했으며, PCoA 플롯에서 Bacteroides-주로 구성된 공동체와 Prevotella-주로 구성된 공동체의 분리가 명확하게 드러났다.
• Simka가 계산한 제닝스-섀넌 거리 행렬은 신체 부위별로 샘플이 명확하게 군집화되어 있음을 보여주었으며, 주요 속(예: Bacteroides, Prevotella, Ruminococcaceae)의 상대 농도가 순서도에 정확하게 맵핑되었다.
• Mash는 k-머의 존재/부재만을 사용하는 데 반해, Simka는 농도 인식 거리(예: 브레이-커티스)를 사용함으로써 정성적 방법이 놓친 미세한 생물학적 신호, 예를 들어 희귀 종의 변화를 드러냈다.
• 기존 Simka 분석에 새로운 샘플을 추가하려면 단지 한 줄의 거리 계산만 선형 시간 내에 수행하면 되므로 점진적 분석이 효율적으로 가능하다.