[論文レビュー] Nanopore Sequencing Technology and Tools for Genome Assembly: Computational Analysis of the Current State, Bottlenecks and Future Directions

Damla Senol Cali, Jeremie Kim+3 more|arXiv (Cornell University)|Nov 23, 2017

Genomics and Phylogenetic Studies被引用数 5

ひとこと要約

本稿は、ゲノムアセンブリを目的としたナノポーレシーケンシングツールの包括的な計算的分析を提供し、ベースコール、オーバーラップ検出、アセンブリ、ポーリッシュングの各ツールを評価している。精度、速度、メモリ使用量の間の主要なトレードオフを特定し、MinimapがGraphMapを上回る効率性を示し、Miniasmが高速な初期アセンブリを可能にし、Raconが高精度のポーリッシュングを著しく高速化することを結論づけ、より良いゲノムアセンブリワークフローのための最適なツール選定を支援する。

ABSTRACT

Nanopore sequencing technology has the potential to render other sequencing technologies obsolete with its ability to generate long reads and provide portability. However, high error rates of the technology pose a challenge while generating accurate genome assemblies. The tools used for nanopore sequence analysis are of critical importance as they should overcome the high error rates of the technology. Our goal in this work is to comprehensively analyze current publicly available tools for nanopore sequence analysis to understand their advantages, disadvantages, and performance bottlenecks. It is important to understand where the current tools do not perform well to develop better tools. To this end, we 1) analyze the multiple steps and the associated tools in the genome assembly pipeline using nanopore sequence data, and 2) provide guidelines for determining the appropriate tools for each step. We analyze various combinations of different tools and expose the tradeoffs between accuracy, performance, memory usage and scalability. We conclude that our observations can guide researchers and practitioners in making conscious and effective choices for each step of the genome assembly pipeline using nanopore sequence data. Also, with the help of bottlenecks we have found, developers can improve the current tools or build new ones that are both accurate and fast, in order to overcome the high error rates of the nanopore sequencing technology.

研究の動機と目的

• ナノポーレシーケンシング解析のための公開利用可能なツールの現状を、ゲノムアセンブリの文脈で評価すること。
• ゲノムアセンブリパイプライン全体における精度、速度、メモリ使用量、スケーラビリティの面でのパフォーマンスボトルネックおよびトレードオフを特定すること。
• ナノポーレシーベースのゲノムアセンブリパイプラインの各段階で最適なツールを選定する根拠に基づくガイドラインを提供すること。
• 既存ツールの制限を明らかにし、今後のツール開発の方向性を示唆することで、今後のツール開発を支援すること。

提案手法

• 本研究では、4つの段階（ベースコール、リード間オーバーラップ検出、アセンブリ、ポーリッシュング）にわたり、14個の公開利用可能なツールを評価した。
• パフォーマンスは、3つの異なるハードウェアプラットフォーム（メモリおよびコア構成が異なる）で測定された壁時計時間、CPU時間、ピークメモリ使用量、並列スループットという標準化された指標を用いて評価された。
• 精度は、6つの指標（配列ベース数、コンティグ数、平均相同性、カバレッジ、ミスミス、インデル）を用いて、参照ゲノムとの比較でdnadiffにより測定された。
• 本分析では、実際のナノポーレデータ（E. coli）を用いたツールの組み合わせを比較し、エンドツーエンドのパイプライン性能とトレードオフを評価した。
• ハードウェア構成には、高メモリサーバ、デスクトップシステム、大容量メモリシステムが含まれ、スケーラビリティとリソース要件の評価が行われた。
• 再現性と公平性を確保するため、制御された入力と標準化されたコマンドライン実行を用いた体系的なベンチマーク手法が採用された。

実験結果

リサーチクエスチョン

• RQ1 ナノポーレシーケンシングデータに対して、精度とパフォーマンスのバランスが最も優れているベースコールツールはどれか？
• RQ2 GraphMapとMinimapは、リード間オーバーラップ検出において、精度、速度、メモリ効率の面でどのように比較できるか？
• RQ3 CanuやMiniasmといったアセンブラーを選択する際の、速度と精度のトレードオフは何か？
• RQ4 NanopolishとRaconといったポーリッシュングツールは、コンSENSUSの精度と計算効率の面でどのように比較できるか？
• RQ5 どのツールの組み合わせが、最も効率的かつ正確なエンドツーエンドのゲノムアセンブリパイプラインを実現するか？

主な発見

• ベースコールが最も重要なステップであり、生のナノポーレリードには高いエラー率があるため、ベースコールの選定が後続のアセンブリ精度に顕著に影響する。
• Minimapは、精度を同等に保ちながら、GraphMapよりも速度およびメモリ効率に優れている。
• Miniasmは低リソース使用量で高速な初期アセンブリを可能にし、その後のRaconによるポーリッシュングにより、Nanopolishに比べて顕著な高速化が達成され、高精度な結果が得られる。
• RaconはNanopolishに比べて顕著なパフォーマンス優位性を示し、ポーリッシュング時間を短縮しながら、より高品質なコンセンサス配列を生成する。
• 本研究では、アセンブリにおいて速度と精度の明確なトレードオフが明らかになった。Miniasm + Raconは、実用的用途に適した高速でスケーラブルかつ高精度なパイプラインを提供する。
• メモリ使用量とハードウェア構成は、特に大規模アセンブリにおいてパフォーマンスに顕著な影響を及ぼし、大容量メモリシステムは複雑なデータセットの処理をより迅速に可能にする。