[论文解读] New strategies to improve minimap2 alignment accuracy

Heng Li|arXiv (Cornell University)|Aug 7, 2021

Genomics and Phylogenetic Studies参考文献 14被引用 9

一句话总结

该论文在 minimap2 v2.22 中显著提升了长读长比对的准确性，特别是在高度重复区域和结构变异（SV）方面。该工作引入了一种启发式方法以恢复高频出现的 k-mer，一种用于处理长达 100 kb 的长插入/缺失（INDEL）的重连算法，以及一种对数间隙评分函数，以减少对大型结构变异的过度惩罚，从而显著提高了比对准确性和 SV 检测的灵敏度。

ABSTRACT

Summary: We present several recent improvements to minimap2, a versatile pairwise aligner for nucleotide sequences. Now minimap2 v2.22 can more accurately map long reads to highly repetitive regions and align through insertions or deletions up to 100kb by default, addressing major weakness in minimap2 v2.18 or earlier. Availability and implementation: https://github.com/lh3/minimap2

研究动机与目标

• 解决 minimap2 v2.18 及更早版本在高度重复区域和结构变异中比对准确性较差的问题。
• 解决仿射间隙评分模型中对长插入/缺失（INDEL）过度惩罚导致的错配问题。
• 在存在长 INDEL 和可变数目串联重复序列（VNTR）周围重叠短链的情况下，提升链式比对的鲁棒性。
• 在不牺牲特异性的前提下，提升结构变异（SV）检测的灵敏度。

提出的方法

• 提出一种新启发式方法：通过在相距至少 500 bp 的相邻低频出现 k-mer 之间，选择出现频率最低的最小化子（minimizers）来恢复高频 k-mer，利用二叉堆提升效率。
• 采用混合链式策略替代旧的长连接启发式方法：首先在 500 bp 带宽内使用动态规划（DP）进行链式比对，随后采用 minigraph 中的亚二次方算法进行重连，以解决重叠并延伸通过长 INDEL 区域。
• 引入一种新型评分函数，替代仿射间隙惩罚：S = M − (N + G)/(2d) − Σ log₂(1 + gᵢ)，其中 d = max{(N+G)/(M+N+G), 0.02}，使长 INDEL 受到更温和的惩罚。
• 将 minigraph 中的亚二次方重连算法集成到 minimap2 中，用于序列片段到参考基因组的比对，提升了复杂区域的鲁棒性。
• 新评分函数在比对长度上呈线性关系，计算开销可忽略不计。
• 改进措施向后兼容，保持 minimap2 的运行速度，仅使比对时间增加约几个百分点。

实验结果

研究问题

• RQ1 在低频出现种子稀少的高度重复区域中，能否有效恢复高频 k-mer 以提升比对准确性？
• RQ2 亚二次方重连算法是否优于旧的长连接启发式方法，以更好地解决长 INDEL 和 VNTR 周围的重叠短链问题？
• RQ3 对数间隙评分函数能否减少对大型结构变异的过度惩罚，并提升 SV 检测的准确性？
• RQ4 与 minimap2 v2.18 和 Winnowmap2 相比，新策略在比对准确性和 SV 敏感性方面提升了多少？

主要发现

• minimap2 v2.22 在映射质量 ≥10 的条件下，成功比对了 97.9% 的模拟 Nanopore 读长，优于 v2.18（97.6%），与 Winnowmap2（99.0%）持平。
• v2.22 的比对错误率降至 52 phredQ（即 52% 错误率），而 v2.18 为 52，Winnowmap2 为 38，表明准确性有所提升。
• 在模拟数据上的 SV 检测中，v2.22 的假阴性率为 0.5%，假发现率为 0.0%，与 Winnowmap2 一致，显著优于 v2.18 的 2.0% 和 0.1%。
• 对于真实长 INDEL（>1 kb），v2.22 的敏感性更高（假阴性率 7.3%），相比 v2.18（20.0%）在相似特异性下，证实了更好的比对连续性。
• 新评分函数减轻了对长 INDEL 的过度惩罚，使 minimap2 能够检测到原本因默认 Sniffles 阈值（Q20）被遗漏的 SV，v2.22 在五种被遗漏的 SV 中有四种检测到的变异读长多于 Winnowmap2。
• 尽管引入了更复杂的算法，v2.22 的运行时间与 v2.18 相当，且始终比 Winnowmap2 快 2–3 倍，显示出显著的效率提升。