[論文レビュー] TaSer (TabAnno and SeqMiner): a toolset for annotating and querying next-generation sequence data

Xiaowei Zhan, Dajiang J. Liu|arXiv (Cornell University)|Jun 24, 2013

Genomics and Phylogenetic Studies参考文献 7被引用数 4

ひとこと要約

TaSer (TabAnno および SeqMiner) は、タブ区切りファイルを使用して次世代シーケンシング (NGS) データのアノテーションとクエリを実行する軽量で効率的なツールセットです。TabAnno は前処理およびバリアントのアノテーションを実行し、インデックス化されたプロジェクトファイルを生成します。一方、SeqMiner は R パッケージとして提供され、データベースシステムを必要とせずに大規模なデータセットに対して高速かつ複雑なクエリを実行でき、中程度の計算リソースでも優れたパフォーマンスを発揮します。

ABSTRACT

Summary: We develop TaSer (TabAnno and SeqMiner), a toolkit for annotating and querying next generation sequence (NGS) dataset in tab-delimited files. TabAnno is a powerful and efficient command-line tool designed to pre-process sequence data, annotate variations and generate an indexed feature-enriched project file that can integrate multiple sources of information. Using the project file generated by TabAnno, complex queries to the sequence dataset can be performed using SeqMiner, an R-package designed to efficiently access large datasets. Extracted information can be conveniently viewed and analyzed by tools in R. TaSer is optimized and computationally more efficient than software using database systems. It enables annotating and querying NGS dataset using moderate computing resource. Availability and implementation: TabAnno can be downloaded from github (zhanxw.github.io/anno/). SeqMiner is distributed on CRAN (cran.r-project.org/web/packages/seqminer). Contact: X.Z. ([e-mail]) D.J.L ([e-mail])

研究の動機と目的

• データベースシステムに依存する既存の NGS データ解析ツールが示す計算上の非効率性と高いリソース要件を是正すること。
• 複数のソースからのゲノムアノテーションを統合・クエリ可能にするスケーラブルで軽量なソリューションを提供すること。
• 限られた計算リソースを有する研究者が大規模 NGS データに対して複雑なクエリを実行できるようにすること。
• モジュール式のコマンドラインおよび R ベースのパイプラインを用いて、生の配列データからアノテーション済みでクエリ可能なデータセットへのワークフローを簡素化すること。
• データベースのオーバーヘッドを回避し、ファイルベースのインデックス化を活用することで、ゲノムデータ解析におけるパフォーマンスと使いやすさを向上させること。

提案手法

• TabAnno は、タブ区切り形式の生の NGS データを処理し、複数のデータソースを用いて遺伝的バリアントをアノテーションします。
• ゲノムアノテーションとシークエンス情報が統合された、機能豊富なインデックス化済みプロジェクトファイルを生成します。
• プロジェクトファイルは、高速なランダムアクセスと効率的なクエリ解決をサポートする構造になっています。
• SeqMiner は、インデックス化済みプロジェクトファイルにアクセスして、大規模 NGS データセットに対する複雑なクエリを実行する R パッケージです。
• クエリ実行は R のデータ分析機能を活用しており、統計的および可視化ツールとの統合が可能になっています。
• パイプライン全体が従来のデータベースシステムを回避しており、計算オーバーヘッドを低減し、標準的なハードウェアでもパフォーマンスが向上しています。

実験結果

リサーチクエスチョン

• RQ1 軽量でファイルベースのシステムは、データベース依存のツールに比べて、大規模 NGS データセットのクエリにおいて優れた性能を発揮できるか？
• RQ2 TabAnno のようなコマンドラインツールは、複数のゲノムデータソースを効率的に統合し、バリアントをアノテートできるか？
• RQ3 SeqMiner はデータベースバックエンドを必要とせずに、インタラクティブで高パフォーマンスな NGS データクエリをどの程度可能にするか？
• RQ4 このツールセットは、スケーラビリティを損なわずに、中程度の計算リソース環境に効果的に展開可能か？
• RQ5 パフォーマンス面で、既存のデータベースベースの NGS 分析ツールと比較して、速度とリソース使用量の点で TaSer はどのように差をつけるか？

主な発見

• TaSer はデータベースシステムを回避することで高い計算効率を達成し、標準的なハードウェア上でもクエリ処理を高速に実行できます。
• TabAnno が生成するインデックス化済みプロジェクトファイルは、アノテーション済み NGS データの迅速なアクセスと複雑なクエリを可能にします。
• SeqMiner は R の統計的および可視化ツールとのシームレスな統合を可能にし、後続の解析を容易にします。
• 特にリソース制限のある環境では、データベースベースの代替手段よりも計算的に効率的です。
• TabAnno は複数のデータソースを一つのクエリ可能なアノテーションファイルに効果的に統合し、データの利用可能性を向上させています。
• パイプライン全体はオープンソースソフトウェアとして提供されており、TabAnno は GitHub、SeqMiner は CRAN に公開されており、広範なアクセス性と再現性を確保しています。