[论文解读] Accurate, Fast and Lightweight Clustering of de novo Transcriptomes using Fragment Equivalence Classes

Avi Srivastava, Hirak Sarkar+2 more|arXiv (Cornell University)|Apr 12, 2016

Genomics and Phylogenetic Studies参考文献 30被引用 6

一句话总结

RapClust 是一种快速、轻量且准确的方法，通过基于准映射生成的片段等价类对从头转录组组装结果进行聚类。它利用多映射读段关系构建稀疏模糊图，并应用 MCL 聚类算法，在几分钟内实现卓越的聚类准确性和表达量定量，且内存占用极低——在速度、准确性和资源效率方面均优于现有工具。

ABSTRACT

Motivation: De novo transcriptome assembly of non-model organisms is the first major step for many RNA-seq analysis tasks. Current methods for de novo assembly often report a large number of contiguous sequences (contigs), which may be fractured and incomplete sequences instead of full-length transcripts. Dealing with a large number of such contigs can slow and complicate downstream analysis. Results :We present a method for clustering contigs from de novo transcriptome assemblies based upon the relationships exposed by multi-mapping sequencing fragments. Specifically, we cast the problem of clustering contigs as one of clustering a sparse graph that is induced by equivalence classes of fragments that map to subsets of the transcriptome. Leveraging recent developments in efficient read mapping and transcript quantification, we have developed RapClust, a tool implementing this approach that is capable of accurately clustering most large de novo transcriptomes in a matter of minutes, while simultaneously providing accurate estimates of expression for the resulting clusters. We compare RapClust against a number of tools commonly used for de novo transcriptome clustering. Using de novo assemblies of organisms for which reference genomes are available, we assess the accuracy of these different methods in terms of the quality of the resulting clusterings, and the concordance of differential expression tests with those based on ground truth clusters. We find that RapClust produces clusters of comparable or better quality than existing state-of-the-art approaches, and does so substantially faster. RapClust also confers a large benefit in terms of space usage, as it produces only succinct intermediate files - usually on the order of a few megabytes - even when processing hundreds of millions of reads.

研究动机与目标

• 解决从头转录组组装中片段化和不完整重叠群的问题。
• 通过将相似的重叠群聚类为具有生物意义的组别，减轻差异表达分析中多重假设检验的负担。
• 开发一种计算高效且准确的聚类方法，即使在大规模 RNA-seq 数据集下也能保持高性能。
• 在单一、一体化的流程中整合重叠群聚类与精确的转录水平表达量定量。

提出的方法

• RapClust 使用准映射识别片段等价类——即映射到相同一组转录本的读段集合，从而捕捉多映射关系。
• 构建一个稀疏图，其中节点代表重叠群，边代表共享的片段等价类，以编码序列相似性和映射模糊性。
• 使用 MCL（马尔可夫聚类）算法对图进行聚类，将可能代表同一基因或转录本的重叠群分组。
• 通过 Sailfish 的准映射流程进行表达量定量，该流程可并行完成聚类与准确的转录水平丰度估计。
• 该方法复用现有的定量基础设施，仅需极少的额外计算和存储开销。
• 采用转录本数量、边权重和对数倍数变化似然的截断参数过滤虚假连接，初始值参考 Corset 的设定。

实验结果

研究问题

• RQ1 能否利用准映射读段生成的片段等价类，将从头组装的重叠群准确聚类为具有生物意义的组别？
• RQ2 与 CD-HIT 和 Corset 等先进工具相比，RapClust 在恢复真实差异表达基因方面的聚类准确性如何？
• RQ3 与现有聚类方法相比，RapClust 在计算时间和内存使用方面能减少多少？
• RQ4 在单一流程中集成表达量定量与聚类，能否同时提升从头转录组分析的速度与准确性？

主要发现

• 在酿酒酵母中，RapClust 的 AUC 为 0.89；在人类中为 0.847；在鸡中为 0.534，多数情况下优于 CD-HIT 和 Corset。
• 在鸡数据集中，RapClust 表现显著更优（AUC 0.534），优于 CD-HIT（0.463）和 Corset（0.14），表明即使在序列高度相似的情况下，其聚类质量也更优。
• 即使在包含数亿条读段的组装中，RapClust 也能在几分钟内完成聚类，中间文件通常仅几 MB 大小。
• 该方法处理速度显著快于现有工具，同时保持或提升了聚类准确性。
• 通过片段等价类集成表达量定量与聚类，实现了更准确的差异表达检验，并有效减轻了多重检验负担。
• 初步结果表明，采用数据自适应的参数选择及引入丰度方差估计，有望进一步提升聚类质量。