[论文解读] An algebraic framework to sample the rearrangement histories of a cancer metagenome with double cut and join, duplication and deletion events

Daniel R. Zerbino, Benedict Paten+2 more|arXiv (Cornell University)|Mar 22, 2013

Genome Rearrangement Algorithms参考文献 26被引用 3

一句话总结

本文提出了一种基于线性代数的代数框架，用于在癌症宏基因组中建模和采样结构变异（SV）历史，整合了双切口与连接（DCJ）、重复和删除事件。该框架能够全面采样在异质性、碎片化癌症基因组中的重排序列，将DCJ理论扩展至非完全组装的基因组，并在模拟和真实癌症数据集上展示了其有效性。

ABSTRACT

Algorithms to study structural variants (SV) in whole genome sequencing (WGS) cancer datasets are currently unable to sample the entire space of rearrangements while allowing for copy number variations (CNV). In addition, rearrangement theory has up to now focused on fully assembled genomes, not on fragmentary observations on mixed genome populations. This affects the applicability of current methods to actual cancer datasets, which are produced from short read sequencing of a heterogeneous population of cells. We show how basic linear algebra can be used to describe and sample the set of possible sequences of SVs, extending the double cut and join (DCJ) model into the analysis of metagenomes. We also describe a functional pipeline which was run on simulated as well as experimental cancer datasets.

研究动机与目标

• 为解决当前算法无法在考虑癌症全基因组测序（WGS）数据中拷贝数变异（CNVs）的前提下采样全结构变异（SVs）空间的问题。
• 将双切口与连接（DCJ）模型扩展至非完全组装的基因组，以处理癌症测序中典型的片段化、混合基因组观测数据。
• 开发一个功能完整的分析流程，可在该新型代数框架下处理模拟和实验性癌症数据集。
• 实现对宏基因组癌症数据中重排历史的系统性采样，其中存在多个细胞群体共存且基因组不完整。

提出的方法

• 该框架使用基础线性代数来数学上一致地表示和操作重排事件，包括DCJ、重复和删除。
• 将基因组状态建模为向量空间中的向量，重排操作则表示为线性变换。
• 该方法允许枚举和采样所有可能的重排序列，以将参考基因组转换为给定的观测基因组。
• 通过将DCJ模型扩展至允许在代数结构内进行基因重复和删除，从而整合拷贝数变异。
• 将这些代数操作整合到计算工作流中，处理模拟和真实癌症短读长测序数据。
• 利用代数结构高效探索可能的重排历史空间，即使在复杂、异质性的肿瘤样本中亦可实现。

实验结果

研究问题

• RQ1 能否开发一种代数框架，以建模和采样癌症宏基因组中所有可能的结构变异序列，包括DCJ、重复和删除事件？
• RQ2 双切口与连接（DCJ）模型应如何扩展，以处理癌症短读长测序中典型的不完整和混合基因组观测数据？
• RQ3 该框架在异质性肿瘤群体中能多大程度上探索全重排历史空间？
• RQ4 与现有方法相比，该框架在真实癌症数据集上的表现如何，其在生物学合理性与计算可行性方面有何优势？

主要发现

• 所提出的代数框架成功将DCJ模型扩展至处理拷贝数变异和片段化、宏基因组数据，实现了对重排历史的全面探索。
• 该方法能够以数学上严谨且计算上可行的方式，系统性地采样所有可能的重排序列。
• 该流程在模拟和实验性癌症数据集上均得到验证，证明其适用于真实世界测序数据。
• 该框架能够对复杂、异质性肿瘤基因组进行建模，其中多个细胞谱系共存且基因组不完整。
• 通过使用线性代数，该方法为多样化重排事件提供了统一的表示方式，提升了可解释性和可扩展性。
• 结果表明，即使在缺乏完全组装基因组的情况下，该框架仍能生成具有生物学合理性的重排历史。