[论文解读] CHM13 PacBio HiFi reads with assigned coordinates, assembly graphs generated with Raven and hifiasm

Lovro Vrček, Xavier Bresson+3 more|arXiv (Cornell University)|May 1, 2022

Genomics and Phylogenetic Studies被引用 5

一句话总结

本文提出一种基于图卷积网络（GNN）的框架，用于自动化从头基因组组装的布局阶段，以深度学习替代组装图中基于启发式的路径查找。该模型在单个人类染色体生成的合成图上进行训练，在真实PacBio HiFi测序数据上表现优于最先进组装工具，实现了更高的连续性、更低的错误率，并在所有染色体上均提升了NG50/NGA50指标。

ABSTRACT

A quest to determine the complete sequence of a human DNA from telomere to telomere started three decades ago and was finally completed in 2021. This accomplishment was a result of a tremendous effort of numerous experts who engineered various tools and performed laborious manual inspection to achieve the first gapless genome sequence. However, such method can hardly be used as a general approach to assemble different genomes, especially when the assembly speed is critical given the large amount of data. In this work, we explore a different approach to the central part of the genome assembly task that consists of untangling a large assembly graph from which a genomic sequence needs to be reconstructed. Our main motivation is to reduce human-engineered heuristics and use deep learning to develop more generalizable reconstruction techniques. Precisely, we introduce a new learning framework to train a graph convolutional network to resolve assembly graphs by finding a correct path through them. The training is supervised with a dataset generated from the resolved CHM13 human sequence and tested on assembly graphs built using real human PacBio HiFi reads. Experimental results show that a model, trained on simulated graphs generated solely from a single chromosome, is able to remarkably resolve all other chromosomes. Moreover, the model outperforms hand-crafted heuristics from a state-of-the-art extit{de novo} assembler on the same graphs. Reconstructed chromosomes with graph networks are more accurate on nucleotide level, report lower number of contigs, higher genome reconstructed fraction and NG50/NGA50 assessment metrics.

研究动机与目标

• 减少在从头基因组组装布局阶段对人工设计启发式规则的依赖。
• 开发一种可泛化的深度学习框架，能够将复杂的组装图解缠绕为连续序列。
• 通过学习组装图中的最优路径，提升基因组组装的连续性和准确性。
• 通过单染色体预训练设置，实现在不同染色体间的迁移学习。
• 提供公开的数据集和代码库，以支持基因组组装领域的可复现研究。

提出的方法

• 该框架采用基于GNN的模型，具体为门控图卷积网络（GatedGCN），用于预测组装图中的有利边和不利边。
• 利用边预测结果引导贪婪路径查找算法，从图中重建基因组序列。
• 训练数据源自CHM13人类基因组序列，生成具有已知真实路径的逼真组装图。
• 模型仅在来自单一染色体（chr1）的图上进行训练，但评估覆盖全部24个人类染色体。
• 该方法具有模块化设计，可集成至现有的OLC型组装工具（如Raven）中，替代其启发式布局阶段。
• 评估使用标准指标，包括错配率和插入缺失率、contig数量、重建的基因组比例，以及NG50/NGA50。

实验结果

研究问题

• RQ1 在单个染色体的合成组装图上训练的深度学习模型，能否泛化到其他所有人源染色体的图解缠绕任务？
• RQ2 基于GNN的布局阶段是否在组装连续性和准确性方面优于传统的启发式方法？
• RQ3 学习到的模型在从PacBio HiFi测序数据进行从头基因组组装时，能在多大程度上减少片段化和核苷酸错误？
• RQ4 在真实人类数据上，该GNN框架与最先进组装工具（如Raven和hifiasm）相比表现如何？
• RQ5 该框架是否可应用于其他物种或测序技术（如ONT测序数据），并实现类似性能提升？

主要发现

• 该模型仅在chr1图上进行训练，即可高精度重建其他所有人源染色体，展现出强大的泛化能力。
• 在真实PacBio HiFi测序数据上，GNN方法在chr1上的错配率为2.54%，显著低于Raven的5.30%。
• 与基于启发式的组装工具相比，该方法减少了contig数量并提高了基因组重建比例。
• NG50和NGA50指标显著提升，NG50在chr16达到12.99 Mb，优于Raven的12.99 Mb和hifiasm的10.55 Mb。
• 所有染色体上的插入缺失率均更低，chr22的插入缺失率为2.32%，低于Raven的4.40%。
• 该框架已公开发布，包含代码和数据集，支持可复现研究，并可拓展至其他物种和测序技术。