[论文解读] Correcting Illumina sequencing errors for human data

Heng Li|arXiv (Cornell University)|Feb 12, 2015

Genomics and Phylogenetic Studies参考文献 12被引用 7

一句话总结

本文提出BFC，一种用于Illumina全基因组测序数据的非贪心纠错工具，利用可信k-mer和基于优先队列的动态规划方法，相比贪心方法实现了更高的准确性。在人类数据上的评估显示，BFC-ht在减少过度纠错和提高比对准确性方面优于其他工具，证明了在二倍体、重复序列丰富的基因组中采用非贪心纠错的优势。

ABSTRACT

Summary: We present a new tool to correct sequencing errors in Illumina data produced from high-coverage whole-genome shotgun resequencing. It uses a non-greedy algorithm and shows comparable performance and higher accuracy in an evaluation on real human data. This evaluation has the most complete collection of high-performance error correctors so far. Availability and implementation: https://github.com/lh3/bfc Contact: [e-mail]

研究动机与目标

• 解决贪心纠错在高覆盖度、重复序列丰富的人类基因组中应用时的局限性。
• 开发一种非贪心算法，通过探索多种纠错路径寻找最优修正结果。
• 在真实的人类测序数据上，评估BFC与当前最先进的纠错工具的性能表现。
• 评估k-mer大小、碱基质量以及数据结构对纠错准确性的影响。
• 比较不同工具在速度、内存使用和准确性之间的权衡。

提出的方法

• BFC使用四元组状态表示法（i, W, C, p）追踪位置、k-1-mer上下文、已修正位置和惩罚值，将所有状态保存在优先队列中。
• 该算法在每个位置探索所有可能的下一个碱基，优先选择包含可信k-mer的路径，并对不可信k-mer施加惩罚。
• 采用启发式方法缩小搜索空间，例如当碱基质量为Q20或在窗口内已修正多个高质量碱基时跳过纠错。
• 提供了两种实现方式：BFC-bf使用带有k-mer计数的阻塞布隆过滤器（来自KMC2），而BFC-ht则结合布隆过滤器与内存中的哈希表以实现近似计数。
• 该工具将纠错范围从可信k-mer子串扩展至完整读段，并利用一 mismatches k-mer 枚举方法在初始无可信k-mer时识别可信k-mer。
• 定义了支持INDEL的扩展，但由于Illumina数据中此类错误频率较低，未予实现。

实验结果

研究问题

• RQ1 与贪心方法相比，非贪心纠错方法是否能在高覆盖度人类全基因组测序数据上提升准确性？
• RQ2 k-mer大小和碱基质量如何影响在二倍体、重复序列丰富的基因组中纠错工具的性能？
• RQ3 在可信集合中保留高质量k-mer是否能提升纠错准确性，特别是对系统性测序错误？
• RQ4 在真实人类数据上，不同纠错工具在速度、内存使用和准确性之间的权衡如何？
• RQ5 使用两种不同k-mer大小的两轮纠错策略是否能提升整体纠错质量及下游组装效果？

主要发现

• BFC-ht实现了最多完美比对的校正读段（303万条），并产生了最少的嵌合读段（1.17万条），在准确性上优于其他工具。
• BFC-ht将81.6万条读段校正得优于原始序列，仅有1.08万条读段变差，表明其具有高度可靠性且过度纠错极少。
• BFC-bf和BFC-ht在准确性上均优于BLESS和Lighter，其中BFC-ht因保留高质量k-mer而展现出微弱优势。
• 更长的k-mer（如k=55）提升了准确性并减少了过度纠错，可能归因于对重复区域的更好分辨能力以及更小的搜索空间。
• 采用两轮不同k-mer大小的纠错策略略微改善了结果（86.1万条更好，9500条更差），但未显著提升下游组装效果，表明存在收益递减现象。
• BBMap是最快工具，Bloocoo内存占用最少，而BFC-ht在准确性和资源效率之间实现了最佳平衡。