[论文解读] Evolutionary Placement of Short Sequence Reads

Simon Berger, Alexandros Stamatakis|ArXiv.org|Nov 15, 2009

Genomics and Phylogenetic Studies参考文献 6被引用 7

一句话总结

本文提出进化放置算法（EPA），一种基于最大似然法的快速且准确的方法，用于将短DNA序列读取分配到系统发育树的分支上。该方法在保持接近BLAST的运行速度的同时，显著优于BLAST在稀疏分类群采样条件下的准确性，通过在读取放置过程中利用系统发育树拓扑结构和分支长度优化实现。

ABSTRACT

We present an Evolutionary Placement Algorithm (EPA) for the rapid assignment of sequence fragments (short reads) to branches of a given phylogenetic tree under the Maximum Likelihood (ML) model. The accuracy of the algorithm is evaluated on several real-world data sets and compared to placement by pair-wise sequence comparison, using edit distances and BLAST. We test two versions of the placement algorithm, one slow and more accurate where branch length optimization is conducted for each short read insertion and a faster version where the branch lengths are approximated at the insertion position. For the slow version, additional heuristic techniques are explored that almost yield the same run time as the fast version, with only a small loss of accuracy. When those additional heuristics are employed the run time of the more accurate algorithm is comparable to that of a simple BLAST search for data sets with a high number of short query sequences. Moreover, the accuracy of the Evolutionary Placement Algorithm is significantly higher, in particular when the taxon sampling of the reference topology is sparse or inadequate. Our algorithm, which has been integrated into RAxML, therefore provides an equally fast but more accurate alternative to BLAST for phylogeny-aware analysis of short-read sequence data.

研究动机与目标

• 解决BLAST在参考分类群采样稀疏或不足时分配短读取序列的局限性。
• 开发一种可扩展的、具备系统发育意识的短读取序列分配方法，保持高准确性而不牺牲计算效率。
• 将进化放置集成到现有系统发育软件（RAxML）中，以实现宏基因组分析中的实际应用。
• 评估不同EPA变体中准确性与运行时间之间的权衡，包括启发式优化方法。
• 实现对大规模短读取数据集在复杂参考树中的并行、高通量分类。

提出的方法

• EPA使用最大似然法，通过识别最优插入分支并估计分支长度，将查询序列（QS）放置到预构建的参考树（RT）上。
• 实现两种版本：一种为慢速但高精度版本，对每个QS优化分支长度；另一种为快速版本，近似插入点处的分支长度。
• 应用启发式技术以减少高精度版本的运行时间，包括通过分数参数 $fh$ 限制候选插入分支的数量。
• 在似然优化过程中，同时采用 $\Gamma$ 模型和CAT模型来建模位点间速率变化。
• 通过多粒度并行化实现方法并行化，在32核系统上可在1.5小时内将10万个QS分类到4,000个分类群的树中。
• 初步实现了基于最大似然的比对方法，将缺口视为未知字符，但未采用正式的插入缺失（indel）模型。

实验结果

研究问题

• RQ1 基于最大似然法的进化放置方法是否能在短读取序列分配中同时实现高准确性和低运行时间？
• RQ2 在分类群采样稀疏或不足的条件下，EPA的准确性与BLAST及成对序列比对相比如何？
• RQ3 启发式优化在多大程度上可减少高精度EPA版本的运行时间，而不会显著损害放置准确性？
• RQ4 EPA方法在包含数万个查询序列的大规模宏基因组数据集上是否具备可扩展性？
• RQ5 在最大似然框架下，能否高效地实现短读取序列的同时放置与比对？

主要发现

• 采用完整分支长度优化的慢速EPA版本在参考分类群采样稀疏时，显著优于BLAST，准确性更高。
• 通过启发式优化，高精度EPA版本的运行时间可接近简单BLAST搜索，同时保持接近最优的准确性。
• 当 $fh = 1/32$ 时，启发式方法的放置准确性几乎与参考（慢速）方法相同，仅造成轻微准确性损失。
• 基于MP的启发式方法在除最小 $fh$ 值外的所有情况下，其放置准确性与ML启发式方法相当，且可通过SSE3向量化技术进一步加速。
• 使用CAT模型的快速EPA版本运行时间为113秒（$\Gamma$ 模型为290秒），仅造成轻微准确性损失。
• 快速与慢速EPA版本之间的平均偏差小于半个节点，表明不同方法间具有极强的一致性。