[论文解读] Fast sequence to graph alignment using the graph wavefront algorithm

Haowen Zhang, Shiqi Wu+2 more|arXiv (Cornell University)|Jun 27, 2022

Genomics and Phylogenetic Studies被引用 6

一句话总结

本文提出图波前对齐（Gwfa）算法，这是一种快速且最优的序列到图对齐方法，通过借鉴序列对齐中的波前原理，在相似序列上实现显著加速。Gwfa通过利用编辑距离的局部性减少运行时间，并引入一种图剪枝启发式方法，在大型图上实现高达10倍的加速，相较于现有精确和启发式方法，在四个真实数据集上均展现出更高的速度和内存效率。

ABSTRACT

Motivation: A pan-genome graph represents a collection of genomes and encodes sequence variations between them. It is a powerful data structure for studying multiple similar genomes. Sequence-to-graph alignment is an essential step for the construction and the analysis of pan-genome graphs. However, existing algorithms incur runtime proportional to the product of sequence length and graph size, making them inefficient for aligning long sequences against large graphs. Results: We propose the graph wavefront alignment algorithm (Gwfa), a new method for aligning a sequence to a sequence graph. Although the worst-case time complexity of Gwfa is the same as the existing algorithms, it is designed to run faster for closely matching sequences, and its runtime in practice often increases only moderately with the edit distance of the optimal alignment. On four real datasets, Gwfa is up to four orders of magnitude faster than other exact sequence-to-graph alignment algorithms. We also propose a graph pruning heuristic on top of Gwfa, which can achieve an additional $\sim$10-fold speedup on large graphs. Availability: Gwfa code is accessible at https://github.com/lh3/gwfa.

研究动机与目标

• 为解决现有序列到图对齐算法计算效率低下的问题，这些算法在序列长度和图大小增加时扩展性差。
• 开发一种比以往精确算法显著更快的最优对齐方法，尤其适用于高度匹配的序列。
• 引入一种图剪枝启发式方法，进一步加速对齐过程而不损失最优性。
• 降低内存使用量，并在大型泛基因组图中支持高效回溯最优对齐路径。
• 通过提升基因组分析流水线中核心对齐工作负载的性能，实现可扩展的泛基因组分析。

提出的方法

• Gwfa将波前对齐（WFA）范式从序列到序列扩展至序列到图对齐，通过在动态规划矩阵的对角带中计算对齐得分来实现。
• 该算法通过波前遍历处理图，基于顶点转移向前传播对齐得分，仅保留当前和前一波前，以限制内存使用。
• 它使用优先队列按对齐成本递增的顺序探索图中的路径，从而高效地找到最优路径。
• 在对齐前应用图剪枝启发式方法，移除低效用的顶点和边，以减少搜索空间并加速计算。
• 通过在波前传播过程中存储父指针，支持最优对齐路径的回溯，从而实现完整对齐路径的重建。
• 该方法与标准序列对齐集成，用于在图对齐后进行基础级别的精修，确保高精度输出。

实验结果

研究问题

• RQ1 波前基动态规划原理能否被适配以实现更快且最优的序列到图对齐？
• RQ2 Gwfa在真实生物数据集上与现有精确和启发式序列到图对齐工具相比性能如何？
• RQ3 在不损害对齐准确性的前提下，图剪枝能在多大程度上减少运行时间和内存使用？
• RQ4 随着查询序列与图对齐路径之间编辑距离的增加，Gwfa的运行时间如何变化？
• RQ5 从波前计算中重建完整对齐路径的时间和内存开销是多少？

主要发现

• 在四个真实数据集中，Gwfa相较于其他精确序列到图对齐算法，对齐速度最高提升四个数量级，尤其在高度相似序列上观察到最大加速比。
• Gwfa-剪枝启发式方法在大型图上额外实现了约10倍的加速，使其成为整体上最快的方法，同时保持最优性。
• Gwfa-剪枝在内存使用上比竞争方法低2至83倍，当启用回溯时，平均内存使用量仅高出15.8%至75.2%，仍显著低于其他方法。
• 回溯最优对齐路径使运行时间平均仅增加3.8%至14.5%，在小型图上增加不足2%，表明性能开销极低。
• 在编码大结构变异且编辑距离较高的G4图上，Gwfa性能有所下降，但仍保持最优；而GraphAligner的启发式模式未能生成完整对齐。
• Gwfa始终报告最优编辑距离和完整对齐路径，而GraphAligner的启发式模式在复杂区域导致对齐碎片化。