[论文解读] Haplotype Assembly: An Information Theoretic View

Hongbo Si, Haris Vikalo+1 more|arXiv (Cornell University)|Apr 1, 2014

Gene expression and cancer classification参考文献 17被引用 4

一句话总结

本文采用信息论框架，将单倍型组装问题建模为联合信源-信道编码问题，将配对端测序视为存在删除和错误的信道。研究建立了所需测序读长的阶次最优界：无错误时为Θ(n)，有错误时为Θ(n log n)，并证明了可靠单倍型重建的必要与充分条件。

ABSTRACT

This paper studies the haplotype assembly problem from an information theoretic perspective. A haplotype is a sequence of nucleotide bases on a chromosome, often conveniently represented by a binary string, that differ from the bases in the corresponding positions on the other chromosome in a homologous pair. Information about the order of bases in a genome is readily inferred using short reads provided by high-throughput DNA sequencing technologies. In this paper, the recovery of the target pair of haplotype sequences using short reads is rephrased as a joint source-channel coding problem. Two messages, representing haplotypes and chromosome memberships of reads, are encoded and transmitted over a channel with erasures and errors, where the channel model reflects salient features of high-throughput sequencing. The focus of this paper is on the required number of reads for reliable haplotype reconstruction, and both the necessary and sufficient conditions are presented with order-wise optimal bounds.

研究动机与目标

• 从信息论角度分析单倍型组装问题，将其视为联合信源-信道编码问题。
• 确定可靠单倍型重建的根本极限——具体而言，即必要与充分的测序读长数量。
• 将配对端测序建模为具有删除和独立错误的信道，以反映真实测序特性。
• 推导在无错误和有错误两种情形下，实现准确单倍型恢复所需测序读长的阶次最优界。
• 通过模拟验证理论结果，将所提出的删除解码与谱聚类方法与现有算法进行比较。

提出的方法

• 将单倍型组装问题重新表述为联合信源-信道编码问题，其中两个消息——单倍型序列和测序读长所在的染色体——被编码并通过具有删除和错误的信道传输。
• 在无错误情况下，信道模型假设每个读长观测到SNP位点的子集，观测值为单倍型值与染色体归属的乘积。
• 利用经典信息论推导出重建的必要条件，表明至少需要Θ(n)条读长才能恢复长度为n的单倍型。
• 对于有错误的情形，问题被重新表述为低秩矩阵恢复问题，借助矩阵置换理论实现可靠重建。
• 提出一种删除解码算法，通过迭代利用读长间的共同信息恢复单倍型，实现最优量级（对数因子内）。
• 在模拟中将谱聚类（SP）和删除解码（ED）方法与HapCUT、SpeedHap和Fast Hare等现有方法进行比较，以恢复率作为评估指标。

实验结果

研究问题

• RQ1 在无测序错误的情况下，可靠重建二倍体单倍型对所需的最少测序读长是多少？
• RQ2 独立同分布的测序错误如何影响所需测序读长的根本极限？
• RQ3 信息论框架能否识别出在噪声条件下确保可靠单倍型重建的读长数量的标度律？
• RQ4 所提出的删除解码与谱聚类算法在恢复精度与可扩展性方面，与现有单倍型组装算法相比如何？
• RQ5 低秩矩阵解释在多大程度上能使单倍型组装问题在Θ(n log n)条读长下实现可靠重建？

主要发现

• 在无错误情况下，可靠单倍型重建所需的最少读长为Θ(n)，与单倍型序列长度一致。
• 所提出的删除解码算法在Θ(n)条读长下实现可靠重建，其性能在对数因子内达到理论下界。
• 对于有错误的数据，可靠重建的充分条件为Θ(n log n)，与必要条件的阶次一致。
• 模拟结果表明，所提出的删除解码（ED）和谱聚类（SP）方法在恢复率上优于HapCUT和SpeedHap等现有算法，尤其在SNP数量较高时表现更优。
• 在n=700个SNP时，ED和SP在多种噪声水平下的平均恢复率分别达到0.997和0.990，优于大多数竞争算法。
• 信息论框架具有良好的泛化能力，为分析基因组学中单倍型组装及相关问题提供了坚实基础。