[论文解读] Matrix eQTL: Ultra fast eQTL analysis via large matrix operations

Andrey A. Shabalin|arXiv (Cornell University)|May 29, 2011

Genetic Mapping and Diversity in Plants and Animals参考文献 13被引用 472

一句话总结

Matrix eQTL 是一种超高速的 eQTL 分析工具，通过在 R 和 Matlab 中利用大规模矩阵运算，对转录本-SNP 关联进行线性回归和方差分析建模，其性能比现有工具快数百至数千倍。该工具可在单台桌面计算机上完成完整的 eQTL 分析，支持协变量、异方差性和相关误差，显著加速大规模数据集（如囊性纤维化研究中的数据集）的模型比较、质量控制和置换检验。

ABSTRACT

Expression quantitative trait loci (eQTL) mapping aims to determine genomic regions that regulate gene transcription. Expression QTL is used to study the regulatory structure of normal tissues and to search for genetic factors in complex diseases such as cancer, diabetes, and cystic fibrosis. A modern eQTL dataset contains millions of SNPs and thousands of transcripts measured for hundreds of samples. This makes the analysis computationally complex as it involves independent testing for association for every transcript-SNP pair. The heavy computational burden makes eQTL analysis less popular, often forces analysts to restrict their attention to just a subset of transcripts and SNPs. As larger genotype and gene expression datasets become available, the demand for fast tools for eQTL analysis increases. We present a new method for fast eQTL analysis via linear models, called Matrix eQTL. Matrix eQTL can model and test for association using both linear regression and ANOVA models. The models can include covariates to account for such factors as population structure, gender, and clinical variables. It also supports testing of heteroscedastic models and models with correlated errors. In our experiment on large datasets Matrix eQTL was thousands of times faster than the existing popular software for QTL/eQTL analysis. Matrix eQTL is implemented as both Matlab and R packages and thus can easily be run on Windows, Mac OS, and Linux systems. The software is freely available at the following address: http://www.bios.unc.edu/research/genomic_software/Matrix_eQTL

研究动机与目标

• 解决在大规模数据集中测试数十亿个转录本-SNP 对时导致的计算瓶颈问题。
• 开发一种方法，使在标准台式机硬件上实现快速、可扩展的 eQTL 分析成为可能，而无需依赖高性能计算集群。
• 支持带有协变量、异方差性和相关误差的灵活线性模型，以提高统计准确性。
• 促进快速的模型比较、预处理检验以及基于置换的显著性阈值估计。

提出的方法

• 将核心 eQTL 关联检验表述为一系列大规模矩阵运算，尤其是矩阵乘法，以利用经过优化的 BLAS 库。
• 使用中心化和投影技术计算检验统计量（例如 F 统计量），而无需显式估计所有模型参数。
• 通过将基因型和表达数据正交投影到与协变量空间正交的空间中，实现协变量模型的实现。
• 通过使用已知协方差矩阵 K 的逆平方根对数据进行变换，支持异方差和相关误差模型。
• 通过以矩阵代数形式表达算法，避免使用低效循环，从而利用高级语言（R/Matlab）的性能优势。
• 未来版本将通过 CUDA 实现 GPU 加速，预计相比基于 CPU 的计算可实现 10 倍性能提升。

实验结果

研究问题

• RQ1 eQTL 分析能否被加速到在单台桌面计算机上完成大规模数据集的完整分析？
• RQ2 与传统的基于循环的实现相比，基于矩阵的计算在 eQTL 分析中能快多少？
• RQ3 在高性能框架中，能够多大程度上整合带有协变量、异方差性和相关误差的灵活线性模型？
• RQ4 性能提升是否能够使置换检验在大规模 eQTL 研究中实现准确的显著性阈值估计并具备实际可用性？

主要发现

• 在包含 840 个样本的囊性纤维化数据集中，Matrix eQTL 相较于 Plink、Merlin、R/qtl、eMap 和 FastMap 等现有工具，性能提升了数百至数千倍。
• 在 4,096×4,096 矩阵乘法任务中，使用 Matlab 或 Revolution R 搭配 Intel KML 的 Matrix eQTL 运行时间为 4.3 秒，优于使用通用 BLAS 的 R（80–90 秒）和使用 ATLAS 的 R（15 秒）。
• 使用 NVIDIA GTX 480 的 GPU 加速版本在相同矩阵乘法任务中仅用时 0.25 秒，表明相比基于 CPU 的方法可能实现 10 倍性能提升。
• Matrix eQTL 在单台机器上几分钟到几小时内即可完成大规模数据集的完整 eQTL 分析，而其他工具则需要在集群上运行数周时间。
• 该方法通过数据变换支持复杂建模，包括协变量、异方差性和相关误差，在保持高速的同时未牺牲模型灵活性。
• 该软件以跨平台的 R 和 Matlab 包形式提供，确保在 Windows、Mac OS 和 Linux 系统上的广泛可用性和兼容性。