[论文解读] Minimap2: versatile pairwise alignment for nucleotide sequences

Heng Li|arXiv (Cornell University)|Aug 4, 2017

Genomics and Phylogenetic Studies被引用 23

一句话总结

Minimap2 是一款为长核苷酸序列（包括超长基因组读段、全长mRNA和大片段contig）设计的快速且多功能的比对工具。它采用分段读段比对、凹形缺口惩罚机制以及新颖的启发式算法，在保持高精度的同时，相比短读段比对工具实现3–4倍的加速，且在高精度下实现超过30倍的加速，优于各类专用比对工具，在多种数据类型中表现更优。

ABSTRACT

Motivation: Recent advances in sequencing technologies promise ultra-long reads of $\sim$100 kilo bases (kb) in average, full-length mRNA or cDNA reads in high throughput and genomic contigs over 100 mega bases (Mb) in length. Existing alignment programs are unable or inefficient to process such data at scale, which presses for the development of new alignment algorithms. Results: Minimap2 is a general-purpose alignment program to map DNA or long mRNA sequences against a large reference database. It works with accurate short reads of $\ge$100bp in length, $\ge$1kb genomic reads at error rate $\sim$15%, full-length noisy Direct RNA or cDNA reads, and assembly contigs or closely related full chromosomes of hundreds of megabases in length. Minimap2 does split-read alignment, employs concave gap cost for long insertions and deletions (INDELs) and introduces new heuristics to reduce spurious alignments. It is 3-4 times faster than mainstream short-read mappers at comparable accuracy and $\ge$30 times faster at higher accuracy for both genomic and mRNA reads, surpassing most aligners specialized in one type of alignment. Availability and implementation: this https URL Contact: [e-mail]

研究动机与目标

• 为应对当前工具难以高效处理的超长测序读段（长达100 kb）和大基因组contig（>100 Mb）的比对挑战。
• 开发一款可在多种数据类型（包括短读段、长基因组读段、全长mRNA和大contig）上均表现良好的单一比对工具。
• 通过使用凹形缺口成本模型，提升长插入/缺失（INDEL）的比对精度。
• 通过新型启发式过滤策略，减少错误比对。
• 在现有比对工具基础上实现显著的速度提升，尤其是在高精度设置下。

提出的方法

• 采用分段读段比对方法，以处理具有复杂结构变异的长读段。
• 应用凹形缺口成本函数，更准确地建模长INDEL，从而提升结构变异比对的准确性。
• 引入新颖的启发式算法，过滤掉错误比对，降低假阳性率。
• 优化种子-扩展启发式策略，提升长序列的索引与比对效率。
• 支持多种输入类型：短读段（≥100 bp）、长基因组读段（≥1 kb，约15%错误率）、全长cDNA/mRNA，以及大contig或染色体。
• 采用通用算法，能根据序列长度和错误特征动态自适应调整。

实验结果

研究问题

• RQ1 能否设计一种单一比对算法，高效且准确地比对超长读段（长达100 kb）和大基因组contig（>100 Mb）？
• RQ2 凹形缺口成本模型在噪声较大的长读段中，如何提升长INDEL的比对精度？
• RQ3 哪些启发式策略能有效减少错误比对，同时不降低灵敏度？
• RQ4 统一算法在多种数据类型中，能在多大程度上超越专用比对工具，在速度和精度上实现优势？
• RQ5 该工具能否在实现比现有解决方案快几个数量级的同时，仍保持高精度？

主要发现

• Minimap2 在与主流短读段比对工具相当的精度下，性能快3–4倍。
• 在基因组和mRNA读段的高精度设置下，其速度超过现有工具30倍以上。
• 该工具在多种数据类型中均保持高比对精度，包括高噪声的全长cDNA和长基因组读段。
• 使用凹形缺口成本显著提升了长插入和缺失的比对质量。
• 新颖的启发式策略有效减少了错误比对，提高了特异性，同时未牺牲灵敏度。
• Minimap2 超越了大多数针对单一类型比对的专用工具，展现出广泛的适用性。