[论文解读] Optimal DNA shotgun sequencing: Noisy reads are as good as noiseless reads

Seyed Abolfazl Motahari, Kannan Ramchandran+2 more|arXiv (Cornell University)|Apr 9, 2013

Algorithms and Data Compression参考文献 7被引用 4

一句话总结

该论文证明，在i.i.d. DNA序列下，只要噪声水平低于临界阈值，有噪声的霰弹测序读段与无噪声读段在序列重建方面同样有效——对称替换噪声的临界阈值为19%。关键洞见在于，高深度测序可通过比对与平均实现错误校正，当读长超过基因组中最长重复序列时，噪声在渐近意义上变得无关紧要。

ABSTRACT

We establish the fundamental limits of DNA shotgun sequencing under noisy reads. We show a surprising result: for the i.i.d. DNA model, noisy reads are as good as noiseless reads, provided that the noise level is below a certain threshold which can be surprisingly high. As an example, for a uniformly distributed DNA sequence and a symmetric substitution noisy read channel, the threshold is as high as 19%.

研究动机与目标

• 确定在有噪声读段条件下DNA霰弹测序的根本极限。
• 研究在渐近 regime 下，噪声是否从根本上降低重建性能。
• 确定有噪声读段可实现与无噪声读段相同性能的条件。
• 分析覆盖深度与读长在存在噪声时如何实现错误校正。
• 建立一个理论噪声阈值，超过该阈值时性能将下降，且该阈值与读长无关。

提出的方法

• 提出一种两阶段组装方案：首先使用最大似然比对准则，对覆盖同一基因组区域的多个有噪声读段进行比对。
• 应用一种清洗过程，通过平均对齐的读段生成一致序列，利用冗余降低噪声。
• 使用大偏差界分析误比对和错误一致序列估计的概率。
• 推导出临界阈值条件 I_read > H_renyi，其中 I_read 是真实碱基与观测读段之间的互信息，H_renyi 是2阶Rényi熵率。
• 基于泊松分布的读段计数和并集界进行覆盖分析，证明在阈值条件下可实现全基因组覆盖。
• 应用集中不等式和指数界，证明当基因组大小 G → ∞ 时，重建错误概率趋于零。

实验结果

研究问题

• RQ1 在何种条件下，有噪声读段可在霰弹测序中实现与无噪声读段相同的重建性能？
• RQ2 存在一个根本性的噪声水平阈值，低于该阈值时噪声对重建无渐近影响，该阈值是多少？
• RQ3 高深度测序如何在存在有噪声读段时实现错误校正？
• RQ4 在有噪声条件下，重建所需的临界读长是否与无噪声条件下的相同？
• RQ5 即使在有噪声读段下，覆盖边界（Lander-Waterman）是否仍可渐近紧致？

主要发现

• 对于i.i.d. DNA序列，当噪声水平低于阈值时，即满足 I_read > H_renyi，有噪声读段与无噪声读段同样有效。
• 对于均匀分布的DNA序列和对称替换噪声，噪声阈值为 δ* = 0.19，意味着高达19%的误读概率不会导致渐近性能损失。
• 重建所需的临界读长仍为 L > 2 / H_renyi，与无噪声情况相同，表明噪声不会增加对最小读长的需求。
• 高深度测序（当 G → ∞ 时覆盖深度 → ∞）可通过比对和平均来自同一基因组区域的多个有噪声读段，实现有效的错误校正。
• 当满足噪声阈值条件且覆盖足够充分时，重建错误概率（包括误比对和错误一致序列估计）在 G → ∞ 时趋于零。
• 覆盖条件 N > (G / L) ln(G) 确保所有碱基以高概率被覆盖，且当噪声低于阈值时，该条件足以实现重建。