[论文解读] QuorUM: an error corrector for Illumina reads

Guillaume Marçais, James A. Yorke+1 more|arXiv (Cornell University)|Jul 12, 2013

Genomics and Phylogenetic Studies被引用 1

一句话总结

QuorUM 是一种基于 k-mer 的 Illumina 读段纠错工具，通过自适应修剪避免固定阈值，最小化错误 k-mer 并最大化真实 k-mer，从而优化纠错。它通过生成更多完美读段和更大的理想化连续片段，实现优于竞争工具的基因组拼接性能，且吞吐量极高（每核每天纠正 10 亿个碱基）。

ABSTRACT

Motivation: Illumina Sequencing data can provide high coverage of a genome by relatively short (100 bp150 bp) reads at a low cost. Our goal is to produce trimmed and error-corrected reads to improve genome assemblies. Our error correction procedure aims at producing a set of error-corrected reads (1) minimizing the number of distinct false k-mers, i.e. that are not present in the genome, in the set of reads and (2) maximizing the number that are true, i.e. that are present in the genome. Because coverage of a genome by Illumina reads varies greatly from point to point, we cannot simply eliminate k-mers that occur rarely. Results: Our software, called QuorUM, provides reasonably accurate correction and is suitable for large data sets (1 billion bases checked and corrected per day per core). Availability: QuorUM is distributed as an independent software package and as a module of the MaSuRCA assembly software. Both are available under the GPL open source license at http://www.genome.umd.edu. Contact: [e-mail]

研究动机与目标

• 开发一种能够最小化 Illumina 读段中错误 k-mer 并最大化真实 k-mer 的纠错工具。
• 解决在低覆盖度基因组区域中固定阈值 k-mer 筛选方法的局限性。
• 通过生成更长、更准确的连续片段，提升从头基因组拼接质量。
• 在激进纠错与有效序列保留之间取得平衡，避免不必要的修剪。

提出的方法

• 采用无需固定阈值的 k-mer 计数方法，通过检测 k-mer 覆盖度的突然下降来触发修剪。
• 在 k-mer 覆盖度急剧下降的位置修剪读段，尽可能保留低覆盖区域。
• 仅针对替换错误进行纠错，不处理插入或缺失。
• 采用质量优化策略，避免因覆盖度低而丢弃有效序列。
• 作为独立工具运行，并已集成至 MaSuRCA 拼接器中。
• 在多核环境中线性扩展，实现每核每天约 10 亿个碱基的纠错速度。

实验结果

研究问题

• RQ1 如何优化纠错策略，以最小化 Illumina 读段中的错误 k-mer 同时保留真实 k-mer？
• RQ2 基于覆盖度下降的自适应修剪是否在低覆盖区域中优于固定阈值的 k-mer 筛选？
• RQ3 QuorUM 在生成完美读段和理想化连续片段大小方面与其它纠错工具相比表现如何？
• RQ4 修剪策略在多大程度上影响嵌合读段的形成和拼接质量？

主要发现

• 在小鼠基因组上，QuorUM 产生了最多的完美读段（81,995 个）以及完美读段中的总序列量最大（占原始序列的 81.995%）。
• 在所有测试的基因组中，QuorUM 的理想化 N50 和 E-size 值最大，表明其在拼接连续性方面表现更优。
• QuorUM 产生的嵌合读段少于 Quake、HiTec 和 Coral，同时在完美读段产量方面仍优于它们。
• 尽管修剪了部分读段，QuorUM 生成的完美读段数量仍多于无修剪纠错工具（如 Echo、Coral 和 HiTec）。
• 与 Quake 相比，该方法在保留有效序列方面表现更优，因为 Quake 的激进修剪减少了可用序列。
• QuorUM 在纠错与序列保留之间实现了良好平衡，从而在基因组拼接中取得最佳整体性能。