[论文解读] Sibelia: A scalable and comprehensive synteny block generation tool for closely related microbial genomes

Ilya Minkin, Anand Patel+3 more|arXiv (Cornell University)|Jul 30, 2013

Genomics and Phylogenetic Studies参考文献 16被引用 14

一句话总结

Sibelia 是一种可扩展、全面的工具，通过迭代 de Bruijn 图在密切相关的微生物基因组中生成共线块，能够在多个分辨率级别上检测基因组内和基因组间的重复序列。它通过避免通过图简化进行线程处理，实现了高性能——在标准台式机上，31 个 *S. aureus* 基因组仅用 31 分钟，59 个 *E. coli* 基因组仅用 107 分钟完成处理，同时支持分层的、多粒度的共线块表示。

ABSTRACT

Comparing strains within the same microbial species has proven effective in the identification of genes and genomic regions responsible for virulence, as well as in the diagnosis and treatment of infectious diseases. In this paper, we present Sibelia, a tool for finding synteny blocks in multiple closely related microbial genomes using iterative de Bruijn graphs. Unlike most other tools, Sibelia can find synteny blocks that are repeated within genomes as well as blocks shared by multiple genomes. It represents synteny blocks in a hierarchy structure with multiple layers, each of which representing a different granularity level. Sibelia has been designed to work efficiently with a large number of microbial genomes; it finds synteny blocks in 31 S. aureus genomes within 31 minutes and in 59 E.coli genomes within 107 minutes on a standard desktop. Sibelia software is distributed under the GNU GPL v2 license and is available at: https://github.com/bioinf/Sibelia Sibelia's web-server is available at: http://etool.me/software/sibelia

研究动机与目标

• 解决在比较基因组学和病原体研究中高效比较大量密切相关的微生物基因组的挑战。
• 通过使用 de Bruijn 图避免所有基因组对之间的显式比对，克服成对比对带来的计算瓶颈。
• 实现在多个分辨率级别上的共线块检测，包括基因组内重复和基因组间保守区域。
• 支持对未注释的核苷酸序列进行直接分析，以减少因基因注释不一致导致的误差传播。
• 提供共线块的分层表示，以满足不同生物应用对不同粒度级别需求。

提出的方法

• 从拼接的、未注释的微生物基因组序列构建迭代 de Bruijn 图，以建模基因组重复序列。
• 采用受 DRIMM-Synteny 启发的序列修改算法，在无需单独线程步骤的情况下简化图结构。
• 将共线块识别为 de Bruijn 图中的非分支路径，其中顶点代表重叠的 k-mer，边代表状态转移。
• 在 C-Graphs（字符图）中应用一种粘合规则，基于不同 k-值下的 k-mer 相似性合并位置，以保留结构关系。
• 利用不同 k-值下 de Bruijn 图之间的理论关系，确保在不同分辨率级别上的一致性。
• 以分层结构表示共线块，包含多个层级，每个层级对应不同的粒度级别（例如，k = 15, 25, 50）。

实验结果

研究问题

• RQ1 如何在不依赖成对比对的情况下，使共线块检测在数百个密切相关的微生物基因组中实现可扩展性？
• RQ2 基于 de Bruijn 图的方法是否能检测到基因组内重复和基因组间重复，而无需单独的线程处理步骤？
• RQ3 如何在多个分辨率级别上表示共线块，以满足多样化的生物应用需求？
• RQ4 在构建 de Bruijn 图时，最优的 k-值是什么，以在检测保守区域的敏感性与计算效率之间取得平衡？
• RQ5 在多大程度上可以将未注释的核苷酸序列直接用于共线块检测，以避免因基因注释不一致导致的误差累积？

主要发现

• Sibelia 在标准台式机上仅用 31 分钟处理 31 个 *S. aureus* 基因组，107 分钟处理 59 个 *E. coli* 基因组，展现出极高的可扩展性。
• 该工具能够同时检测到基因组内重复（单个基因组内）和基因组间共线块（在多个基因组间共享）。
• 共线块以分层的、多粒度的结构表示，支持在不同分辨率级别（例如，k = 15, 25, 50）进行分析。
• 通过使用一种直接简化图的序列修改算法，该方法避免了其他工具常见的线程瓶颈。
• 理论分析证实，高 k-值 de Bruijn 图中的非分支路径对应于低 k-值图中的路径，确保了不同分辨率间的一致性。
• 该方法支持对原始核苷酸序列的直接分析，减少了因不同菌株间基因注释不一致导致的误差传播。