[论文解读] TreQ-CG: Clustering Accelerates High-Throughput Sequencing Read Mapping

Pavel Mahmud, Alexander Schliep|arXiv (Cornell University)|Apr 10, 2014

Genomics and Phylogenetic Studies参考文献 38被引用 3

一句话总结

TreQ-CG 提出一种贪心聚类方法，在比对前将高通量测序（HTS）reads 分组为高度相似的簇，仅对每个簇中的代表性（锚定）read 进行比对，从而减少计算负载。该方法在多个read mappers（BWA、Bowtie2、Novoalign、Stampy）上实现了1.4–8.9×的加速，同时保持了较高的比对质量并仅有极小的符合度损失，使敏感型mapper如Stampy在人类规模数据集上具备与快速工具相媲美性能。

ABSTRACT

As high-throughput sequencers become standard equipment outside of sequencing centers, there is an increasing need for efficient methods for pre-processing and primary analysis. While a vast literature proposes methods for HTS data analysis, we argue that significant improvements can still be gained by exploiting expensive pre-processing steps which can be amortized with savings from later stages. We propose a method to accelerate and improve read mapping based on an initial clustering of possibly billions of high-throughput sequencing reads, yielding clusters of high stringency and a high degree of overlap. This clustering improves on the state-of-the-art in running time for small datasets and, for the first time, makes clustering high-coverage human libraries feasible. Given the efficiently computed clusters, only one representative read from each cluster needs to be mapped using a traditional readmapper such as BWA, instead of individually mapping all reads. On human reads, all processing steps, including clustering and mapping, only require 11%-59% of the time for individually mapping all reads, achieving speed-ups for all readmappers, while minimally affecting mapping quality. This accelerates a highly sensitive readmapper such as Stampy to be competitive with a fast readmapper such as BWA on unclustered reads.

研究动机与目标

• 为应对高通量测序（HTS）数据分析日益增长的计算负担，特别是针对大规模、高覆盖度数据集。
• 通过利用来自同一基因组位点的reads之间的序列相似性，减少read比对中的冗余计算。
• 通过聚类预处理，实现在人类规模数据集上高效使用敏感型read mappers（如Stampy）。
• 在实现显著加速的同时，最小化比对质量的损失，适用于多种read mappers和数据集。

提出的方法

• 使用增量式贪心聚类算法，基于重叠长度和与代表性锚定read的相似性，将HTS reads分组。
• 采用严格的标准确定簇成员资格，即使存在测序错误，也能确保高严谨性和高重叠度。
• 仅使用标准mapper（如BWA、Stampy）对每个簇中的一个锚定read进行比对，其余簇内成员通过局部比对进行对齐。
• 采用k-mer相似性评分识别重叠reads，簇的形成优先考虑高序列相似性区域。
• 将簇视为多序列比对实例，以潜在纠正错误并提高共识序列的准确性。
• 通过考虑簇级比对和共识序列进行比对后优化，以提升比对准确性。

实验结果

研究问题

• RQ1 在比对前对HTS reads进行聚类，是否能显著减少计算时间而不降低比对质量？
• RQ2 聚类对不同mapper和数据集的替代比对率及比对符合度有何影响？
• RQ3 通过聚类，能否显著加速如Stampy等敏感型mapper，使其性能可与BWA等快速mapper相媲美？
• RQ4 聚类方法能否扩展到高覆盖度人类数据集，这些数据集此前因单个比对计算量过大而难以处理？
• RQ5 锚定read的选择和簇大小如何影响速度与比对准确率之间的权衡？

主要发现

• TreQ-CG在所有测试数据集中仅需个体比对所需时间的11–59%，加速比在1.4×至8.9×之间，具体取决于mapper和数据集。
• 该方法使Stampy这一高度敏感的mapper在人类数据集上实现可行的运行时间，使其在未聚类数据上的表现可与BWA相媲美。
• 替代比对率保持在较低水平（ECOL为0–1%，DROS为1–3%，YOR为2–4%），且符合度仅有轻微损失（如单端模式下YOR的符合度下降0.89%）。
• 配对末端比对在大多数数据集中表现出更高的符合度，表明结合配对信息的聚类可提升准确性。
• 聚类步骤在高覆盖度人类文库中计算上是可行的，而这些文库此前对敏感型mapper而言因单个比对计算量过大而难以处理。
• 该方法在多种mapper上表现稳健，加速比一致且比对质量下降极小，表明其具有广泛适用性。