seqsizzle: decoding complex barcode and adapter architectures in long-read sequencing data

「seqsizzle: ロングリードシーケンシングデータにおける複雑なバーコードおよびアダプター構造のデコーディング」に関する技術要約

問題提起
ロングリードシーケンシング技術（Oxford Nanopore、PacBioなど）はゲノムプロファイリングを進展させてきたが、短リードプラットフォームと比較して、一般的に高いエラー率（1〜3%）を示す。このエラー率は、2 kbを超えるリードにおけるプライマー配列、バーコード、アダプターなどの正確な配列マッチングを必要とするタスクにおいて、重大な課題をもたらす。既存のツールはアライメント、デマルチプレキシング、あるいはバリアントコーリングには優れているが、生のロングリードデータのインタラクティブな視覚的トラブルシューティングにおける顕著な空白が存在する。新しいプロトコルを開発している研究者は、人間の視覚的検査の限界や、ファジーマッチングおよび未処理のリードのインタラクティブな可視化をサポートするオープンソースツールの不足により、合成配列（プライマー、UMI、バーコード）の配置を特定したり、予期しないアーティファクトを検出したりすることに苦慮している。

手法
著者らは、Rustで記述されたクロスプラットフォームのターミナルベースのユーザーインターフェース（TUI）ツールであるseqsizzleを開発した。これは、グラフィカルなインターフェースや重い計算リソースを必要とせず、コマンドラインからFASTQおよびFASTAファイルを直接可視化するように設計されている。

• コアエンジン: 本ツールは、Myersの高速近似文字列マッチングアルゴリズム（Rust-bioライブラリ経由）を利用して、ユーザー指定の配列を、設定可能なファジーマッチング閾値（特定の許容エラー数を許容する）を用いてリードに対してマッチングさせる。
• 可視化: TUIは、マッチした領域をハイライトした状態でリードを表示する。不一致（ミスマッチ）は太字で示され、クオリティスコアはイタリック体または背景色の変更によってスタイリングされる。ユーザーはマウスサポートの切り替えや、インタラクティブなリードのナビゲーションが可能である。
• 配列エンリッチメント (enrich サブコマンド): アダプター配列が未知の場合を支援するため、seqsizzleはk-merエンリッチメント解析を実行する。k-merをカウントし（デフォルトはk=8, 10, 12）、二項零モデルに基づくZスコア閾値を超えるものを保持する。アルゴリズムは、ローリングウィンドウによるカウントで蓄積しやすい高ホモポリマーk-merをフィルタリングし、オーバーレプレゼンテーション（過剰表現）されたアダプターやアーティファクトを特定するために、重複するk-merをより長い配列へと組み立てる。また、生物学的なターゲットがエンリッチメントレポートを支配するのを防ぐため、リファレンス配列を除外する機能も備えている。
• リードの要約 (summarize サブコマンド): この機能は、リードを簡潔なパターン記述（例：..[linker1]..[linker2]..）に集約する。特定の配列配置の頻度を、正確なパーセンテージと、そのパターンを含むより長い配置を含む累積パーセンテージの両方を含めて集計する。
• ポータビリティ: 単一の静的にリンクされたバイナリ（約4.0 MB）として実装されたseqsizzleは、Linux、macOS、Windowsで動作し、複雑なインストールやGUIを必要とせず、ハイパフォーマンスコンピューティング（HPC）クラスターやリモートログインノードでの実行に適している。

主な貢献

1. 生のデータのインタラクティブな可視化: seqsizzleは、ファジーマッチングと明確なカラーコーディングを用い、複数の配列を同時にハイライトしながら、生のロングリード配列をインタラクティブにページングできる初のオープンソースツールとして提示されている。
2. アダプターの発見: 内蔵されたk-merエンリッチメント解析により、プロトコルのアーキテクチャに関する事前知識なしに、未知のプライマー配列やアーティファクトを発見することができる。
3. プロトコルのトラブルシューティング: 本ツールは、配列配置の頻度を要約することで、新しいプロトコル（例：シングルセル・コンビナトリアル・バーコーディング）のリード構造の推論を容易にする。
4. 軽量な展開: 複雑な環境を必要とする多くのバイオインフォマティクスツールとは異なり、seqsizzleはリモートサーバー上で即座に実行できるように設計された軽量なバイナリである。

結果およびユースケース
著者らは、2つの異なるデータセットを用いてseqsizzleを検証した。

• LR-split-seq (PacBio): シングルセルRNA-seqデータセットに適用したところ、enrich コマンドは事前情報なしにリンカー配列とpolyAテールを特定することに成功した。summarize コマンドは、約33%のリードが期待されるアーキテクチャ（Linker 1 – Insert – Linker 2 – PolyT）に従っていることを確認し、リード構造を定量化するツールの能力を実証した。
• Direct RNA-seq (Nanopore): MOLM-13細胞株の、FLT3遺伝子における既知の21塩基のヘテロ接合型重複を含むデータセットにおいて、本ツールは（リファレンスを除外した際に）重複部位をトップのエンリッチ配列として正しく特定し、その配列が約半数のリードで重複していることを正確に報告した。

8コアのLinuxインスタンスでの性能テストでは、高い効率性が示された。enrich コマンドは1,000リードを0.7秒未満で処理し、ピークRAM使用量は約356 MBであった。一方、summarize コマンドは54ミリ秒未満で完了し、約11 MBのRAMを消費した。

意義
論文は、seqsizzleをロングリードシーケンシング解析の「トラブルシューティング」段階における重要なユーティリティとして位置づけている。これは、デマルチプレキシングやUMIデデュープリケーションといったダウンストリームの処理ステップの前に、リードの構造を推論し、アーティファクトを特定するための、未処理リードの検査という特定のニーズに応えるものである。生のデータ検査とパターン認識の間のギャップを埋めることで、seqsizzleは新しいシーケンシングプロトコルの開発と検証を合理化することを目指している。著者らは、高度な検査ツール（例：IGV）は「処理済み」のデータに対して存在するが、seqsizzleは「生の」データ分析のための独自のニッチを埋めるものであり、インタラクティブでファジーマッチングを伴う配列可視化において、Geneious Primeのような商用ソフトウェアに対するオープンソースの代替手段を提供すると述べている。