FastaGuard: FASTA preflight QC for modern bioinformatics pipelines

技術要約: FastaGuard

問題提起
ゲノムアセンブリおよびリファレンスFASTAファイルは、バイオインフォマティクス・パイプラインの基礎となる入力データであるが、これらのファイルの検証は現在、断片化されている。研究者は通常、SeqKit（統計用）、QUASS（アセンブリ評価用）、BUSCO（完全性用）、MultiQC（集計用）といった、アドホックなスクリプトや特化したユーティリティの分散した集合体に依存している。生リードのQCツールは存在するものの、完成したアセンブリFASTAがダウンストリームの処理に対して構造的に健全であるかどうかについては対処できていない。

この専用の「プリフライト（事前点検）」層の欠如は、以下の問題を引き起こしている：

• サイレント・フェイラー（静かな失敗）: 不適切なヘッダー、空のレコード、重複する識別子、無効なIUPAC文字、および高N含有スキャフォールドなどは、ダウンストリームのツールが特定のレコードに遭遇した時に初めて検出されるか、あるいは静かに正規化されてしまう。
• ワークフローの摩擦: パイプライン作成者はこれらのチェックを再実装する必要があり、その結果、報告形式の不一致や、NextflowやSnakemakeのようなワークフローエンジンにおける停止／進行のセマンティクスの曖昧さを招いている。
• 標準化の欠如: 既存のバリデータ（例：py_fasta_validator、fa-lint）は構文をチェックするが、構造化された重大度別のレポートや、ログをスクレイピングすることなくマシンが消費できる明示的な「ブロッキング（阻止）対アドバイザリー（助言）」のゲート機能を持たない。

手法
FastaGuardは、Rustで実装され、単一のバイナリとして配布される、ストリーミング型のコマンドラインツールである。これは、高価なダウンストリーム解析の前にFASTAファイルの妥当性を検証するための、専用のプリフライト層として設計されている。

• コア機能: 本ツールは、ストリーミング検証を実行し、構造的な失敗（不正なヘッダー、空のレコード）、重複する識別子／配列、無効なヌクレオチド／IUPAC記号、および組成の異常（GC/AT/N率、ギャップの連続、高N含有量）を検出する。
• ゲート・メカニズム: FastaGuardは、明示的な「ゲート」ポリシーを導入している。
  • パイプライン・ゲート: デフォルトでは、重複する識別子、無効な文字、構造的エラー、および高N含有量によって実行をブロックする。GC率や長さの外れ値については、格上げされない限りアドバイザリー信号として扱う。
  • サブミッション・ゲート: 特定のモード（--gate submission）では、NCBIのゲノム提出ガイドライン（例：SeqIDの構文、長さの制限、末端のNなど）に準拠した保守的なポリシーを適用し、公式のバリデータに提出する前のファイルを事前チェックする。
• 出力とコントラクト（契約）: 本ツールは、バージョン管理されたマルチフォーマットのレポート・バンドル（HTML、JSON、TSV、およびMultiQC互換のJSON）を出力する。決定的なことは、以下の要素を含む決定論的な「コントラクト」を提供することである：
  • 判定 (Verdicts): PASS（合格）、WARN（警告）、FAIL（不合格）。
  • ゲート・ステータス: 明示的なブール値フラグ（gate.can_continue）により、プロセス終了コードだけに頼ることなく、ワークフローエンジンがロジックを分岐できるようにする。
  • プロベナンス（由来）: 入力のSHA-256ダイジェスト、およびエビデンスの境界を持つ発見事項の識別子。
• モード: コホートのトリアージのための「比較（compare）」モード、およびコンパニオン宣言（インデックス、辞書、ヘッダー）がカノニカルなFASTAと一致していることを検証するための「リファレンス（reference）」モードをサポートしている。

主な結果
著者らは、事前に登録された設計に基づき、4つの解析においてFastaGuard v1.1.0を評価した：

1. 公開アセンブリ調査: 700の公開NCBIアセンブリ（7つの分類群、半分はRefSeq、半分はGenBankのみ）において、パイプライン・ゲートは19.7%（700件中138件）のファイルを停止させた。これは主に、スキャフォールドレベルのゲノムに影響を与える高Nルール（スキャフォールドの44.1%が停止）によるものであった。NCBIサブミッション・ゲートは2.0%（14/700）を停止させ、リポジトリが指摘していなかった実際の違反（例：短いレコード、末端のN）を捕捉した。
2. フォールト注入（故障注入）: 13種類の注入されたエラークラスを含む1,040のファイルのうち、NCBIゲートは100%（520/520）の欠陥を検出した。パイプライン・ゲートは69.2%（360/520）をブロックした。対照的に、table2asnは53.8%、fa-lintは61.5%、py_fasta_validator/SeqKitはわずか38.5%しか検出できなかった。FastaGuardによる誤検知（無害な変更を不当にフラグ立てすること）は発生しなかった。
3. ダウンストリーム・ツールへの影響: 7つのダウンストリームツール（samtools, bwa, minimap2, BLAST+, Picard, QUAST, BUSCO）を含む182のテストケースにおいて、46個のセルが失敗し、24個のレコードが変更された。注目すべきは、12個の変更が警告なしに発生したことである。これら12個のサイレントな変更はすべて、FastaGuardのパイプライン・ゲートによってブロックされたクラスに該当していた。
4. 効率性: FastaGuardをゲートとして使用することで、マッピングとソートに要する約54〜62秒の時間を、わずか0.05〜0.06秒の検証コストで回避できた。

意義と主張
本論文は、FastaGuardをQUASTやBUSCOのような解釈的なアセンブリQCツール、あるいは公式のリポジトリ・バリデータの競合相手としてではなく、それらのツールを呼び出す前に、入力ファイルが構造的に有効であることを保証するための、必要なプリフライト層として位置づけている。

• パイプライン・ネイティブなコントラクト: 主要な貢献は、標準化されたマシン読み取り可能なコントラクト（JSONスキーマ）であり、これによりワークフローエンジンが、重大度に基づいた発見に基づいて決定論的な停止／進行の判断を下すことが可能になる。
• 補完性: 本ツールは、生配列の統計と生物学的解釈の間のギャップを埋め、「FASTAレベルのブロッカー（阻止要因）」がダウンストリーム解析にリソースを浪費する前に解決されることを確実にする。
• 謙虚な姿勢: 著者らは、FastaGuardが生物学的な完全性、汚染状態、またはアーカイブへの受理を証明するものではないことを明示している。その範囲は、厳密にFASTAファイルの構造的妥当性と、ダウンストリーム処理のための「安全性」に限定されている。本ツールは、専門家がソースからビルドする必要なく、Biocondaを通じて低摩擦でインストールでき、既存のパイプライン（nf-core, Snakemake）に統合できるように設計されている。

評価では、調査対象となった公開アセンブリがすでにリポジトリのバリデーションを通過していたこと、およびフォールト注入が著者の選択したクラスに基づいていることを挙げ、限界についても認めている。しかし、結果は、専用のプリフライト・ゲートが、バイオインフォマティクス・ワークフローにおけるサイレントなデータ破損と大幅な計算資源の浪費を防げることを示している。