기술 요약: AirLift

문제 정의

참조 유전체 (Reference genomes) 는 시퀀싱 기술과 어셈블리 알고리즘의 오류로 인해 종의 평균적인 건강한 개체를 본질적으로 불완전하게 표현합니다. 시퀀싱 기술과 어셈블리 도구가 발전함에 따라 참조 유전체는 점진적으로 업데이트됩니다 (예: 인간 참조 유전체의 GRCh37 에서 GRCh38 로의 업데이트, 최근의 텔로미어 - 에서 - 텔로미어 어셈블리). 변이 호출 (variant calling) 과 같은 다운스트림 유전체 분석의 정확성을 보장하기 위해, 읽기 세트 (read sets) 는 최신 참조 유전체에 매핑되어야 합니다.

현재 표준 접근 방식은 전체 분석 파이프라인을 다시 실행하여 모든 읽기를 새로운 참조 유전체에 처음부터 완전히 다시 매핑하는 것입니다. 이 과정은 계산 비용이 매우 많이 듭니다. 예를 들어, 3 억 개의 짧은 읽기를 인간 유전체에 정렬하는 데는 약 75 시간이 소요될 수 있습니다. 유전체 데이터의 양이 8 개월마다 두 배로 증가하고 다양한 집단을 위한 매우 구체적인 참조 유전체가 등장함에 따라, 읽기 세트를 여러 참조 유전체에 매핑해야 하는 필요성은 이러한 계산 부하를 더욱 악화시킵니다.

기존의 "재매핑 (remapping)" 도구들 (예: UCSC LiftOver, CrossMap) 은 불변 영역을 기반으로 좌표를 구형 참조에서 새로운 참조로 변환하는 체인 파일을 사용하여 이 과정을 가속화하려고 시도합니다. 그러나 이러한 도구들은 세 가지 치명적인 한계를 안고 있습니다:

1. 포괄성 부족: 새로운 참조에서 삭제된 "은퇴 (retired)" 영역이나 삽입된 "새로운 (new)" 영역에 속하는 읽기들을 재매핑할 수 없어, 유전체 커버리지의 상당한 손실을 초래합니다 (예: hg16 에서 hg38 로 이동할 때 7% 이상의 유전자 주석이 누락됨).
2. 정확성 저하: 특히 새로운 참조에 큰 삽입이 존재할 때, 읽기 서열과 잘 정렬되지 않는 새로운 참조의 위치로 읽기를 재매핑하는 경우가 많아, 허용 가능한 임계값을 초과하는 오류율이 발생합니다.
3. 다운스트림 분석과의 비호환성: 많은 도구들이 GATK 와 같은 표준 변이 호출 파이프라인과 호환되지 않는 출력물 (예: 잘못된 CIGAR 문자열이 포함된 BED 파일 또는 BAM 파일) 을 생성합니다.

방법론: AirLift

AirLift 는 빠르고 포괄적이며 정확한 엔드 - 투 - 엔드 BAM-to-BAM 재매핑 솔루션을 제공하도록 설계된 방법론 및 도구입니다. 이는 두 참조 유전체 간의 유사성을 활용하여 전체 정렬의 필요성을 최소화하면서도 모든 읽기가 처리되도록 보장합니다.

핵심 개념: 참조 유전체 영역

AirLift 는 구형과 신형 참조 유전체 간의 영역을 네 가지 유형으로 분류합니다:

1. 불변 영역 (Constant Regions): 두 참조에서 서열이 정확히 동일한 영역.
2. 업데이트된 영역 (Updated Regions): 구형 참조의 서열이 신형 참조의 유사하지만 (동일하지는 않은) 서열에 매핑되는 영역.
3. 은퇴된 영역 (Retired Regions): 신형 참조에 대응하는 영역이 없는 구형 참조의 서열 (삭제된 부분).
4. 새로운 영역 (New Regions): 구형 참조에 대응하는 영역이 없는 신형 참조의 서열 (삽입된 부분).

AirLift 인덱스

AirLift 의 핵심은 전역 정렬과 시드 추출을 포함한 8 단계 과정을 통해 구축된 사전 처리된 AirLift 인덱스입니다. 이 인덱스는 두 가지 조회 테이블 (LUT) 로 구성됩니다:

• 불변 영역 LUT: 구형과 신형 참조 간의 정확한 매칭을 매핑합니다.
• 업데이트된 영역 LUT: 구형과 신형 참조 간의 근사 매칭 (정의된 오류율 이내) 을 매핑합니다.

중요하게도, 업데이트된 영역 LUT 의 구축에는 2e(여기서 e는 일반적으로 5% 인 허용 가능한 정렬 오류율) 의 보수적인 오류율이 사용됩니다. 이는 오류율 e로 구형 참조의 업데이트된 영역에 매핑되는 모든 읽기가 두 참조 간의 서열 차이가 최대 2e 일지라도 신형 참조에서 대응하는 잠재적 위치를 찾을 수 있도록 보장합니다.

재매핑 절차

AirLift 는 BAM 파일의 각 읽기를 구형 참조에서의 원래 매핑 위치를 기반으로 처리합니다:

1. 불변 영역 읽기: 읽기가 불변 영역에 매핑되면, AirLift 는 FastRemap이라는 도구를 통해 불변 영역 LUT 를 사용하여 좌표를 신형 참조로 즉시 변환합니다. 재정렬은 수행되지 않습니다.
2. 업데이트된 영역 읽기: 읽기가 업데이트된 영역에 매핑되면, AirLift 는 업데이트된 영역 LUT 를 조회하여 신형 참조의 후보 위치를 식별합니다. 그런 다음 오류 임계값 e 내에서 최상의 매칭을 찾기 위해 BWA-MEM을 사용하여 이러한 특정 후보 위치에만 대해 전체 정렬을 수행합니다.
3. 은퇴된 영역 읽기: 읽기가 은퇴된 영역에 매핑되면, 대응하는 서열이 존재하지 않으므로 신형 참조에서 매핑되지 않은 것으로 표시됩니다.
4. 이전 매핑되지 않은 읽기: 구형 참조에서 매핑되지 않았던 읽기들은 전체 매핑 도구 (BWA-MEM) 를 사용하여 신형 참조의 새로운 및 업데이트된 영역에 완전히 정렬됩니다.

이 하이브리드 접근 방식은 읽기의 대다수 (불변 영역에 있는 것들) 가 즉시 처리되도록 보장하는 반면, 복잡한 처리가 필요한 소수만 전체 정렬을 거치도록 합니다.

주요 기여

• 최초의 포괄적 BAM-to-BAM 재매핑 도구: AirLift 는 은퇴된 영역과 새로운 영역에 있는 읽기를 포함한 모든 읽기에 대해 다운스트림 분석 도구 (GATK 등) 와 호환되는 BAM 파일을 출력하는 엔드 - 투 - 엔드 솔루션을 제공하는 첫 번째 도구입니다.
• 높은 정확성: 인덱스 구축 시 보수적인 2e 오류율을 사용하고 업데이트된 영역의 읽기를 재정렬함으로써, 단순한 좌표 이동과 관련된 높은 오류율을 피합니다.
• 속도: 유전체의 대부분을 차지하는 불변 영역에 있는 읽기에 대한 전체 재매핑을 피함으로써 실행 시간을 크게 단축합니다.

결과

저자들은 AirLift 를 인간, C. elegans, 효모 참조 유전체에 대해 BWA-MEM 을 사용한 전체 재매핑을 베이스라인으로 하여 최첨단 재매핑 도구 (CrossMap, LiftOver) 와 비교 평가했습니다.

• 실행 시간: AirLift 는 전체 재매핑에 비해 2.76 배에서 27.4 배까지의 속도 향상을 달성합니다. 속도 향상은 불변 영역이 큰 인간 유전체 (hg17→hg38 의 경우 최대 27.4 배) 에서 가장 높고, 불변 영역이 전체 유전체에 비해 상대적으로 작은 효모에서는 더 낮습니다.
• 정확성 (변이 호출): GATK HaplotypeCaller 를 사용하여 AirLift 는 SNP 및 Indel 탐지에서 전체 재매핑과 비교 가능한 정밀도와 재현율을 보여줍니다. 예를 들어, 인간 읽기를 hg19 에서 hg38 로 재매핑할 때, AirLift 는 기준 진실 (ground truth) 에 대해 SNP 의 경우 97.05% 의 정밀도와 96.39% 의 재현율을 달성한 반면, 전체 매핑은 97.73%/99.25% 였습니다.
• 포괄성: hg19 를 hg38 로 리프팅할 때 유전자의 4.47% 와 같은 주석의 상당 부분을 놓치는 CrossMap 및 LiftOver 와 달리, AirLift 는 전체 읽기 세트를 처리하여 어떤 유전체 영역도 무시되지 않도록 보장합니다.
• 메모리 사용량: AirLift 의 피크 메모리 사용량은 업데이트된 영역의 읽기 하위 집합에 대해 여전히 상당한 메모리가 필요한 BWA-MEM 을 사용하므로 전체 재매핑 (BWA-MEM) 과 유사합니다.

의의

이 논문은 AirLift 가 연구자들이 유전체 연구를 새로운 참조 버전으로 업데이트할 때 전체 재매핑에 대한 실현 가능하고 고성능의 대안이라고 주장합니다. 높은 정확성과 포괄성을 유지하면서 계산 비용이 많이 드는 파이프라인을 처음부터 다시 실행할 필요성을 제거함으로써, AirLift 는 대규모 유전체 데이터셋을 최신 참조 유전체에 신속하게 적응시킬 수 있게 합니다. 참조 유전체 업데이트의 빈도가 증가하고 유전체 데이터의 양이 늘어나는 점을 고려할 때 이는 특히 중요합니다. 이는 연구자들이 prohibitive 한 계산 비용 없이 최신 분석을 유지할 수 있게 합니다. 이 도구는 오픈 소스이며 즉각적인 다운스트림 분석을 용이하게 하는 완전한 BAM-to-BAM 워크플로우를 제공합니다.