vep-rs: high-throughput Rust variant annotation with population-scale concordance to Ensembl VEP

技术摘要：vep-rs：具有面向大规模人群规模 Ensembl VEP 一致性的高吞吐量 Rust 变异注释工具

问题陈述

Ensembl VEP（变异效应预测器）是基因组分析流程中变异后果注释的事实标准。然而，其 Perl 实现为大规模人群规模的分析造成了显著的吞吐量瓶颈。虽然存在更快的注释工具，但它们往往无法作为“掉入式”（drop-in）替代品，因为它们使用了不同的注释规则或词汇表（例如 SnpEff、ANNOVAR），或者缺乏足够的验证来界定其与 VEP 的差异程度（例如 fastVEP，其仅在 2,340 个转录本-等位基因对上进行了验证）。现有的开源替代方案要么具有限制性许可（Nirvana），要么验证不足，无法保证在数百万个变异中的一致性。

方法论

作者提出了 vep-rs，这是一个使用 Rust 语言对 Ensembl VEP 115.2 版本进行的完整重实现。该实现优先考虑编译性能、内存安全和低开销并行处理，同时保持与 VEP 输出格式和后果词汇表的严格兼容。

• 架构： 该工具被构建为一个包含九个 crate 的 Cargo 工作空间。它包含一个提供规范类型的底层 crate，以及一个覆盖 VEP 41 个序列本体（Sequence Ontology）术语的 Consequence 枚举。流水线使用 rayon 库对 5,000 个变异进行批处理，并支持根据输入顺序的 VEP 标准输出格式（default, tab, VCF, JSON）。
• 验证语料库： 为了建立严谨的一致性边界，作者通过六个不同的数据集，总计 260,638,766 个 VEP 后果元组，将 vep-rs 与 VEP 115.2 版本进行了基准测试。这些数据集包括：
  • NCBI ClinVar (GRCh37 和 GRCh38)。
  • gnomAD 21 号染色体子集 (v2.1.1 和 v4.1)。
  • 1000 Genomes Project 21 号染色体子集 (Phase 3 和高覆盖度)。
  • 一个包含每个组装版本 16 个 VCF 文件的独立结构变异 (SV) 语料库。
• 指标： 一致性是通过基于 (位置, 等位基因, 特征, 特征类型, 后果集) 键值的 F1 分数（精确率和召回率的调和平均数）来衡量的。研究还引入了一个“调整后 F1”（Adjusted F1）指标，该指标排除了被识别为 VEP 缺陷或表示差异的特定差异类别。
• 硬件： 基准测试在每种引擎和架构 20 台独立的机器上进行（针对 ARM Graviton4 使用 AWS EC2 r8gd.8xlarge，针对 x86 Intel 使用 r8id.8xlarge），以确保统计稳健性。

核心贡献

1. 高吞吐量重实现： vep-rs 提供了一个基于 Rust 的替代方案，它生成与 VEP 完全相同的后果词汇和输出格式，允许现有的流水线在无需重写过滤器的情况下替换引擎。
2. 大规模人群规模验证： 与以往的基准测试不同，这项工作通过超过 2.6 亿个元组对工具进行了验证，为差异提供了具有统计学意义的界限。
3. 缺陷识别： 研究记录了 vep-rs 与 VEP 之间的五类差异。其中四类被识别为 VEP 115.2 版本中的缺陷，包括：
   • 自相矛盾的后果调用。
   • 实际位于剪接区域的变异丢失了剪接区域术语。
   • 对变异实际并不存在的染色体进行注释。
   • 批次依赖型输出（即转录本的选择随输入批次的组成而变化）。
4. 开源可用： 该工具、其测试框架、比较器以及所有计时数据均根据 Apache-2.0 协议发布。

结果

• 一致性： 在 SNP 和 Indel 上，vep-rs 在所有六个数据集上的 F1 分数均达到 ≥0.999974。它生成的行与 VEP 完全相同，所有的 3,169 个差异都源于共享行上的后果集差异。当排除两个记录在案的 VEP 缺陷形状时，所有数据集的 F1 分数均四舍五入为 1.000000。
  • 按后果类别划分，在具有 ≥1,000 个元组的 30 个序列本体术语中，有 29 个超过了 0.99 的 F1 值。唯一的例外是 start_retained_variant (F1 0.540)，这完全归因于 VEP 的缺陷（同时发射了 start_lost 和 start_retained_variant）。
  • 在结构变异上，原始 F1 分数在 GRCh37 上为 0.975395，在 GRCh38 上为 0.909998；在针对差异类别进行调整后，分别上升至 0.998524 和 0.998031。
• 吞吐量： vep-rs 显著优于 VEP：
  • ARM (Graviton4)： 快 101 倍至 284 倍（几何平均值 176 倍）。
  • x86 (Intel)： 快 78.3 倍至 192 倍（几何平均值 135 倍）。
  • 它还比 fastVEP 快 4.68 倍至 13.9 倍。
  • 对于作为独立文件处理的结构变异，vep-rs 比 VEP 快 22.5 倍至 52.9 倍。
• 与 fastVEP 的比较： 虽然 fastVEP 是开源的且目标是匹配 VEP 的词汇表，但其验证语料库规模比本研究小四个数量级。在本研究中，fastVEP 在 SNP/Indel 数据集上的 F1 分数低至 0.76，在结构变异上的 F1 分数低至 0.13，这主要是由于其缓存中缺失转录本以及未能为特定的后果类别发射元组。

意义

论文声称，vep-rs 使基于 VEP 后果术语的流水线能够采用一种“掉入式”替代品，该替代品在保持测量的、基于每个术语的一致性界限的同时，提供了两个数量级的更高吞吐量。通过采用 vep-rs，用户不仅可以将大规模人群规模的注释加速 78 倍至 284 倍，还可以消除 VEP 中存在的特定缺陷（自相矛盾和批次依赖的调用），而这些缺陷在 Rust 实现中并未复现。作者将这项工作定位为解决临床和人群基因组学中吞吐量瓶颈的方案，同时保留了 Ensembl VEP 词汇表所提供的标准化优势。