SHRiMP2：敏感但实用的短读映射

摘要

总结：我们报告了原始SHort读取映射程序（SHRiMP）的主要更新（版本2）。SHRiMP2主要针对映射灵敏度，能够以非常合理的速度实现高精度。SHRiMP2支持字母空间和颜色空间（AB/SOLiD）读取，支持成对读取的直接对齐，并使用并行计算来充分利用多核架构。

可利用性：SHRiMP2可执行文件和源代码可从以下网站免费获得：http://compbio.cs.toronto.edu/shrimp/.

联系人： shrimp@cs.toronto.edu公司

补充信息： 补充数据可在生物信息学在线。

1简介

高通量测序（HTS）机器每次运行产生5000万到2亿次读取32到400个碱基对（bp）的数据集。HTS数据集分析的第一步是将读取结果映射到参考基因组，然后使用专门的处理工具从映射中识别信号（例如基因组变体或高覆盖率峰值）。将HTS读取结果映射到大型参考基因组是一项非平凡的计算任务，近年来开发的各种读取映射程序针对不同的速度-准确性权衡。主要以速度为目标的程序通常基于（近似）精确的字符串匹配方法，而主要以敏感度为目标（将具有高度多态性的读取对齐，或与远程引用对齐）的程序通常是基于带间隔种子的投影。有关当前读取映射程序的最新调查，请参阅(李和荷马，2010).

这里我们报告了SHort读取映射程序（SHRiMP；隆隆声等。, 2009). SHRiMP2主要以映射准确性为目标，支持将读取与大量多态性和序列错误对齐，同时与以前的版本相比具有显著的速度提升。SHRiMP2支持Fasta和Fastq输入、SAM输出、Illumina/Solexa、Roche/454和AB/SOLiD读取、配对映射模式、miRNA映射参数和并行计算。

2方法

SHRiMP2使用多间隔种子对基因组进行索引，投影每次读取以确定候选映射位置（CML），并最终使用Smith–Waterman算法调查这些CML。原始SHRiMP和SHRiMP2之间的一个主要区别是前者索引了读取；切换到基因组索引[类似于其他读取映射程序，例如。朗米德等。(2009)；Li和Durbin（2009年)；Wu和Nacu（2010年)]导致速度大幅提高，并进一步允许我们添加成对映射模式并利用多线程计算。有关下列方法的更多详细信息，请参阅原始SHRiMP论文(隆隆声等。, 2009)以及补充。

基因组指数：SHRiMP2首先使用几个间隔种子投影参考基因组(伊利和伊利，2007年). 将每个种子应用于每个基因组位置，获得一个（间隔）k个-梅尔。为了每一粒种子k个-mer，基因组索引包含一个位置列表k个-用那个种子可以找到mer。无处不在的k个-mer（具有很长的列表）被丢弃，因为它们无助于识别CML。

RAM使用情况：基因组索引加载在RAM中，并且在运行读取集时执行查找。基因组长度指数n个具有k个重量种子w个拿k个× (4^w个× 12 +n个×4）字节。使用默认参数(k个= 4,w个=12），人类基因组指数（hg19）为48 GB。SHRiMP2提供了将基因组分解成适合目标RAM大小的片段的工具。拆分带来的开销微不足道：如补充材料使用一个16 GB的节点和hg19的4路分割，而使用一个32 GB的节点并使用2路分割会导致约2%的速度减慢。

投影读数：多个线程用于并行映射读取。每次读取都使用间隔种子进行投影，这些k-mer出现的基因组位置会在索引中查找。这些k-mer是矩阵中匹配的对角线，其中基因组位于x轴上，读数位于y轴上。

生成CML：给定长度和分数，扫描匹配对角线列表以查找给定长度的基因组窗口，其中可以从两条对角线构建与给定分数（读取和基因组之间）的对齐，并为每个这样的窗口生成CML。这个过程类似于q-gram过滤器(拉斯穆森等。, 2006). CML生成步骤是BFAST和SHRiMP之间的主要区别之一：虽然BFAST使用大量的长种子，并基于单个种子匹配生成CML，但SHRiMP2（和原始SHRiMP）需要读取和引用之间的多个种子匹配。这样可以有效地使用重量和长度较小的种子，并提高灵敏度。

成对映射模式：在此模式下，将分析并映射每对中的读取：只有当另一对的CML在第一对的指定范围内存在时，才会分析其中一对的CMCL。“救援”模式可用于具有异常间距的重新映射对。

Smith–Waterman校准：CML最终由Smith–Waterman（SW）字符串匹配算法进行调查(史密斯和沃特曼，1981年)，与SHRiMP的原始版本类似，SHRiMP2支持字母空间和颜色空间数据的完全对齐（带索引）。对于SOLiD读取，我们将基因组与读取的四个可能“翻译”对齐，从而允许测序错误参见(荷马等。, 2009;隆隆声等。, 2009).

SHRiMP2使用缓存启发式加快重复区域读取的对齐：对齐后，我们计算目标区域的散列，并将其与分数一起存储。在开始SW之前，我们首先检查是否已对齐相同的区域，如果是，只需重新使用分数即可。

3结果和讨论

我们将SHRiMP2与其他三个领先的读取映射程序进行了比较：BFAST(荷马等。, 2009)，博蒂(朗米德等。, 2009)和BWA(Li和Durbin，2009年). 我们生成了2个数据集，每个数据集包含6000 000个配对的颜色空间读取，分别为50和75 bp，模拟自人类1号染色体。读数包含变量（SNP和indels），以及根据SOLiD机器的典型（非均匀）错误分布的排序错误（平均每色错误率4%）。我们将两个数据集映射为成对和单端读取。

如果得分最高的映射是唯一的，则读取（对）映射为“唯一”。如果该映射位于模拟读取（或在对中同时读取）的位置的10 bp以内，则该映射是“正确的”。我们将召回定义为正确映射的所有读取（对）的分数，而精度定义为正确匹配的所有唯一映射读取（对”）的分数。在图1我们提供了每种算法的精确度和召回率图1B我们演示了数据集上每个工具的运行时。

在所有其他短读映射程序中，我们发现BFAST是唯一一个可与SHRiMP2直接媲美的程序，即使对于高度多态性的读取，它也能提供高灵敏度、实用速度和丰富的功能。在我们的测试中，SHRiMP2对所有多态类都达到了类似或更好的灵敏度，其运行时间比BFAST快2-5倍。虽然我们在比较中包括了BOWTIE和BWA，但这些程序主要以速度为目标，与SHRiMP2或BFAST对高度多态性读取的敏感性不匹配。

我们还根据真实的AB SOLiD数据评估了SHRiMP2的速度。我们估计，通过不成对的50 bp颜色空间读取对hg19的30×覆盖可以在3天内由20个节点映射，每个节点有8个核和16GB的RAM。有关详细信息，请参阅补充材料.

基金：SHRiMP开发由MITACS、CIHR和生命技术研究基金资助，M.B.NSF资助（CCF-0832797），M.David资助。

利益冲突：未声明。

参考文献

作者注释