Masterarbeit. Variantentolerantes Readmapping durch Locality Sensitive Hashing. Jens Quedenfeld November Gutachter: Sven Rahmann Dominik Köppl

Transkript

1 Masterarbeit Variantentolerantes Readmapping durch Locality Sensitive Hashing Jens Quedenfeld November 2015 Gutachter: Sven Rahmann Dominik Köppl Technische Universität Dortmund Fakultät für Informatik Lehrstuhl für Algorithm Engineering (LS 11)

2

3 Inhaltsverzeichnis 1 Einleitung Motivation und Hintergrund Aufbau der Arbeit Theoretische Analyse 5 i

4 ii INHALTSVERZEICHNIS

5 Kapitel 1 Einleitung 1.1 Motivation und Hintergrund Ein zentraler Baustein des Lebens ist die Desoxyribonukleinsäure oder kurz DNA. Sie ist der Träger der Erbinformation und bestimmt damit das Aussehen und die Eigenschaften von Lebewesen. DNA besteht im Wesentlichen aus vier verschieden Basen, deren Reihenfolge der Erbinformation entspricht. Von daher ist es von groÿem wissenschaftlichen Interesse die DNA eines Lebenwesens zu sequenzieren, also die Abfolge der Basenpaare zu bestimmen. Die Kosten und der Aufwand für das Sequenzieren eines Genoms, also der gesamten DNA eines Lebewesens bzw. einer Zelle, sind in den letzten Jahren stark gesunken. Dadurch wird es immer einfacher und schneller möglich, die DNA eines Lebewesens, speziell die des Menschen, zu analysieren. Allerdings liefern diese Verfahren nur kurze Fragmente, sogenannte Reads mit einer Länge von (je nach Verfahren) 50 bis Basenpaaren. Diese Reads müssen durch ein rechenintensives Verfahren wieder zu dem Genom zusammengesetzt werden. Da sich die DNA verschiedener Menschen stark ähnelt (bis zu 99,5% sind gleich[?]), ist es deutlich leichter, ein bereits sequenziertes Referenzgenom zu betrachten und die Reads in diesem wiederzunden. Ein Programm, das dieses Problem löst, wird als Readmapper bezeichnet. Bei Menschen beträgt die Länge des Genoms etwa drei Milliarden Basenpaare. Da nach der Sequenzierung viele Millionen Reads vorliegen, wäre es viel zu rechenaufwändig, für jeden Read das gesamte Referenzgenom zu durchsuchen. Von daher sind spezielle Verfahren nötig, um einen Read ezient an die richtige Position im Referenzgenom zuzuordnen. Eine weitere Schwierigkeit ist die notwendige Fehlertoleranz: Referenzgenom und Reads passen nicht exakt überein, da es zum einen Varianten gibt (nicht alle Menschen sind gleich, dies sind die verbleibenden 0,5%) und zum anderen beim Sequenzieren verfahrensbedingt Fehler auftreten. Dadurch dass bereits die Genome von über 1000 Menschen sequenziert wurden, sind zahlreiche Varianten bekannt. Herkömmliche Readmapper wie BWA [?] nutzen diese Zusatzinformation jedoch nicht aus. Ein variantentoleranter Readmapper (wie beispielsweise mrsfast-ultra [?]) benutzt dagegen als zusätzliche Eingabe eine sogenannte VCF-Datei, die häug vorkommende Varianten enthält. Kommen in den Reads bekannte Varianten vor, werden diese Unterschiede nicht als Fehler gewertet. Variantentolerante Readmapper können dadurch solche Reads deutlich besser im Referenzgenom wiedernden als herkömmliche Readmapper. Die Projektgruppe 583 der TU Dortmund [?] hat einen solchen variantentoleranten Readmapper namens VATRAM entwickelt, der auf einem Verfahren namens Locality Sen- 1

6 2 KAPITEL 1. EINLEITUNG sitive Hashing (kurz LSH) basiert [?,?]. Die Ergebnisse der Projektgruppe haben gezeigt, dass das Locality Sensitive Hashing ein vielversprechender Ansatz ist. Teilweise mappt VATRAM sogar schneller und besser als State-of-the-art Readmapper wie BWA. Allerdings blieben bei den Forschungsergebnissen der Projektgruppe noch einige Fragestellungen oen, die in meiner Masterarbeit weiter untersucht werden sollen. Im wesentlichen besteht VATRAM aus zwei Teilen: Der Mapper bestimmt für jeden Read mit Hilfe von sogenannten q-grammen und dem LSH-Index ein ungefähres Intervall auf Referenzgenom. Der Aligner berechnet anschlieÿend ein konkretes Alignment zwischen Read und Referenz, das anzeigt, welche Basen zueinander gehören, welche durch andere Basen ersetzt wurden und wo Basen eingefügt oder gelöscht wurden. In dieser Masterarbeit wird ausschlieÿlich auf das Mapping durch LSH eingegangen. Eine Weiterentwicklung des Aligners von VATRAM soll nicht stattnden, da dies zu weit führen würde. 1.2 Aufbau der Arbeit Die Arbeit besteht im wesentlichen aus vier Teilen. Zunächst werden in Kapitel?? die zum Verständnis dieser Arbeit notwendigen biologischen und technischen Grundlagen erläutert. Zu den biologischen Grundlagen gehört der Aufbau von DNA, Chromosomen, Mutationen und Varianten sowie die gängigsten Sequenzierverfahren. Darüber hinaus wird Readmapping formal deniert und die bezüglich Readmapping gängigen Dateiformate aus der Bioinformatik erläutert. Das darauf folgende Kapitel?? behandelt den von der Projektgruppe entwickelten Readmapper VATRAM. Die Funktionsweise von VATRAM wird detailliert erklärt. Darüber hinaus wird Locality Sensitive Hashing formal deniert und grundlegende theoretische Eigenschaften erörtert und bewiesen. Auÿerdem werden die im Rahmen der Masterarbeit entwickelten Erweiterungen beschrieben. Dazu gehört insbesondere die Unterstützung sogenannter Paired-End-Reads, die Verarbeitung von Reads mit variabler (also nicht konstanter) Länge sowie die Berücksichtigung der Auftretetswahrscheinlichkeit von Varianten. Kapitel 2 beinhaltet eine theoretische Analyse des Readmappers VATRAM. Insbesondere wird die Frage geklärt, in welchen Fällen sich das Hinzufügen einer SNP-Variante zum Suchindex lohnt, wenn die Variante mit einer bestimmten Häugkeit auftritt. Die aktuelle Version von VATRAM verwendet sogenanntes Min-Hashing als LSH-Funktion. Es existieren noch weitere LSH-Funktionen, wie beispielsweise Sim-Hashing. Bevor eine solche alternative Hashfunktion implementiert wird, soll zunächst theoretisch untersucht werden, ob bessere Ergebnisse zu erwarten sind. Die Projektgruppe hat VATRAM bisher nur mit Reads der Länge 100 getestet. In der experimentellen Analyse (Kapitel??) wird untersucht, wie VATRAM mit längeren Reads skaliert und wie die verschiedenen Parameter von VATRAM bei solchen Reads gewählt werden sollten (siehe Abschnitt??). Häug liefern Sequenziermaschinen (wie die der Firma Illumina) sogeannte Paired- End-Reads. Paired-End-Reads bestehen aus zwei sequenzierten DNA-Sequenzen mit einer unsequenzierten, dazwischen liegenden Lücke, dessen Länge nur ungefähr bekannt ist. Eine Unterstützung von Paired-End-Reads wurde von der Projektgruppe noch nicht implementiert. Dies soll im Rahmen Masterarbeit nachgeholt werden. Die experimentelle Evaluation von Paired-End-Reads ndet sich in Abschnitt??. Die Verarbeitung von Reads unterschiedlicher Länge ist bei VATRAM problematisch, da der erzeugte LSH-Index nur für eine bestimmte Readlänge optimal funktioniert. Das

7 1.2. AUFBAU DER ARBEIT 3 neu entwickelte Verfahren, mit dem auch Reads variabler Länge verarbeitet werden können (siehe Abschnitt??), wird in Abschnitt?? getestet und evaluiert. Am Ende des experimentellen Teils (Abschnitt??) wird VATRAM mit anderen Readmappern verglichen. Dazu werden sowohl synthetische als auch echte Reads genutzt. Die Vergleichskriterien sind primär die Anzahl der korrekt und falsch gemappten Reads, aber auch die Laufzeit sowie der Speicherbedarf der einzelnen Readmapper. Die Masterarbeit endet mit einem Ausblick über oen gebliebene Fragestellungen (Abschnitt??) sowie einer Zusammenfassung der wichtigsten Ergebnisse (Abschnitt??).

8 4 KAPITEL 1. EINLEITUNG

9 Kapitel 2 Theoretische Analyse 5

10 6 KAPITEL 2. THEORETISCHE ANALYSE Wahrscheinlichkeit n = 100, e = 0,5m = 42 2,5% 2,0% 1,5% 1,0% 0,5% 0,0% o = 1n o = 1,1n o = 1,2n o = 1,3n o = 1,4n o = 1,5n o = 1,6n o = 1,8n o = 2n o = 2,2n o = 2,4n o = 2,6n o = 2,8n o = 3n o = 3,5n o = 4n o = 4,5n o = 5n Abbildung 2.1: Wahrscheinlichkeiten, einen Read nicht zu nden für unterschiedliche Kongurationen. Die Überschrift der Diagramm gibt die Readlänge n und die Anzahl e der fehlerhaften q-gramme an. Der Fensterabstand o hängt von der Farbe der jeweiligen Kurve ab, die genauen Werte sind in der Legende gezeigt. Auf der x-achse wurde jeweils die Überlappungsbereite υ variiert. Die Fensterlänge w ist gleich o + υ.