DeepVariant 1.0によるゲノム解析精度の向上(4/4)

１．DeepVariant 1.0によるゲノム解析精度の向上(4/4)まとめ

・PrecisionFDA前はエラー率が高いため、Oxford Nanoporeデータ用は使用できなかった
・UC Santa Cruz Genomics Instituteと提携し彼らの持つPEPPERを汲み込んだ
・PEPPER-DeepVariantはOxford NanoporeでIlluminaよりも優れた精度を達成

２．PEPPER-Deepvariant

以下、ai.googleblog.comより「Improving the Accuracy of Genomic Analysis with DeepVariant 1.0」の意訳です。元記事の投稿は2020年9月18日、Andrew CarrollさんとPi-Chuan Changさんによる投稿です。

アイキャッチ画像のクレジットはPhoto by Nicolas Hoizey on Unsplash

(5)リリースしたモデルを更にトレーニングするために学習データを追加
コンテストの時間枠が短縮されたため、モデルのトレーニングが高速化できるように、コンテスト用データ(PCR-Free NovaSeq)と似たデータのみを使ってトレーニングしました。DeepVariant v1.0の製品リリースでは、PCR+だけでなく、複数の機器にも高い精度を求めています。これらの多様なデータを使用したトレーニングは、モデルの一般化に役立ちます。そのため、DeepVariant v1.0のリリースモデルは、コンテストに提出されたモデルよりも優れています。

以下のグラフは、各改善によって達成されたエラーの削減を示しています。2種類の小さなvariants、SNP(Single Nucleotide Polymorphisms、一塩基多型、配列の長さを変更せずに単一の塩基を変更)とINDEL(挿入と削除)のIlluminaとPacBioの数値を示します。

ハイブリッドモデルのトレーニング
DeepVariant v1.0には、PacBioとIlluminaの2つの読み取りに対応可能なハイブリッドモデルも含まれています。この場合、モデルは新しいロジックを必要とせずに、両方の入力タイプの長所を活用します。

PacBioとIlluminaの両方からのデータを併合するDeepVariantの例
6つのデータチャネルのうち2つだけが示されています。チャネル＃1「Read base」とチャネル＃5「Read supports variant」です。長いPacBioの読み取り(画像上部)は完全に呼び出し領域に展開されますが、短いIlluminの読み取りは領域の一部のみに展開されます。

SNPエラーに変化は見られなかったことから、PacBioの読み取りはSNP呼び出しよりも厳密に優れていることがわかります。

私達はPacBioモデルと比較して、Indelエラー(挿入欠失エラー)がさらに49%減少する事を観察しました。これは、IlluminaとPacBio HiFiのIndelエラーモードを補完的に使用できることを示唆しています。

PEPPER-Deepvariant：DeepVariantを使用したOxford Nanoporeデータのパイプライン
PrecisionFDAのコンテスト開催前は、ベースエラー率が高く、DeepVariantが分類できない候補が多すぎるため、Oxford Nanoporeデータ用にはDeepVariantモデルは利用できませんでした。

私達は、Oxford Nanoporeのデータに関する豊富な専門知識を持つUC Santa Cruz Genomics Instituteと提携しました。

彼らは以前、PEPPERと呼ばれるディープラーニング手法をトレーニングしていました。これを使うと候補をより扱いやすい数に絞り込むことができます。DeepVariantのより大きなニューラルネットワークは、妥当な実行時間で残りの候補を正確に特徴付けることができます。

PEPPER-DeepVariantパイプラインとOxford Nanoporeモデルを組み合わせたものはオープンソースとして公開されており、GitHubで入手できます。このパイプラインは、PrecisionFDAコンテストでDeepVariant Illuminaよりも優れたSNP呼び出し精度を達成することができました。このようにしてOxford NanoporeがIlluminaよりも優れていることを示したのは初めての事です。

結論
DeepVariant v1.0は開発の終了を意味するわけではありません。ゲノミクスコミュニティと協力して、患者や研究者にとってのゲノムデータの価値をさらに最大化できることを楽しみにしています。