Download - Семинар ДНК 16/05/2014 iBinom
Обработка данных секвенирования следующего
поколения в один клик
Афанасьев Андрей,Генеральный директор iBinom
Проблемы текущих решений
• Сложная установка
• Сложная настройка
• Медленная работа
• Плохая воспроизводимость результатов
• Плохая визуализация результатов
Задача
Сделать продукт по анализу данных NGS для диагностики наследственных заболеваний для врачей:
– Простой интерфейс
– Минимум настроек
– Высокая скорость работы и воспроизводимость результатов
– Высокая точность
Технические сложности
• Алгоритмическая сложность и ресурсоемкость (до 1000 CPU*h на анализ)
• Большой объем входных данных (1-500 Гб)
• Разные форматы данных FastQ (длины ридов, качество в phred33/phred64)
• Обеспечение безопасности передачи и хранения данных
Подход
• Фильтрация ридов по качеству
• Картирование
• Фильтрация по таргетным регионам
• Поиск SNP и коротких indel
• Аннотация
• Сортировка по патогенности и формирование отчета
Реализация
• Распределенные вычисление в облаке Amazon в рамках парадигмы MapReduce(неограниченная масштабируемость)
• Хранение данных в S3• Картирование BWA-MEM• Референс hg19 GRCh37.p13 assembly, ver. 73.37• Коллинг SamTools• Аннотация SnpEff• Собственная оценка патогенности –
ibinom score
Выравнивание(симулированные данные)
Total Correct Reads (%) Incorrectly Mapped Reads (%)
Unmapped Reads (%)
iBinom 7863529 101527 7
98.73% 1.27% 0.00%
Bowtie2 7670364 251234 41901
96.32% 3.15% 0.53%
Bwa 7363467 81561 518471
92.47% 1.02% 6.51%
Коллинг
Коллинг
iBinom Score
• Машинное обучение с помощью алгоритма градиентного бустинга
• Обучающая выборка:
– Патогенные: записи из dbsnp c clinvar clinicalsignificance = pathogenic
– Непатогенные: записи из dbsnp c частотой самого редкого аллеля >5% во всех популяциях
iBinom Score
Точность: 93.44%
Полнота: 90.96%
F-measure: 92.18%
Обучение по базам и скорам:
1000genomes, ClinVar, dbSNP, dbNSFP, EnsemblProject, EntrezGene, Exome Variant Server, GeneReviews, GERP++, GO, MutationAssessor, MutationTaster, Orpha Date, Reactome, RefSeq, SeattleSeq, SiPhy, snpEff, UniProt и др.
Использование iBinom
1. Поддерживается любой FASTQ файл, включая архивы .gz, кроме colorspace
2. Встроенный тримминг адаптеров
3. Можно объединять несколько файлов в один образец
4. Можно скачать vcf-файл (в формате v.4.1)
5. Для передачи используется шифрованное соединение https
Планы
1. Система подбора болезней(по симптомам, по списку генов, по списку болезней)
2. Ветвление пайплайна(например, выравнивание TMAP для IonTorrent)
3. Переделка и упрощение интерфейса программы