利用深度學(xué)習(xí)模型最大限度地提高外顯子組測序分析的準(zhǔn)確性

人類外顯子組是理解和治療遺傳疾病的關(guān)鍵。盡管外顯子組只占人類基因組的 1% 多一點，但它也包含大約85% 的已知變異具有顯著的疾病相關(guān)突變。這就是為什么涉及這些區(qū)域的提取和測序的全外顯子組測序在臨床研究和實踐中很受歡迎，其中優(yōu)化準(zhǔn)確性、運(yùn)行時間和成本很重要。

這篇文章展示了 NVIDIA Parabricks,一套用于高通量數(shù)據(jù)的加速基因組分析應(yīng)用程序可以用于外顯子組分析。 NVIDIA Parabricks 顯著降低了運(yùn)行時間和分析成本，同時最大限度地提高了變體調(diào)用的準(zhǔn)確性。整個外顯子組測序數(shù)據(jù)分析可以在 range of GPUs可在本地和每個主要的云提供商中使用。

利用深度學(xué)習(xí)模型最大限度地提高外顯子組測序分析的準(zhǔn)確性

UK Biobank，是世界上最全面的公開可用生物醫(yī)學(xué)數(shù)據(jù)資源，為 47 萬名參與者提供外顯子組數(shù)據(jù)，所有參與者都按 Regeneron Genetics Center (RGC)這些數(shù)據(jù)可通過英國生物銀行研究分析門戶網(wǎng)站提供給世界各地的研究人員，該門戶網(wǎng)站通過DNAnexus。

人類基因組包含超過 180000 個蛋白質(zhì)編碼區(qū)或外顯子，它們共同組成一個外顯子組。每個外顯子組包含大約 3000 萬個核苷酸。因此，變異呼叫在大規(guī)模人群研究中至關(guān)重要，在這些研究中，即使是低的假陽性和陰性率也會產(chǎn)生相當(dāng)大的影響。要了解更多信息，請參閱Sequencing Your Genome: What Does It Mean?

出于這個原因， RGC 使用谷歌 DeepVariant 的定制訓(xùn)練版本分析了英國生物庫外顯子，這是一種高精度的變體分類深度學(xué)習(xí)方法。該方法通過 NVIDIA Parabricks 進(jìn)行了加速和部署，提供了與 CPU 代碼相同的準(zhǔn)確結(jié)果，具有更快的運(yùn)行時間和更低的 RGC 每個外顯子組成本。

根據(jù) RGC 基因組信息學(xué)和數(shù)據(jù)工程執(zhí)行主任 Will Salerno 的說法，“使用 Parabricks 進(jìn)行優(yōu)化的關(guān)鍵組成部分之一不僅是使其更快、更便宜，而且還可以獲得完全相同的變體。這種再現(xiàn)性對我們來說至關(guān)重要，這是透明的。我們不想要秘密醬汁，我們想要對每個人都有效的特殊醬汁，就像對我們一樣?！?。我們所做的每一件事，都希望我們的任何合作伙伴都能從這些方法中受益?！?/p>

基因組學(xué)研究人員可以使用各種各樣的變體調(diào)用工具，從統(tǒng)計技術(shù)（例如貝葉斯或高斯混合模型）到將外顯子組變體分類為信號或噪聲的深度學(xué)習(xí)方法（卷積或遞歸神經(jīng)網(wǎng)絡(luò)）

盡管統(tǒng)計技術(shù)可以提供一種更具普遍性的方法，但如果原始數(shù)據(jù)可用于將深度學(xué)習(xí)算法訓(xùn)練到給定的數(shù)據(jù)類型，這些模型可能會非常準(zhǔn)確。一個例子是同一生物體/基因組的瓶中基因組細(xì)胞系，在同一實驗室用相同的技術(shù)和實驗室方案進(jìn)行測序

因此，深度學(xué)習(xí)變體調(diào)用主導(dǎo)了最近提交的precisionFDA Truth Challenge， 68% 的提交是基于深度學(xué)習(xí)的。 DeepVariant 本身贏得了多個類別

DeepVariant 使用卷積神經(jīng)網(wǎng)絡(luò)在下一代測序（ NGS ）讀取或累積窗口中識別變體，并包括所有測序平臺的模型，不僅包括 Illumina 數(shù)據(jù)，還包括 PacBio 數(shù)據(jù)、 Oxford Nanopore 數(shù)據(jù)，以及新興測序平臺、全基因組樣本、外顯子組樣本等

NVIDIA Parabricks 提供 GPU-accelerated DeepVariant，以及其他幾種變體調(diào)用工具。它通過 TensorRT 還包括多個此類模型的優(yōu)化版本。

請參閱下面的 NVIDIA Parabricks DeepVariant 命令示例，如NVIDIA Parabricks documentation。所有 NVIDIA Parabricks 工具都是插入式替換命令，使相同的分析能夠在 GPU 上輕松運(yùn)行。

# This command assumes all the inputs are in  and all the outputs go to .
$ docker run --rm --gpus all --volume :/workdir --volume :/outputdir
    -w /workdir 
    nvcr.io/nvidia/clara/clara-parabricks:4.0.0-1 
    pbrun deepvariant 
    --ref /workdir/${REFERENCE_FILE} 
    --in-bam /workdir/${INPUT_BAM} 
    --out-variants /outputdir/${OUTPUT_VCF}

使用在適當(dāng)數(shù)據(jù)上訓(xùn)練的非常適合的模型可以對變體調(diào)用的后續(xù)準(zhǔn)確性產(chǎn)生重大影響。例如，與全基因組測序（ WGS ）數(shù)據(jù)相比，使用在全外顯子組測序（ WES ）數(shù)據(jù)上訓(xùn)練的 DeepVariant 模型的變體調(diào)用外顯子數(shù)據(jù)產(chǎn)生了 519 個更多的真陽性調(diào)用， 42 個更少的假陽性調(diào)用， 519 個更少的偽陰性調(diào)用

這意味著單核苷酸多態(tài)性（ SNPs ）的 F1 得分增加了 1% ，而 indel 的 F1 得分則增加了近 2% 。用 NVIDIA Parabricks 對瓶內(nèi)基因組地面實況數(shù)據(jù)運(yùn)行的結(jié)果如表 1 所示。

表 1 。 DeepVariant 全外顯子組模型顯示，與標(biāo)準(zhǔn)全基因組模型相比，準(zhǔn)確性顯著提高

能夠?qū)?DeepVariant 切換到更合適的模型，甚至根據(jù)特定的實驗室協(xié)議微調(diào)模型（就像 Regeneron 為英國生物銀行所做的那樣），這是基于深度學(xué)習(xí)的變體調(diào)用的一個強(qiáng)大功能

一個新的 DeepVariant retraining tool現(xiàn)已在 NVIDIA Parabricks v4 . 1 中提供，使用戶可以在 NVIDIA GPU 上快速輕松地完成此操作。您可以訓(xùn)練模型來識別由于不同版本的測序儀、濕實驗室試劑盒、試劑等而在數(shù)據(jù)中產(chǎn)生的任何非隨機(jī)偽影。

性價比高的以提高的速度進(jìn)行分析，得到同等的結(jié)果

與小面板分析相比，外顯子組數(shù)據(jù)的計算分析是時間和成本的逐步增加。對于臨床外顯子組測序分析，加速分析在大規(guī)模交付結(jié)果方面很重要。

Agilent Alissa Reporter software例如，通過在云中自動縮放，利用 NVIDIA GPU 和 NVIDIA Parabricks 提供外顯子組分析。這意味著安捷倫可以以更低的成本和更快的運(yùn)行時間為數(shù)千個樣本向客戶提供基因組數(shù)據(jù)的臨床見解

安捷倫報告稱，他們的基礎(chǔ) GATK 工作流程以前需要 5 個小時，成本高達(dá) 10 美元，現(xiàn)在已經(jīng)減少到 9 分鐘（運(yùn)行時間減少 96% ），每個樣本只需幾美元。

Alissa Reporter 的產(chǎn)品負(fù)責(zé)人 Joachim De Schrijver 說：“我們從樣本中獲得的信息越多越好。”?！皩φ麄€外顯子組而不是小的基因組進(jìn)行測序可以很好地實現(xiàn)這一點，但每個樣本的 FASTQ 文件范圍從 5 到 10 GB 不等，這可能意味著需要數(shù)小時的計算才能提取有意義的影響生命的結(jié)果?！?/p>

“安捷倫 Alissa Reporter 利用 GPU 和 Parabricks 來解決這一問題，并在幾分鐘內(nèi)處理數(shù)據(jù)。此外，這降低了云計算基礎(chǔ)設(shè)施的成本，使我們能夠提供極具競爭力的定價，”他補(bǔ)充道。

除了加速 DeepVariant ， NVIDIA Parabricks 還加速了變體呼叫者的 GATK 最佳實踐版本，包括單倍型呼叫者（用于種系）和 Mutect2 （用于體細(xì)胞）。在 NVIDIA Parabricks 中，這兩種方法產(chǎn)生的結(jié)果與開源版本相當(dāng)（ SNPs 和 Indels 分別為 0 . 999 F1 ），但速度更快，成本更低。

在一個外顯子組上運(yùn)行 NVIDIA Parabricks 種系管道（ BWA-MEM 、排序、標(biāo)記重復(fù)項、 BQSR 和 HaplotypeCaller 或 DeepVariant ）可以將運(yùn)行時間從 3 小時以上（在標(biāo)準(zhǔn) CPU 實例上使用開源等效程序）減少到 DeepVariation 的 11 分鐘（快 17 倍）和 HaploypeCaller 的 6 . 5 分鐘（快 33 倍）NVIDIA T4GPU 。

這個加速因子轉(zhuǎn)化為每個外顯子組節(jié)省了可觀的成本，因為實例運(yùn)行的時間更短。如圖 2 所示，在 8 個 NVIDIA T4 GPU 上使用 DeepVariant 運(yùn)行 NVIDIA Parabricks 種系管道，每個樣本的成本從 4 . 76 美元降低到 1 . 44 美元（便宜 70% ），使用 HaplotypeCaller 從 5 . 52 美元降低到 42 美分（便宜 92% ）。

對于更復(fù)雜的管道，這些運(yùn)行時可以堆疊，使測序的分析步驟成為一個非常大的瓶頸。例如，在癌癥研究中，外顯子組是一種常見的測序方法，腫瘤和正常組織都經(jīng)常測序，覆蓋范圍更廣，這些腫瘤 – 正常對的標(biāo)準(zhǔn)外顯子管道在 CPU 實例上運(yùn)行可能需要 14 個小時。如圖 3 所示，僅在兩臺 NVIDIA T4 GPU 上即可將時間縮短至 1 . 5 小時。

圖 3 。體細(xì)胞管道的運(yùn)行時間（以分鐘為單位），包括腫瘤文件的對齊、正常文件的對齊，腫瘤文件的處理，正常文件的處理以及用 mutect2 調(diào)用變體（分別顯示為深色到淺色）。在與圖 2 相同的情況下，使用 SEQC-2 172x 深度腫瘤外顯子組和 178x 正常外顯子。