Nature Biotechnology：谷歌利用深度神经网络开发出SNP和small indel变异检测新工具

大数据时代，如果你不懂点人工智能，没听说过深度学习或者卷积神经网络什么的，或许你真的就OUT了。上个月，谷歌及旗下Verily Life Sciences公司发表了一篇NB的文章，就利用深度卷积神经网络的方法，提高了SNP和small indel的变异检出率。

发表期刊：Nature Biotechnology

发表时间：2018-9-24

影响因子：35.724

具体说来，尽管测序技术发展迅速，但是从数十亿个短的错误reads中准确地检出单个基因组中存在的遗传变异仍然具有挑战性。本研究利用深度卷积神经网络（deep convolutional neural network），通过对假设变异和真实基因型的read堆积图像之间统计关系的学习，来检测下一代测序(NGS) reads数据中的遗传变异。这种被命名为DeepVariant的工具优于现有最先进的方法，可以对多物种、跨平台测序数据进行SNP和small indel变异检测。

研 究 方 法

深度卷积神经网络利用DistBelief搭建框架，并用经过严格筛选的数据进行训练，之后对建立的模型固定，并进行变异检测评价。

研 究 结 果

图1、DeepVariant工作流程图

左框：首先，扫描比对的reads，寻找可能不同于参考基因组的位点。reads和参考数据被编码为每个候选变异位点的图像。用训练过的卷积神经网络（CNN）计算每个位点基因型的可能性。如果最有可能的基因型是杂合子或非参照序列纯合子，就检测为变异位点。中间方框：DeepVariant CNN的训练过程。利用已知基因型样本生成的堆积图像（pileup images），形成图像+基因型对，连同初始CNN (可以是随机模型，其他图像分类测试CNN，或者原始DeepVariant模型)一同被用来进行CNN参数优化，使用随机梯度下降算法（stochastic gradient descent algorithm）最大化基因型预测精度。经过最大数量循环、时间耗尽或者模型性能收敛后，最终训练的模型被frozen并保存下来，用于变异位点的检测。右框：堆积图像评价过程。参考序列、测序read碱基、质量数和其他read特征被编码成红-绿-蓝(RGB)堆积图像。该编码图像提供给CNN以计算纯合子参考(hom-ref)、杂合子(het)、纯合子替代(hom-alt)这三种二倍体基因型状态可能性。在本图例子中最可能的基因型是“het”，得出杂合变异检出结果。在所有框中，蓝色性状代表数据，红色性状代表进程。

表1、对NA24385样本的几种生物信息学方法检测对比结果

表1中使用的数据集与precisionFDA Truth Challenge (pFDA)中使用的数据集相同。比较了包括DeepVariant（GitHub最新版本和pFDA版本）、GATK、SAMtools等多种方法，整个基因组显示了总体准确性(F1，每个变异类型内的排序顺序)、召回率、精确度以及真阳性(TP)、假阴性(FN)和假阳性(FP)的数量。假阳性进一步分为基因型错配(FP.gt)和等位基因错配(FP.al)。

利用CEPH (Centre d’Etude du Polymorphisme Humain) 女性样本NA12878的数据进行训练，之后对Ashkenazi男性样本NA24385进行变异检测，结果如表1所示，在SNP和small indel变异的总体准确性F1指标中排名第一，其余多项指标表现排名居前。

表2、对合成的二倍体样品CHM1-CHM13的几种生物信息学方法检测对比结果

利用相同方法，研究又对合成的二倍体样品CHM1-CHM13进行变异检测评估，结果如表2所示，在SNP和small indel变异的总体准确性F1指标中同样排名第一。

概念回顾：总的样本个数为：TP+TN+FP+FN

TP：预测为1(Positive)，实际也为1(Truth-预测对了)

TN：预测为0(Negative)，实际也为0(Truth-预测对了)

FP：预测为1(Positive)，实际为0(False-预测错了)

FN：预测为0(Negative)，实际为1(False-预测错了)

Accuracy = (预测正确的样本数)/(总样本数)=(TP+TN)/(TP+TN+FP+FN)

Precision = (预测为1且正确预测的样本数)/(所有预测为1的样本数) = TP/(TP+FP)

Recall = (预测为1且正确预测的样本数)/(所有真实情况为1的样本数) = TP/(TP+FN)

F1 = 2TP/(2TP+FN+FP)

结 论

◆建立了一种称为DeepVariant的变异检测方法，它用一种深度学习神经网络模型来代替传统的统计建模的方法。

◆在对DeepVariant、GATK、FreeBayes、SAMtools、16GT和Strelka等几种变异检测方法的性能测试中，DeepVariant获得了最高性能评价结果。与次优算法( 9531个错误)相比，DeepVariant在每个基因组上的错误减少了50 %以上( 4652个错误)。

◆对合成二倍体样品CHM1-CHM13评估中，DeepVariant优于所有其他方法检出的SNP和indel方法，并且无需调整过滤阈值或其他参数。

◆除Illumina WGS数据外，对来自PacBio和Ion torrrent测序平台数据同样适用。

创新基因科技，成就科学梦想