Structural Variations 02-715 Advanced Topics in Computa8onal - PowerPoint PPT Presentation

Structural Variations 02-­‑715 ¡Advanced ¡Topics ¡in ¡Computa8onal ¡ Genomics ¡

Challenges • Insert ¡sizes ¡of ¡each ¡ mate-­‑pair ¡are ¡ unknown ¡and ¡can ¡ vary ¡ • Only ¡the ¡approximate ¡ distribu8on ¡of ¡insert ¡ sizes ¡is ¡available ¡

Indels (Insertions/Deletions) • Small-­‑size ¡indels ¡with ¡size<10bp: ¡readily ¡iden8fiable ¡with ¡ Smith-­‑Waterman ¡algorithm ¡ • Large-­‑size ¡indels ¡with ¡size>50bp: ¡rela8vely ¡easy ¡to ¡iden8fy ¡ • Medium-­‑size ¡indels? ¡ – Difficult ¡to ¡dis8nguish ¡between ¡true ¡indels ¡and ¡ ¡insert-­‑size ¡varia8ons ¡ – Needs ¡methods ¡for ¡beSer ¡resolu8on ¡

Paired-End Smith-Waterman Alignment Algorithm • Detects ¡short ¡indels ¡ – First, ¡align ¡the ¡reads ¡without ¡gaps ¡ – For ¡those ¡read ¡pairs, ¡where ¡only ¡one ¡read ¡is ¡aligned ¡and ¡the ¡other ¡is ¡ not, ¡apply ¡gapped ¡alignment ¡for ¡the ¡unaligned ¡read ¡

Indels Detected by Paired-End Smith- Waterman Alignment Algorithm

Other Factors • Accuracies ¡can ¡depend ¡on ¡ – Coverage ¡ – Insert ¡sizes ¡ – Read ¡length ¡ – Read ¡alignment ¡accuracy ¡

Depth of Coverage and Physical Coverage • Single-­‑end ¡sequencing ¡ • Paired-­‑end ¡sequencing ¡ • Paired-­‑end ¡sequencing ¡

Statistical Methods for Detecting Structural Variants • MODIL: ¡small ¡indels ¡ • MOGUL: ¡small ¡indels, ¡low ¡coverage, ¡many ¡individuals ¡ • BreakDancer ¡ – BreakDancerMax: ¡detects ¡different ¡types ¡of ¡structural ¡varia8ons ¡ – BreakDancerMini: ¡small ¡indels ¡ • All ¡methods ¡are ¡based ¡on ¡mixture ¡modeling ¡

Mate-pair Clusters • Many ¡methods ¡are ¡applied ¡to ¡mate-­‑pair ¡clusters ¡a\er ¡ mapping ¡the ¡mate-­‑pairs ¡to ¡reference ¡genome ¡ • Clustering ¡of ¡mate ¡pairs ¡

MODIL • Mixture ¡of ¡distribu8ons ¡indel ¡locators ¡ • Model ¡insert-­‑size ¡distribu8ons ¡at ¡each ¡locus ¡ i ¡ – Mixture ¡component ¡1 ¡ P ( Y ): ¡mapped ¡distances ¡for ¡no ¡indels ¡ – Mixture ¡component ¡2 ¡ P ( C i ): ¡mapped ¡distances ¡for ¡indels ¡

MODIL • ¡Blue: ¡insert-­‑size ¡distribu8on ¡with ¡no ¡dele8ons ¡ ¡Red: ¡insert-­‑size ¡distribu8on ¡with ¡dele8ons ¡ • Homozygous ¡dele8ons ¡ Heterozygous ¡dele8ons ¡

MODIL Algorithm • Map ¡the ¡mate-­‑pairs ¡to ¡reference ¡genome ¡ • Es8mate ¡ P ( Y ) ¡from ¡mapped ¡distances ¡across ¡the ¡whole ¡genome ¡ • For ¡each ¡locus ¡ i , ¡es8mate ¡ P ( C i ) ¡from ¡the ¡mate-­‑pairs ¡that ¡span ¡the ¡ locus ¡ – Loca8on-­‑shi\ed ¡distribu8on ¡of ¡ P ( Y ) ¡ – Expected ¡size ¡of ¡indels ¡ D 1 ,D 2 ¡ for ¡each ¡of ¡two ¡haplotypes ¡ ¡ – EM ¡algorithm ¡ • Expected ¡indel ¡size: ¡

Applying MODIL to Illumina Dataset • 40-­‑fold ¡read ¡coverage ¡ • Observed ¡insert ¡size: ¡mean ¡208, ¡standard ¡devia8on ¡13 ¡ • To ¡determine ¡whether ¡there ¡is ¡an ¡inser8on/dele8on ¡at ¡each ¡ locus, ¡find ¡a ¡cluster ¡of ¡mate ¡pairs ¡spanning ¡that ¡locus. ¡Each ¡ cluster ¡is ¡required ¡to ¡have ¡20 ¡mate ¡pairs ¡

MODIL: Performance Number ¡of ¡inser8ons/dele8ons ¡ discovered ¡by ¡MODIL ¡

Mixture of Genotypes Variant Locator (MOGUL): Motivation • Higher ¡coverage ¡leads ¡to ¡more ¡accurate ¡results ¡ – MODiL ¡works ¡for ¡more ¡than ¡20 ¡mate-­‑pairs ¡covering ¡each ¡locus ¡ – 1000 ¡genome ¡project: ¡less ¡than ¡4 ¡mate-­‑pairs ¡covering ¡each ¡locus ¡for ¡ each ¡individual ¡ ¡ • What ¡if ¡we ¡have ¡many ¡individuals ¡with ¡each ¡having ¡lower ¡ coverage ¡ – How ¡can ¡we ¡combine ¡the ¡sta8s8cal ¡strength ¡across ¡mul8ple ¡ individuals? ¡ – Can ¡we ¡es8mate ¡variant ¡loca8ons/sizes ¡and ¡allele ¡frequencies? ¡ – MOGUL ¡(Mixture ¡of ¡Genotypes ¡Variant ¡Locator) ¡(Lee ¡et ¡al., ¡2010) ¡ – Allele ¡frequency/coverage/number ¡of ¡individuals ¡can ¡influence ¡the ¡ performance ¡

1000 Genome Project (The 1000 Genome Project Consortium, Nature 2010) ¡ ¡ The ¡ goal ¡is ¡to ¡characterize ¡over ¡ 95% ¡of ¡variants ¡ that ¡are ¡in ¡genomic ¡regions ¡accessible ¡to ¡ current ¡high-­‑throughput ¡sequencing ¡technologies ¡and ¡that ¡have ¡ allele ¡frequency ¡of ¡1% ¡ or ¡higher ¡ (the ¡classical ¡defini8on ¡of ¡polymorphism) ¡in ¡each ¡of ¡ five ¡major ¡popula;on ¡ groups ¡ (popula8ons ¡in ¡or ¡with ¡ancestry ¡from ¡Europe, ¡East ¡Asia, ¡South ¡Asia, ¡West ¡Africa ¡ and ¡the ¡Americas) ¡ ¡ Pilot ¡project: ¡ ¡ ¡ ¡ -­‑ ¡ ¡179 ¡individuals ¡from ¡four ¡popula8ons ¡ ¡ ¡ ¡ ¡ (low ¡coverage: ¡2-­‑6x) ¡ ¡ ¡ ¡ -­‑ ¡ ¡6 ¡individuals ¡in ¡two ¡trios ¡ ¡ ¡ ¡ ¡ ¡ (deep ¡sequencing: ¡average ¡42x) ¡ ¡ ¡ ¡ -­‑ ¡ ¡697 ¡individuals ¡from ¡seven ¡popula8ons ¡ ¡ ¡ ¡ ¡ (exon ¡sequencing ¡of ¡8,140 ¡exons: ¡average ¡50x) ¡ ¡ Main ¡project: ¡sequence ¡2500 ¡genomes ¡at ¡4x ¡coverage ¡ ¡

MoGUL • A ¡Bayesian ¡approach ¡for ¡discovering ¡indels ¡from ¡a ¡large ¡ number ¡of ¡individuals ¡sequenced ¡at ¡a ¡low ¡coverage ¡ – Explicitly ¡models ¡each ¡individual ¡as ¡homozygous ¡or ¡heterozygous ¡at ¡ each ¡locus ¡ – Computes ¡expected ¡minor ¡allele ¡frequency ¡(MAF) ¡at ¡each ¡locus ¡ – Allows ¡iden8fica8on ¡of ¡indels ¡> ¡30 ¡bases ¡for ¡MAF ¡> ¡0.04 ¡

Mate-pair Clusters • Clustering ¡of ¡mate ¡pairs ¡ • Blue/red ¡for ¡each ¡of ¡two ¡individuals ¡

Insert-size Distributions • The ¡insert ¡size ¡distribu8on ¡varies ¡across ¡libraries ¡and ¡ individuals ¡ • Insert ¡sizes ¡for ¡each ¡individual ¡need ¡to ¡be ¡modeled ¡as ¡ separate ¡random ¡variables ¡

MOGUL • For ¡a ¡given ¡locus ¡ – X lm : ¡insert ¡size ¡for ¡ individual ¡ l , ¡mate ¡pair ¡ m • D lm : mapped ¡distance ¡for ¡ l-­‑th ¡individual, ¡m-­‑th ¡mate ¡ pair • μ Yi : ¡ mean ¡of ¡the ¡insert ¡ size ¡in ¡the ¡case ¡of ¡no ¡ indels ¡ ¡

MOGUL • For ¡a ¡given ¡locus ¡ – L : ¡Number ¡of ¡individuals ¡ – M l : ¡Number ¡of ¡mate-­‑pairs ¡ for ¡individual ¡ l ¡ – Z l : ¡0/1 ¡for ¡no ¡indels/indels ¡ – X lm : ¡insert ¡size ¡for ¡ individual ¡ l , ¡mate ¡pair ¡ m – Q lm : Two ¡copies ¡of ¡ chromosomes

MoGUL • Prior ¡distribu8ons ¡ • Find ¡a ¡MAP ¡(maximum ¡ a ¡posteriori) ¡es8mate ¡of ¡ the ¡unknown ¡ parameters ¡

MOGUL: Simulation Study • Heatmap ¡for ¡average ¡error ¡rates ¡of ¡20 ¡MOGUL ¡simula8ons ¡ ¡

BreakDancer • BreakDancerMax ¡ – Detects ¡dele8ons, ¡inser8ons, ¡inversions, ¡intrachromosomal ¡and ¡ interchromosomal ¡transloca8ons ¡ • BreakDancerMini ¡ – Focuses ¡on ¡small ¡indels ¡(10-­‑100bp) ¡that ¡are ¡o\en ¡missed ¡by ¡ BreakDancerMax ¡

BreakDancer

BreakDancerMax • Detects ¡normal, ¡dele8on, ¡inser8on, ¡inversion, ¡ intrachromosomal ¡transloca8on ¡and ¡interchromosomal ¡ transloca8on ¡ • Focuses ¡on ¡rela8vely ¡large ¡inser8ons/dele8ons ¡ • Poisson ¡mixture ¡model ¡with ¡a ¡mixture ¡component ¡for ¡each ¡ type ¡of ¡structural ¡variant ¡

BreakDancerMax Algorithm • Align ¡mate-­‑pairs ¡to ¡reference ¡genome ¡ • Assign ¡each ¡mate-­‑pair ¡to ¡categories ¡of ¡normal/dele8on/ inser8on/inversion/transloca8on ¡ • Select ¡those ¡regions ¡spanned ¡by ¡two ¡or ¡more ¡anomalous ¡read ¡ pairs ¡as ¡candidate ¡structural ¡variants ¡ • Confidence ¡score ¡based ¡on ¡Poisson ¡mixture ¡model ¡is ¡assigned ¡ to ¡each ¡candidate ¡structural ¡variant ¡