- 20 次围观
摘要:Ensembl VEP 是变异后果注释的事实标准,但其 Perl 实现限制了处理吞吐量,而本文所基准测试的开放式重实现仅在规模过小的数据集上进行了验证,无法对其与 VEP 之间的不一致程度设定界限。我们提出了 vep-rs,这是 Ensembl VEP 115.2 版本的 Rust 重实现;我们基于来自六个变异数据集(ClinVar、gnomAD chr21,以及 GRCh37 和 GRCh38 下的 1000 Genomes chr21)的 260,638,766 个 VEP 后果元组进行了审计。每个元组均为一个(位置、等位基因、特征)键,并携带一个序列本体(Sequence Ontology)术语集合。在 SNP 和插入缺失变异上,vep-rs 在全部六个数据集中输出的元组数量均与 VEP 完全一致,且 F1 值达到 [≥] 0.999974;与 VEP 存在差异的元组共 3,169 个,在每个数据集中至多为每 38,000 个元组中的一个。排除两种已记录的 VEP 缺陷类型后,六个数据集上的 F1 值均四舍五入为 1.000000。在各后果类别中,包含至少 1,000 个元组的 30 个序列本体术语中,有 29 个的 F1 值超过 0.99;最低值为 start_retained_variant 的 0.540,且完全源于 VEP 缺陷。在结构变异上,GRCh37 和 GRCh38 中的 F1 值分别为 0.975395 和 0.909998。针对每种引擎和架构,在 20 台相互独立的机器上进行计时,结果显示,在 ARM 架构上,vep-rs 的速度比 VEP 快 101 倍至 284 倍(几何平均值为 176 倍);在 x86 架构上快 78.3 倍至 192 倍(几何平均值为 135 倍)。文中记录了五类差异,其中四类是 VEP 115 版本中的缺陷,而 vep-rs 未予复现:自相矛盾的后果判定;对于位于剪接区域内的变异丢弃剪接区域术语;针对变异并不位于其中的染色体进行注释;以及依赖输入批次组成的输出。因此,以 VEP 后果术语为键的流程可以在具有实测的逐术语界限的前提下采用 vep-rs,消除 VEP 中相互矛盾且依赖批次的判定,并以 VEP 78.3 至 284 倍的吞吐量对群体规模的输入数据进行注释;对于每个文件中的结构变异集合,处理速度则可达到 VEP 的 22.5 至 52.9 倍。可用性与实现:vep-rs、其测试框架、两个比较器以及每台机器上的全部实际用时均已依据 Apache-2.0 许可证发布,网址为 https://github.com/natera-open-source/vep-rs(版本 v0.1.0,存档于 https://doi.org/10.5281/zenodo.22837897)。补充信息:补充数据可在线获取,见 Bioinformatics。
摘要:Ensembl VEP 是变异后果注释的事实标准,但其 Perl 实现限制了处理吞吐量,而本文所评测的开放式重实现仅在规模过小的数据集上进行了验证,因而无法界定其与 VEP 之间分歧的范围。我们提出 vep-rs,这是 Ensembl VEP 115.2 版本的 Rust 重实现,并基于 6 个变异数据集(ClinVar、gnomAD chr21,以及 GRCh37 和 GRCh38 上的 1000 Genomes chr21)对其进行了审查,共涉及 260,638,766 个 VEP 后果元组;每个元组均为一个携带序列本体(Sequence Ontology)术语集合的(位置、等位基因、特征)键。在 SNP 和 indel 上,vep-rs 在全部 6 个数据集中输出的元组数量均与 VEP 完全一致,且 F1 值 [≥] 0.999974;与 VEP 存在差异的元组共 3,169 个,在每个数据集中最多不超过 38,000 个元组中的 1 个。排除两类已记录的 VEP 缺陷后,全部 6 个数据集的 F1 值四舍五入后均为 1.000000。按后果类别统计,在至少包含 1,000 个元组的 30 个序列本体术语中,有 29 个的 F1 值超过 0.99;最低值为 start_retained_variant 的 0.540,且完全源于 VEP 缺陷。在结构变异上,F1 值在 GRCh37 中为 0.975395,在 GRCh38 中为 0.909998。分别在每种引擎和架构上使用 20 台相互独立的机器进行计时,结果显示,在 ARM 架构上,vep-rs 的速度比 VEP 快 101~284 倍(几何平均值为 176 倍);在 x86 架构上快 78.3~192 倍(几何平均值为 135 倍)。文中记录了 5 类分歧,其中 4 类是 VEP 115 版本中的缺陷,而 vep-rs 未予复现:彼此矛盾的后果判定;对于位于剪接区域内的变异遗漏剪接区域术语;针对变异并不所在的染色体进行注释;以及取决于输入批次组成的输出。因此,依赖 VEP 后果术语的流程可以在获得按术语测定的误差界限的前提下采用 vep-rs,避免 VEP 中相互矛盾且依赖批次的判定,并以 VEP 78.3~284 倍的吞吐量对群体规模的输入进行注释;对于单个文件中的结构变异集合,处理速度则可达到 VEP 的 22.5~52.9 倍。可用性与实现:vep-rs、其测试框架、两个比较器以及每台机器的全部实际耗时数据,均以 Apache-2.0 许可证发布于 https://github.com/natera-open-source/vep-rs(版本 v0.1.0,存档地址:https://doi.org/10.5281/zenodo.22837897)。补充信息:补充数据可在 Bioinformatics Online 获取。
📄 原文链接:https://www.biorxiv.org/content/10.64898/2026.09.22.753614v1?rss=1
🏷️ 变异注释 Ensembl VEP Rust重实现 序列本体 高通量计算 群体基因组学