Efficient High Throughput Processing and Sequencing Error Detection Amit Kawalia

189 Pages·2016·22.44 MB·English

Addressing NGS Data Challenges: Efficient High
Throughput Processing and Sequencing Error Detection

Inaugural-Dissertation
zur
Erlangung des Doktorgrades
der Mathematisch-Naturwissenschaftlichen Fakultät
der Universität zu Köln

vorgelegt von
Amit Kawalia
aus Para Bass Suila, Alwar, Rajasthan (India)
Köln, 2016

Berichterstatter: Prof. Dr. Peter Nürnberg
(Gutachter) Prof. Dr. Michael Nothnagel

Prüfungsvorsitzender: Prof. Dr. Hartmut Arndt
Beisitzer: Dr. med. Holger Thiele

Tag der mündlichen Prüfung: 18/01/2016

Abstract
Next generation sequencing (NGS) technologies have facilitated the identification of
disease causing mutations, which has significantly improved patient’s diagnosis and
treatment. Since its emergence, NGS has been used in many applications like genome
sequencing, DNA resequencing, transcriptome sequencing and epigenomics, to unfold
the various layers of genome biology. Because of this broad spectrum of applications
and recent decrement in cost, usage of NGS has become a routine approach to address
many research as well as medical questions. It is producing huge amounts of data, which
necessitate highly efficient and accurate computational analysis as well as data
management.

This thesis addresses some of the challenges of NGS data analysis, mainly for targeted
DNA sequencing data. It describes the various steps required for data analysis including
their significance and potential negative effects on consecutive downstream analysis
and so on the final variant lists. In order to make the analysis more accurate and
efficient, an extensive testing of different bioinformatics tools and algorithms was
preformed and a fully automated data analysis workflow was developed. This workflow
is implemented and optimized on high performance computing (HPC) systems. I describe
different design principles and parallelization strategies that enable proper exploitation
of HPC resources to achieve high throughput of data analysis. Besides correcting for
known sequencing errors by using existing tools, this work is also aimed at the detection
of a new class of systematic sequencing errors called recurrent systematic sequencing
errors. I present an approach for the exploration of this class of errors and describe the
probable causes and patterns behind them. This includes some known and novel
patterns observed during this work. Furthermore, I provide a tool to filter the false
variants due to these errors from any variant list. Overall, the work performed during
this thesis has been already used (and will be used in future as well), to provide accurate
and efficient data analysis, which enables exploration of the genetic background of
various diseases.

Zusammenfassung
Die Next-Generation-Sequencing-(NGS)-Technologien haben die Identifizierung
krankheitsverursachender Mutationen erleichtert, wodurch die Diagnose und
Behandlung von Patienten deutlich verbessert wurde. Seit seiner Einführung wird NGS in
vielen Anwendungsbereichen, wie Genom-Sequenzierung, DNA-Resequenzierung,
Transkriptom-Sequenzierung und Epigenomik, eingesetzt, um die verschiedenen Ebenen
der Biologie des Genoms zu entschlüsseln. Aufgrund dieses breiten
Anwendungsspektrums und der aktuellen Kostensenkung ist die Verwendung von NGS
zu einem Routineverfahren zur Bearbeitung vieler forschungsbezogener und
medizinischer Fragestellungen geworden. Dadurch werden große Datenmengen erzeugt,
die hoch effiziente und exakte computergestützte Analysen sowie ein entsprechendes
Datenmanagement notwendig machen.

Diese Dissertation widmet sich einigen der mit der NGS-Datenanalyse verbundenen
Herausforderungen, vor allem in Bezug auf die gezielte DNA-Sequenzierung
ausgewählter genomischer Bereiche („targeted sequencing“ genannt). Sie beschreibt die
verschiedenen für die Datenanalyse erforderlichen Schritte, ihre Bedeutung und
potentiellen negativen Effekte auf anschließende Folgeanalysen und damit auf die
finalen Variantenlisten. Um die Analyse exakter und effizienter zu machen, wurden
umfassende Tests verschiedener bioinformatischer Tools und Algorithmen durchgeführt
und ein vollautomatischer Analyse-Workflow entwickelt. Dieser Workflow ist auf
Hochleistungsrechensystemen (HPC Systemen) implementiert und für diese optimiert
worden. Ich beschreibe verschiedene Entwurfsprinzipien und Parallelisierungsstrategien,
um eine gute Nutzung der Ressourcen eines HPC-Systems und hohen Durchsatz in der
Datenanalyse zu erreichen. Neben der Korrektur bekannter Sequenzierungsfehler durch
vorhandene Tools, widmet sich diese Arbeit auch der Detektion einer neuen Klasse
systematischer Sequenzierungsfehler, „wiederkehrende systematische Fehler“ genannt.
Ich präsentiere ein neues Verfahren, um diese Fehlerklasse zu untersuchen und
beschreibe die ihr wahrscheinlich zugrundeliegenden Ursachen und Muster. Dabei
beobachtete ich einige bekannte und neue Muster. Weiterhin stelle ich ein Tool zur
Verfügung, um von diesen Fehlern verursachte falsche Varianten aus beliebigen
Variantenlisten zu filtern. Die während dieser Doktorarbeit durchgeführten und hier
präsentierten Arbeiten wurden bereits (und werden weiterhin) verwendet, um exakte
und effiziente Datenanalyse durchzuführen, die die Erforschung des genetischen
Hintergrundes verschiedenster Krankheiten ermöglicht.
Acknowledgement
I am very grateful to my supervisors Peter Nuernberg and Susanne Motameny who have
given me an opportunity to work in the very exciting and challenging field of Next
Generation Sequencing during this thesis. Special thanks to Susanne Motameny for
extensive proofreading, moral support and guidance throughout my thesis. I also want
to thank Holger Thiele who involved me in some other interesting projects and also
supported me during the whole period. I would also like to thank Michael Nothnagel for
his guidance, suggestions and for reviewing this work. Furthermore, I would like to thank
Kamel Jabbari and Wilfried Gunia for their guidance and many fruitful conversations,
both scientific and non-scientific. It has been a great pleasure to work with all of them.
Without their support and guidance throughout my work, this thesis would not have
been accomplished.

I am also thankful to all other colleagues and my friends for their assistance and support.
I am also grateful to my parents and brother who believed in me and supported me
throughout my career. I cannot thank my wife enough who patiently supported and
helped me during my “low days” and tolerated my craziness.