Rosalind: 低メモリフットプリントで動作する決定論的ゲノム解析エンジン

Rosalind は、汎用ハードウェアやエッジデバイス上で動作し、ゲノムアラインメント、ストリーミング型の変異検出（Variant Calling）などを実現する Rust 製の解析エンジンです。$O(\sqrt{t})$ のワーキングメモリを確保しつつ、決定論的な再生機能と拡張性を兼ね備えています。従来の高リソース依存のアプローチとは対照的に、病院のワークステーションやノートパソコンでも安定して動作することを目標としています。

概要と特徴

• 低メモリアライメント:
  • $O(\sqrt{t})$ のワーキングメモリ（全ゲノム解析において約 100MB）で動作します。
  • BWA や GATK などの標準ツールが要求する 50〜100GB 以上の RAM が不要です。
• 決定論性:
  • パーティションや実行順序に依らず、ビット単位で同一の結果を出力します。
  • 中間データを格納せず、再計算によるフルヒストリー同等性を保証します。
• エッジ対応:
  • 8〜16GB のラップトップでも動作し、機密情報（PHI）をオンサイト保持可能です。
• 拡張性:
  • Rust プラグインや Python バインディングを通じてワークフローを構築・カスタマイズできます。

クイックスタート (インストールと実行)

前提条件の確認

• Rust: 1.72+（rustup の推奨）
• Python: 3.9+（PyO3 バインディング用；必要に応じて

  PYO3_PYTHON

  を設定）
• ライブラリ: BAM 出力用には Debian/Ubuntu (

  libbz2-dev

  ,

  liblzma-dev

  ) または macOS (

  brew install bzip2 xz

  ) のヘッダーが必要です。

ビルド手順

コマンドラインインターフェース（CLI）を構築します。

git clone https://github.com/logannye/rosalind.git
cd rosalind
cargo test             # フルスイートを実行
cargo build --release

利用可否の確認:

cargo run --release -- --help

データセットの生成

外部データを探すことなく、デモ用の小型データセットを生成できます。

python scripts/generate_toy_data.py examples/data/illumina_toy
# シェアチェックサム確認
cat examples/data/illumina_toy/SHA256SUMS

実行コマンド例（CLI）

1. リードのアラインメント (SAM 出力)

cargo run --release -- align \
  --reference examples/data/ref.fa \
  --reads examples/data/reads.fastq \
  --format sam \
  --max-mismatches 2 \
  --reference-offset 0 > examples/data/alignments.sam

2. BAM 出力 (座標ソート済み) 下流のツールに推奨される形式です。

--output

cargo run --release -- align \
  --reference examples/data/ref.fa \
  --reads examples/data/reads.fastq \
  --format bam \
  --output examples/data/alignments.bam

3. バリアント探索 (VCF 出力) SAM/BAM アラインメントファイルから変異を検出します。デフォルトは VCF が stdout へ出力されます。

cargo run --release -- variants \
  --reference examples/data/ref.fa \
  --alignments examples/data/alignments.sam \
  --mapq-threshold 10 \
  --region-start 0

# ディスクに書き出す場合
cargo run --release -- variants \
  --reference examples/data/ref.fa \
  --alignments examples/data/alignments.sam \
  --output examples/data/variants.vcf

注意点: Rosalind は $O(\sqrt{t})$ の FM インデックスを用いて最初の FASTA レコードのみをインデックス化します。追加のレコードは処理対象外（マルチコンチグシーケンシングは未対応です）。

Rust API と Python バインディング

Rosalind を他のプログラム内から呼び出すことも可能です。

Rust API での利用

独自パイプラインへの埋め込みやテスト用として利用します。

アラインメント処理:

use rosalind::genomics::{BWTAligner, AlignmentResult};

fn align_reads(reads: &[Vec<u8>], reference: &[u8]) -> anyhow::Result<Vec<AlignmentResult>> {
    let mut aligner = BWTAligner::new(reference)?;
    aligner.align_batch(reads.iter().map(|r| r.as_slice()))
}

バリアント検出: 臨床レポートや QC ダッシュボードに出力可能です。

use rosalind::genomics::{AlignedRead, StreamingVariantCaller};

fn call_variants(reads: Vec<AlignedRead>, reference: &[u8]) -> anyhow::Result<Vec<rosalind::genomics::Variant>> {
    let chrom = std::sync::Arc::from("chr1");
    let reference = std::sync::Arc::from(reference.to_vec().into_boxed_slice());
    let mut caller = StreamingVariantCaller::new(chrom, reference, 0, 1024, 10.0, 1e-6)?;
    caller.call_variants(reads)
}

Python バインディング (PyO3)

maturin を使用して開発します。

pip install maturin
maturin develop --release

スクリプト例:

from rosalind_py import PyGenomicEngine
engine = PyGenomicEngine()
# 発現定量や QC チャートなどのプラグインを実行
depth = engine.run_rna_seq_plugin(
    region_start=100_000,
    region_end=101_000,
    reads=[(100_020, "ACGTACGT"), (100_050, "TTTACGT")],
    block_size=512,
)

技術的保証と原理

$O(\sqrt{t})$ メモリの仕組み

Rosalind は以下の手法により、巨大なデータセットを最小限のメモリで処理します。

• ブロック分解: ワークロードを $\sqrt{t}$ サイズの決定論的なブロックに分割します。全リードキャッシュせず、一度に 1 ブロックのみを保持します。
• 高さ圧縮ツリー: 子サマリーを高さ $O(\log\sqrt{t})$ でマージし、ポインタなし DFS を使用します。
• ローリング境界 (Rolling Boundary): 最新のブロックサマリーのみを更新・保持し、古いサマリーは破棄します。これによりメモリ使用量が定数化されます。
• ワークスペースプーリング: コンポーネント間で単一の割り当てを共有し、メモリの頻繁な確保解放（アロケータチャーン）を防ぎます。

主要な保証事項 (Guarantees)

• 決定論的な再生: パーティションや実行順序に関わらず、同じ入力で同じ結果が得られます。
• パーティション不変性: ブロックサイズの変更でも出力内容は変化しません。
• フルヒストリー同等性: 中間データを格納せず、必要なだけ再計算することで、メモリ削減のみで行われます（情報損失はありません）。
• 拡張性の保証: プラグインやバインディングも、コアエンジンと同じメモリ保証と決定論性を継承します。

検証とテスト戦略

Rosalind は厳密なテストを通過したことを確認する必要があります。

cargo test --test space_bounds

./scripts/run_scale_test.sh

cargo test --test determinism

cargo test --test golden_vcf

スナップショット更新

期待される結果に変更があった場合のみ、ゴールデンテストファイルを更新してください。

ROSALIND_UPDATE_SNAPSHOTS=1 cargo test

ライセンスとサポート

• ライセンス: Apache-2.0 + MIT デュアルライセンス
• バグ報告・機能リクエスト: GitHub Issues をご使用ください。
• コミュニティ: Discord サーバー（近日公開）にてプラグインやデータセットに関する共有が可能です。