現代の定量生物学において、次世代シーケンシング（HTS: High-Throughput Sequencing）技術の普及は革命的な変化をもたらしました。膨大なゲノムデータの蓄積は、基礎的な生物学研究から個々の患者に最適化した精密医療（パーソナライズド・メディシン）に至るまで、あらゆる分野の基盤となっています。
しかし、こうしたデータのやり取りには、FASTA/FASTQやSAM/BAM/CRAMといった多様なフォーマットが混在しており、効率的な管理が課題となっていました。そこで、データの保存、アクセス、保護における相互運用性を高めるために策定されたのが、国際標準規格であるMPEG-G (ISO/IEC 23092)です。この規格は、ISO/IEC JTC 1/SC 29/WG 9 (MPEG) と ISO TC 276 「バイオテクノロジー」の共同作業によって誕生しました。
Key Facts
- 目的： HTSで生成される膨大なゲノムデータの保存・転送・アクセスを効率化し、異なるシステム間での相互運用性を確保すること。
- アプローチ： デジタルメディア分野で実績のある圧縮・転送技術をゲノムデータに応用。
- 構成： 圧縮、メタデータ、API、リファレンスソフトウェアなど、役割ごとに分かれた複数のパートで構成。
- 実装： 2019年より商用およびオープンソースの実装が開始されており、リファレンス実装として「Genie」が存在する。
MPEG-Gが解決するデータ管理の課題
ゲノムデータは極めて容量が大きく、また機密性の高い個人情報を含むため、単なる保存だけでなく高度な制御が求められます。MPEG-Gは、デジタルメディアのアーキテクチャを応用することで、以下のような複雑な要件を実現しています。
- 効率的な圧縮とストリーミング： データの冗長性を排除し、ネットワーク経由での高速な転送を可能にします。
- 柔軟なデータアクセス： ゲノムの特定範囲に対する高速なクエリ（選択的アクセス）や、データの逐次的な更新に対応しています。
- セキュリティとプライバシー： データやメタデータに対する選択的な暗号化を導入し、厳格なプライバシー保護ルールを適用できます。
- 高度な紐付け： ゲノムセグメントへのアノテーション（注釈）付与や、外部データとの連携をサポートします。
規格の構造と各パートの詳細
ISO/IEC 23092規格は、実装を容易にするために機能別に複数のドキュメントに分割されています。それぞれのパートが相互に連携し、ゲノムデータのライフサイクル全体をカバーしています。
| パート | 規格番号 | 主な役割 | 詳細内容 |
|---|---|---|---|
| Part 1 | ISO/IEC 23092-1 | 転送と保存 | ファイルフォーマット、ストリーミング、インデックスの仕様定義。 |
| Part 2 | ISO/IEC 23092-2 | コーディング（圧縮） | 未マッピングデータおよびアライメント済みデータの可逆圧縮と、クオリティスコアの非可逆圧縮。 |
| Part 3 | ISO/IEC 23092-3 | メタデータとAPI | 標準インターフェース、メタデータ構文、アクセス制御および認証メカニズム。 |
| Part 4 | ISO/IEC 23092-4 | リファレンスソフトウェア | 標準準拠を確認するためのデコーダおよび実装ガイドとなるエンコーダの仕様。 |
| Part 5 | ISO/IEC 23092-5 | 適合性テスト | 実装されたデコーダが規格に準拠しているかを検証する手順とテストデータ。 |
| Part 6 | ISO/IEC 23092-6 | アノテーションのコーディング | リファレンスゲノムの区間に紐付く多様な注釈データの圧縮表現。 |
データの圧縮と復元 (Part 2)
MPEG-Gの大きな特徴は、デコード（復元）プロセスのみを厳格に規定し、エンコード（圧縮）手法については実装側の自由度を残している点です。これにより、アルゴリズムの革新を取り入れつつ、どの準拠デコーダを使用しても同一の出力が得られる整合性を保証しています。
相互運用性を支えるAPIとメタデータ (Part 3)
既存のツールやシステムとの連携をスムーズにするため、専用のAPIが定義されています。これには、ゲノム情報の取得だけでなく、メタデータの照会、保護情報の管理、リファレンスデータの取得、統計情報の抽出といった機能群が含まれます。また、広く普及しているSAMフォーマットとのマッピングも定義されており、後方互換性が考慮されています。
リファレンス実装「Genie」 (Part 4)
規格の具体化を支援するため、オープンソースのソフトウェア「Genie」が開発されました。Genieは、カプセル化やインデックス作成（Part 1）、エントロピー符号化や量子化（Part 2）などの機能を備えており、開発者が規格に準拠した実装を行うための指針となっています。
Frequently Asked Questions
MPEG-Gを導入する最大のメリットは何ですか？
最大のアドバンテージは、バラバラだったゲノムデータのフォーマットを統一し、効率的な圧縮と高速なアクセスを両立できる点です。特に、大規模なデータをストリーミング形式で扱えるため、ストレージコストの削減とデータ転送の高速化が期待できます。
既存のSAMやBAMフォーマットとはどのような関係にありますか？
MPEG-Gはこれらを置き換えるだけでなく、統合的な表現を目指しています。Part 3においてSAMデータ構造とのマッピングが定義されており、既存のSAMコンテンツとの互換性を維持しながら、より効率的な保存や転送を行うことが可能です。
データのプライバシー保護はどのように行われますか？
MPEG-Gでは、データ全体ではなく、特定のデータやメタデータのみを選択的に暗号化できる仕組みを備えています。これにより、研究に必要な情報は公開しつつ、機密性の高い個人識別情報は保護するといった柔軟なアクセス制御が可能です。
MPEG-G専用のファイル拡張子やMIMEタイプはありますか？
現時点では、MPEG-Gファイル専用の慣習的なファイル拡張子およびIANAベースのMIMEタイプは定義されていません。
References
- Alberti, Claudio; Paridaens, Tom; Voges, Jan; Naro, Daniel; Ahmad, Junaid; Ravasi, Massimo; Renzi, Daniele; Zoia, Giorgio; Ribeca, Paolo; Ochoa, Idoia; Mattavelli, Marco; Delgado, Jaime; Hernaez, Mikel (October 2018). "An introduction to MPEG-G, the new ISO standard for genomic information representation". 10.1101/426353.
- Hernaez, Mikel; Pavlichin, Dmitri; Weissman, Tsachy; Ochoa, Idoia (2019-07-20). "Genomic Data Compression". Annual Review of Biomedical Data Science. 2 (1): 19–37. :10.1146/annurev-biodatasci-072018-021229. 2574-3414. 88495878.
- "Genie, Open Source MPEG-G Codec". . 22 June 2021.
- "ISO/IEC 23092-1 Transport and Storage of Genomic Information".
- "ISO/IEC 23092-2 Coding of Genomic Information".
- "ISO/IEC 23092-3 Metadata and APIs".
- "ISO/IEC 23092-6 Coding of Genomic Annotations".
- Bliss, Brian; Allen, Joshua; Baheti, Saurabh; Bockol, Matthew; Delgado, Jaime; Fostier, Jan; Gelpi, Josep; Hart, Steven; Hernaez, Mikel; Hudson, Matthew; Kalmbach, Michael; Klee, Eric; Mainzer, Liudmila; Müntefering, Fabian; Naro, Daniel; Ochoa, Idoia; Ostermann, Joern; Paridaens, Tom; Ross, Christian; Voges, Jan; Wieben, Eric; Yang, Mingyu; Weissman, Tsachy; Wiepert, Mathieu (November 2019). "Genie: an MPEG-G conformant software to compress genomic data" (PDF).
- "ISO/IEC 23092-4 Reference Software".
- "ISO/IEC 23092-5 Conformance".