Identification and Masking of Artefactual and Misleading Within-Host Variants in Deep-Sequencing SARS-CoV-2 Data
이 연구는 대규모 SARS-CoV-2 시퀀싱 데이터에서 흔히 발견되는 재발성 인공 변이를 식별하고 마스킹하는 체계적인 프레임워크를 개발하여, 이를 통해 하위 컨센서스 다양성 기반의 추론 정확도를 높이고 전파 병목 현상 등 하위 호스트 변이 분석의 신뢰성을 강화할 수 있음을 보여줍니다.