Facilitating genome annotation using ANNEXA and long-read RNA sequencing

이 논문은 긴 읽기 RNA 시퀀싱 데이터를 활용하여 전사체 재구성과 품질 관리를 강화하고, 딥러닝 및 FEELnc 도구를 통합해 새로운 유전자와 lncRNA 를 식별할 수 있도록 개선된 ANNEXA 파이프라인을 제안하고 인간 및 개 암세포주 데이터로 그 유효성을 입증했습니다.

핵심

이 논문은 ANNEXA라는 새로운 도구를 소개합니다. 이 도구를 쉽게 설명하기 위해 **'거대한 도서관의 책 정리 프로젝트'**에 비유해 보겠습니다.

1. 배경: 왜 이 작업이 필요한가요?

우리의 몸은 거대한 **'유전체 (Genome)'**라는 도서관으로 비유할 수 있습니다. 이 도서관에는 우리 몸을 어떻게 만들고 작동시킬지 적힌 **'책 (유전자)'**들이 수만 권 꽂혀 있습니다.

하지만 최근까지 이 도서관의 책 목록 (주석/Annotation) 이 완벽하지 않았습니다.

• 짧은 읽기 (Short-read): 예전에는 책의 한 페이지씩만 잘라서 읽었기 때문에, 책의 전체 내용을 알기 어려웠습니다.
• 긴 읽기 (Long-read): 최근에는 '긴 읽기 RNA 시퀀싱'이라는 기술이 등장해, 책의 처음부터 끝까지 한 번에 읽을 수 있게 되었습니다. 덕분에 책의 전체 줄거리 (전체 전사체) 를 파악하기 훨씬 쉬워졌습니다.

하지만 문제점이 생겼습니다.
긴 읽기 기술이 아주 훌륭하지만, 가끔 책의 앞부분이 잘려 있거나 (절단된 전사체), 아예 존재하지 않는 책 (오류) 을 만들어내기도 합니다. 그래서 도서관 사서 (연구자) 들은 "이 책이 진짜인가, 가짜인가?"를 구별하는 **엄격한 검사 (Quality Control)**가 필요했습니다.

2. 해결책: ANNEXA (안넥사) 란 무엇인가?

ANNEXA는 바로 이 '도서관 정리 및 검사 전문가' 역할을 하는 자동화 프로그램입니다.

• 두 명의 전문 사서 (Bambu 와 StringTie2): ANNEXA 는 두 명의 다른 전문가 (Bambu 와 StringTie2) 를 고용합니다.

  • 한 명은 정확성을 중시하여, 기존 목록과 비슷하지 않으면 과감히 제외합니다.
  • 다른 한 명은 새로운 발견을 중시하여, 기존 목록에 없는 새로운 책도 많이 찾아냅니다.
  • ANNEXA 는 이 두 사람의 작업을 합쳐서, 가장 신뢰할 수 있는 목록을 만듭니다.

• AI 감식관 (딥러닝): ANNEXA 는 인공지능 (딥러닝) 을 이용해 책의 **첫 페이지 (전사 시작 부위, TSS)**를 검사합니다. "이 책의 첫 페이지가 자연스러운가, 아니면 잘려서 붙인 가짜인가?"를 AI 가 판단하여 결함이 있는 책을 걸러냅니다.

• 책의 종류 분류 (FEELnc): 도서관에는 '실용서 (단백질을 만드는 mRNA)'와 '독서 감상문 (기능이 아직 명확하지 않은 lncRNA)'이 섞여 있습니다. ANNEXA 는 이 두 가지를 정확히 분류하여 어떤 책이 어떤 역할을 하는지 알려줍니다.

3. 실제 적용: 개와 인간의 암 연구

이 도구의 능력을 증명하기 위해 연구팀은 사람과 개의 암 세포를 분석했습니다.

• 상황: 사람과 개는 암의 종류가 비슷해서 서로 비교 연구 (비교 종양학) 를 하기 좋습니다. 하지만 개의 유전자 도서관 목록은 사람의 목록보다 훨씬 불완전했습니다.
• 결과: ANNEXA 를 통해 기존에 몰랐던 **새로운 유전자 (책)**와 **새로운 변이 (개정판)**를 찾아냈습니다.
• 교차 검증: 특히, 사람과 개 양쪽에서 동일한 새로운 유전자가 발견되기도 했습니다. 이는 그 유전자가 진화적으로 중요할 가능성이 높다는 강력한 증거가 됩니다. 마치 사람과 개의 도서관에서 똑같은 '비밀의 책'이 새로 발견된 것과 같습니다.

4. 결론: 왜 이 도구가 중요한가요?

ANNEXA 는 단순히 새로운 유전자를 찾는 것을 넘어, 찾아낸 것이 진짜인지 검증하는 과정까지 자동화했습니다.

• 유연성: 연구자가 "더 많은 것을 찾고 싶다 (민감도)"라고 하면 검사를 조금 느슨하게, "정확한 것만 원한다 (정밀도)"라고 하면 검사를 빡빡하게 설정할 수 있습니다.
• 공유: 이 도구는 누구나 무료로 사용할 수 있으며, 사람뿐만 아니라 개, 그리고 다른 동물들의 유전체 도서관을 정리하는 데에도 쓰일 수 있습니다.

한 줄 요약:
ANNEXA 는 긴 읽기 기술을 통해 발견된 방대한 유전자 정보 속에서 '진짜 책'과 '가짜 책'을 구별하고, 새로운 책을 찾아내어 도서관 목록을 완벽하게 정리해주는 똑똑한 자동화 사서입니다.

기술 요약

논문 요약: ANNEXA를 활용한 롱리드 RNA 시퀀싱 기반 게놈 주석 개선

1. 연구 배경 및 문제 제기 (Problem)

• 게놈 주석의 중요성: 텔로미어에서 텔로미어까지 (T2T) 이어지는 완전한 게놈 조립체의 등장으로, 이제 게놈 연구의 핵심 과제는 게놈의 완성도를 높이는 것을 넘어 정교한 게놈 주석 (Genome Annotation) 으로 이동했습니다.
• 롱리드 RNA 시퀀싱 (LR-RNAseq) 의 한계: PacBio 및 Oxford Nanopore (ONT) 와 같은 LR-RNAseq 기술은 전장 (Full-length) 트랜스크립트 재구성을 가능하게 하여 스플라이싱 변이 및 비코딩 RNA 분석을 혁신적으로 개선했습니다. 그러나 여전히 트랜스크립트 단편화 (Fragmentation), 불완전한 아이소폼 표현, 그리고 잘못된 전사 시작 부위 (TSS) 예측과 같은 아티팩트가 존재합니다.
• 기존 도구의 부족: 기존 LR-RNAseq 분석 파이프라인 (예: nf-core/nanoseq, TAGADA 등) 은 특정 기술에 국한되거나, 단백질 코딩 유전자와 긴 비코딩 RNA (lncRNA) 를 체계적으로 구분하고 품질 관리 (QC) 를 수행하는 데 한계가 있었습니다. 특히 LRGASP 벤치마크 연구에서도 RNA 바이오타입 (mRNA vs lncRNA) 별 성능 차이는 명확히 평가되지 않았습니다.

2. 방법론 (Methodology)

이 연구는 ANNEXA라는 새로운 Nextflow 기반 파이프라인을 개발하여 LR-RNAseq 데이터를 활용한 게놈 주석 확장 및 품질 관리를 통합했습니다.

• 핵심 모듈 구성:

  1. 트랜스크립토믹 재구성 및 정량화: 두 가지 주요 도구인 Bambu와 StringTie2를 통합하여 사용합니다.
     • Bambu: 머신러닝 기반의 TPS (Transcript Probability Score) 를 활용하여 신뢰도 높은 트랜스크립트를 선별합니다.
     • StringTie2: 스플라이스 그래프 기반 어셈블리를 수행합니다.
     • 사용자는 샘플을 병합하거나 개별 처리할 수 있으며, Novel Discovery Rate (NDR) 임계값을 조절하여 민감도와 정밀도를 조절할 수 있습니다.
  2. 코딩 능력 평가 및 분류:
     • FEELnc를 통합하여 새로 발견된 트랜스크립트의 코딩 능력을 예측하고 mRNA 와 lncRNA 를 체계적으로 분류합니다.
     • TransDecoder를 사용하여 단백질 코딩 영역 (ORF) 을 예측하고 CDS 정보를 GTF 파일에 포함합니다.
     • GffCompare를 사용하여 참조 주석과의 비교를 통해 트랜스크립트 클래스 (예: 새로운 아이소폼, 반대편 유전자 등) 를 할당합니다.
  3. 트랜스크립트 필터링 및 완전성 평가:
     • NDR 임계값: Bambu 의 신뢰도 점수를 기반으로 필터링합니다.
     • TransforKmer (심층 학습 모델): DNABERT 기반의 사전 학습된 모델을 사용하여 전사 시작 부위 (TSS) 의 생물학적 타당성을 평가합니다. 이는 5' 말단 단편화 아티팩트를 제거하는 데 핵심적입니다.
     • 사용자는 필터링 전략을 'Union(적어도 하나 통과)' 또는 'Intersection(두 가지 모두 통과)' 모드로 선택하여 분석의 엄격함을 조절할 수 있습니다.
  4. 품질 관리 (QC):
     • SQANTI 에서 영감을 받아 구조적 지표 (유전자/트랜스크립트 수, 길이 분포, 엑손 수 등) 와 정량화 지표 (리드 카운트 분포, 발현 폭) 를 계산합니다.
     • RSeQC 를 통해 유전자 전체에 걸친 리드 커버리지 편향을 분석합니다.
     • 모든 결과는 시각화된 종합 QC 리포트 (CSV 및 PDF) 로 생성됩니다.

• 실험 설계:

  • 데이터: 2 개의 인간 및 8 개의 개 (Canine) 암 세포주 (점막 흑색종, 조직구 육종, 골육종) 에서 ONT 직접 cDNA 시퀀싱 데이터를 생성했습니다.
  • 벤치마크: 인간 (GRCh38, Gencode/CHESS) 과 개 (canFam4, Ensembl/RefSeq/UU) 의 다양한 참조 주석을 사용하여 ANNEXA 의 성능을 평가했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

• Bambu vs StringTie 성능 비교:

  • 참조 유전자 재구성: Bambu가 모든 종과 참조 주석에서 알려진 유전자와 트랜스크립트를 더 많이 재구성했습니다 (정밀도 우세).
  • 새로운 유전자 발견: StringTie는 알려진 주석에서 벗어난 새로운 유전자를 더 많이 발견했으나, 이는 아티팩트 포함 가능성이 높았습니다.
  • 필터링 효과: ANNEXA 의 TSS 유효성 필터링을 적용 후, StringTie 가 발견한 새로운 유전자의 약 50% 이상이 제거된 반면, Bambu 는 상대적으로 높은 비율 (개 기준 50%, 인간 기준 65%) 을 유지하여 Bambu 가 필터링 후 더 높은 정밀도와 재현율을 보임을 확인했습니다.

• lncRNA 및 mRNA 분류 특성:

  • Bambu: 새로운 lncRNA 를 주로 간극 (intergenic, lincRNA) 또는 반대편 (antisense) 으로 분류했습니다. 특히 참조 주석이 불완전한 개 모델에서 반대편 트랜스크립트 (antisense) 를 잘 탐지했습니다.
  • StringTie: 새로운 lncRNA 를 주로 알려진 유전자의 확장 (extension) 또는 간극으로 분류했으며, 반대편 트랜스크립트 탐지 능력은 상대적으로 낮았습니다.

• 비교 종양학 적용 (Human vs Canine):

  • ANNEXA 를 적용하여 인간과 개 사이에서 보존된 새로운 유전자/트랜스크립트를 발견했습니다.
  • 필터링 전 9,612 개의 새로운 개 유전자가 발견되었으나, TSS 필터링 후 749 개로 줄어든 후, 이 중 3,709 개가 인간 게놈에 매핑되었고, 그중 3,263 개는 기존 인간 유전자와 상동 관계를 가졌습니다.
  • 특히 5 개의 새로운 lncRNA 유전자가 인간과 개 모두에서 발현되며 보존됨을 확인하여, 기능적 검증이 필요한 새로운 후보군을 제시했습니다.

• 품질 관리의 중요성:

  • 필터링되지 않은 새로운 트랜스크립트 중 CAGE 데이터로 검증된 비율은 10% 미만이었으나, ANNEXA 의 TSS 필터링을 적용한 후에는 50% 이상으로 크게 향상되었습니다. 이는 계산적 필터링이 실험적 검증의 신뢰도를 높이는 데 필수적임을 보여줍니다.

4. 의의 및 결론 (Significance)

• 통합적 프레임워크 제공: ANNEXA 는 트랜스크립토믹 재구성, 코딩 능력 평가, 심층 학습 기반 TSS 필터링, 그리고 체계적인 QC 를 하나의 파이프라인으로 통합하여, LR-RNAseq 데이터의 신뢰성을 극대화합니다.
• 비모델 생물 및 비교 유전체학 지원: 참조 주석이 불완전한 개 (Canine) 와 같은 비모델 생물에서도 고품질의 주석을 확장할 수 있음을 입증했습니다. 특히 인간과 개의 비교 분석을 통해 진화적으로 보존된 새로운 기능적 요소를 발견하는 데 기여합니다.
• 유연성과 재현성: Nextflow 기반이며 Docker/Singularity 를 지원하여 다양한 환경에서 재현 가능한 분석을 가능하게 하며, 사용자는 연구 목적에 따라 민감도 (새로운 유전자 발견) 또는 정밀도 (신뢰도 높은 주석) 를 조절할 수 있습니다.
• 오픈 소스 공개: ANNEXA 는 GitHub 에서 오픈 소스로 제공되며, 인간 및 개에 대한 확장된 주석 데이터는 Zenodo 를 통해 공개되어 향후 기능 연구의 기초 자료로 활용될 수 있습니다.

이 연구는 롱리드 시퀀싱 기술의 잠재력을 최대한 끌어내기 위해, 아티팩트를 제거하고 생물학적 타당성을 검증하는 강력한 도구인 ANNEXA 를 제시함으로써 게놈 주석의 정확성과 포괄성을 크게 향상시켰습니다.