기술 요약: PanGene-O-Meter

문제 정의

박테리아 게놈 진화는 수평적 유전자 전달(HGT)에 의해 강력하게 구동되며, 이는 기능적 다양성의 주요 축을 구성하는 유전자 함량의 유의미한 존재-부재 변이(presence-absence variation)를 생성한다. 그러나 평균 뉴클레오타이드 동일성(ANI)과 같은 현재의 표준 지표들은 정렬 가능한 DNA 서열에 의존하며, 한쪽 또는 양쪽 게놈에서 결여된 영역을 무시한다. 결과적으로 ANI는 거의 동일한 코어 게놈을 가진 균주들(ANI > 99.5%) 사이에서도 심대한 표현형적 결과를 초래할 수 있는 유전자 함량 차이를 포착하지 못한다. SynTracker(합성성 기반)나 PopPUNK(k-mer 기반)와 같은 다른 방법들이 대안을 제시하기도 하지만, 이들은 상동 영역에 국한되어 있거나 특정 유전자가 분화를 주도하는 것을 식별하는 생물학적 해석력을 결여하고 있다. 따라서 종 내 다양성을 해결하기 위해, 특히 기능 연구를 위한 대표 게놈 선정 및 역학적 감시를 위해 유전자 함량 유사성(GCS)을 직접적으로 정량화하는 프레임워크가 필요하다.

방법론

저자들은 범유전체(pan-genome) 구조와 오솔로지 그룹(orthology group) 관계를 사용하여 박테리아 게놈 간의 GCS를 정량화하는 계산 프레임워크인 PanGene-O-Meter를 소개한다. 워크플로우는 네 가지 주요 단계로 구성된다:

1. 유전자 예측(Gene Prediction): 기존 주석(annotation) 또는 PROKKA를 사용하여 게놈 어셈블리 내의 단백질 코딩 유전자를 식별한다.
2. 오솔로지 할당(Orthology Assignment): 유전자를 오솔로지 그룹(pangenes)에 할당하여 범유전체를 구축한다. 저자들은 높은 정확도의 오솔로지 할당을 위해 PanX를 사용하고, 빠르고 확장 가능한 클러스터링을 위해 DIAMOND-DeepClust를 활용한다.
3. 계통적 패턴 표현(Phyletic Pattern Representation): 각 게놈은 팡진(pangene)의 이진 존재/부재(P/A) 벡터로 표현된다.
4. 유사성 계산(Similarity Calculation):
   • GCSj (Jaccard Similarity): $M_{11} / (M_{01} + M_{10} + M_{11})$로 계산된다. 여기서 $M_{11}$은 공유된 팡진의 수이고, $M_{01}/M_{10}$은 고유한 팡진의 수이다.
   • GCSo (Overlap Coefficient): $M_{11} / \min(M_{01} + M_{11}, M_{10} + M_{11})$로 계산된다. 이 지표는 더 작은 게놈을 기준으로 정규화함으로써 어셈블리 불완전성에 대해 강건하도록 설계되었다.

계산 효율성을 해결하기 위해, 저자들은 DIAMOND-DeepClust(80% 동일성 및 70% 양방향 커버리지 컷오프 사용)가 Pearson 상관 계수(PCC) ≥ 0.92로 PanX 기반 GCSj 값을 재현할 수 있음을 입증하였으며, 이를 통해 실행 시간을 몇 시간에서 몇 분으로 단축하였다.

또한, 저자들은 게놈 디레플리케이션(dereplication)을 위한 탐욕적 점진적 클러스터링 알고리즘인 GeneContRep를 소개한다. 이 알고리즘은 게놈을 길이에 따라 정렬하고, 가장 긴 것을 대표로 선택한 후, 남은 게놈들의 GCS가 사용자 정의 컷오프를 초과하는 경우 반복적으로 클러스터에 할당한다. 이 접근 방식은 전수 쌍 비교의 $O(n^2)$ 복잡도를 피한다.

주요 결과

1. 코어 및 부가 게놈의 디커플링(Decoupling)

네 가지 박테리아 종(Escherichia coli, Pseudomonas aeruginosa, Staphylococcus aureus, Helicobacter pylori)에 대한 분석 결과, 코어 게놈 동일성(ANI)과 유전자 함량 유사성(GCS)은 종종 디커플링되어 있음이 밝혀졌다.

• E. coli, P. aeruginosa, S. aureus에서 GCS의 분산은 ANI > 99.5%인 균주들 사이에서 최대치를 보였으며, 이는 거의 동일한 코어 게놈 내에서도 광범위한 부가 게놈 변이가 존재함을 나타낸다.
• H. pylori는 보다 폐쇄적인(closed) 범유전체 특성에 부합하게 낮은 유전자 함량 분산을 보였다.
• GCS 기반 계통수는 특정 오솔로지 유전자 세트에 기반하여 E. coli ST245를 별개의 하위 그룹으로 분리하는 등, 코어 게놈 계통수가 해결하지 못한 시퀀스 타입(ST) 내의 하위 구조를 명확히 규명하였다.

2. 효율성 및 강건성

• 속도: DIAMOND-DeepClust는 PanX에 비해 실제 실행 시간(wall-clock time)을 130–300배 단축하면서도 유사성 지표에서 높은 상관관계를 유지하였다.
• 어셈블리 품질: 유전자 손실 시뮬레이션 결과, GCSj는 불완전한 어셈블리에 민나감(sensitive)을 보이는 반면, GCSo는 30%의 시뮬레이션된 불완전성에서도 근사 제로(near-zero)의 중앙값 오차를 유지하며 강건함을 보여, 메타게놈 조립 게놈(MAGs)에 적합함을 입증하였다.

3. Klebsiella pneumoniae에서의 임상 검증

본 프레임워크는 실험적으로 확인된 항생제 내성(AMR) 표현형이 일치하는 1,000개의 다제내성 K. pneumoniae (ST258 및 ST307) 게놈을 통해 검증되었다.

• 표현형 해상도: ANI ≥ 99.9%인 게놈 쌍 내에서, GCSj 임계값이 증가함에 따라 AMR 프로파일의 이질성이 유의미하게 감소하였다. GCSj ≥ 98% 임계값에서 ST258의 표현형 불일치 쌍(하나가 내성, 하나가 감수성)의 비율은 45%에서 13%로 떨어졌다.
• 디레플리케이션 우수성: 표준 ANI 기반 디레플리케이션(99.9% 임계값)은 데이터셋을 ST258과 ST307에 대해 각각 17개와 11개의 대표로 줄였으나, 캡슐(KL) 유형, O-로커스(OL) 유형 및 카바페넴 분해 효소 변이의 다양성을 극히 일부만 포착하였다.
• GeneContRep 성능: 95% GCSj 임계값을 사용했을 때, 이 방법은 KL 유형의 100%, OL 유형의 90%를 포착하면서 60–73개의 대표를 선택하였으며, ANI 기반 방법보다 훨씬 높은 비율의 카바페넴 분해 효소 변이(예: blaKPC 및 blaNDM)를 포착하였다.

4. PopPUNK과의 비교

PopPUNK은 뚜렷한 계통 간(between-ST) 차이는 효과적으로 분리하지만, ST 내의 미세한(fine-grained) 다양성을 연속적인 범위로 수렴시켜 버려 AMR 표현형과 관련된 다양성을 해결하는 데 실패한다. 반면, 명시적인 오솔로지 그룹에 의존하는 PanGene-O-Meter는 ST 내의 변이를 성공적으로 구별해 낸다.

의의 및 주장

본 논문은 PanGene-O-Meter가 박테리아의 종 내 다양성을 정량화하기 위한 효율적이고 보완적이며 생물학적으로 해석 가능한 프레임워크라고 주장한다. 주요 의의는 다음과 같다:

• 숨겨된 다양성 규명: ANI 기반 지표가 놓치는 고-ANI 게놈 쌍 내에 숨겨진 기능적 다양성을 포착한다.
• 개선된 대표 선택: GeneContRep 알고리즘은 기존 ANI 임계값 하에서 체계적으로 소실되는 임상적으로 중요한 다양성(예: 내성 결정 인자, 캡슐 유형)을 보존하는 대표 게놈 선택을 가능하게 한다.
• 보완성: 저자들은 PanGene-O-Meter를 광범위한 역학적 계통 할당에 탁면한 PopPUNK과 같은 도구를 대체하는 것이 아니라, 계통 내 미세한 기능적 특성화를 위한 필수적인 다운스트림 도구로 위치시킨다.
• 적용 가능성: 본 프레임워크는 비교 유전체학, 역학적 감시 및 기능 연구를 위한 게놈 선정을 위한 원칙적인 접근 방식으로 제시되며, 주석 방법이 발전함에 따라 진핵생물 게놈으로의 확장 가능성도 열려 있다.

도구는 https://github.com/HaimAshk/PanGene-O-Meter에서 오픈 소스 패키지로 제공된다.