NOHIC: A PIPELINE FOR PLANT CONTIG SCAFFOLDING USING PERSONALIZED REFERENCES FROM PANGENOME GRAPHS

본 논문은 파노믹 그래프에서 표적 게놈에 최적화된 합성 참조 서열을 생성하여 Hi-C 데이터 없이도 식물 컨티그 스캐폴딩의 정확성과 연속성을 향상시키는 새로운 파이프라인인 noHiC 를 제안합니다.

핵심

🌱 핵심 비유: "낯선 도시의 지도를 그리는 일"

상상해 보세요. 여러분이 **완전히 새로운 도시 (식물의 유전체)**를 방문해서 그 지도를 그려야 한다고 칩시다. 하지만 여러분에게는 그 도시의 완전한 지도가 없습니다. 대신, 그 도시의 작은 조각들 (DNA 조각들) 만 무작위로 흩어져 있습니다.

이때 보통의 방법과 이 논문이 제안하는 noHiC의 방법은 다음과 같이 다릅니다.

1. 기존 방법의 문제점: "오래된 지도 하나만 믿기"

• 상황: 여러분은 그 도시와 아주 비슷하지만, 완전히 같지는 않은 이웃 나라의 오래된 지도 (기존 참조 유전체) 하나만 가지고 있습니다.
• 문제: 이 오래된 지도를 기준으로 흩어진 조각들을 맞춰보려다 보면, 오래된 지도에 없는 새로운 길이나 건물이 있는 곳에서는 조각들이 잘려나가거나 엉뚱한 곳에 붙게 됩니다. 이를 '참조 편향 (Reference Bias)'이라고 합니다. 마치 옛날 지도를 보고 최신 지하철 노선을 그리려다 길을 잃는 것과 같습니다.
• 비용: 정확한 지도를 그리기 위해 고가의 장비 (Hi-C 시퀀싱) 를 써야 하는데, 이는 시간과 돈이 많이 듭니다.

2. noHiC 의 혁신: "가상의 맞춤형 지도 (Synref) 만들기"

이 논문은 **"우리가 가진 수많은 이웃 나라 지도들 (팬지놈 그래프) 을 섞어서, 지금 우리가 그리는 도시와 가장 똑같은 가상의 지도를 만들어보자!"**라고 제안합니다.

• 팬지놈 그래프 (Pangenome Graph): 이 도시를 포함한 여러 도시들의 지도를 모두 모아놓은 거대한 '지도 도서관'입니다. 여기에는 도시 A, B, C 의 모든 길과 건물이 담겨 있습니다.
• nohic-refpick (가상의 맞춤형 지도 제작자): 이 프로그램은 흩어진 DNA 조각들을 분석해서, "우리 도시의 조각들과 가장 잘 맞는 길들을 도서관에서 찾아내서" 하나의 **새로운 지도 (Synref)**를 뚝딱 만들어냅니다.
  • 마치 여러 사람의 옷장 (다양한 유전체) 에서 내 체형에 딱 맞는 옷 조각들을 골라내어, 나만의 완벽한 맞춤 정장을 만드는 것과 같습니다.
• 효과: 이렇게 만든 '맞춤형 지도'를 기준으로 조각들을 맞추면, 기존 낡은 지도를 쓸 때보다 조각이 잘리지 않고 훨씬 더 길고 정확한 지도를 완성할 수 있습니다.

---

🛠️ noHiC 프로그램이 하는 4 가지 주요 작업

이 프로그램은 네 가지 단계로 이루어져 있는데, 마치 집을 짓는 과정과 같습니다.

1. nohic-clean (청소 및 쓰레기 치우기):

   • 유전체 조각을 만들 때 섞여 들어온 **세균이나 미생물의 DNA (쓰레기)**를 찾아내서 버립니다. 집 짓기 전에 공사 현장의 불필요한 쓰레기를 치우는 것과 같습니다.

2. nohic-refpick (맞춤형 지도 만들기):

   • 앞서 설명한 대로, 수많은 유전체 데이터에서 가장 잘 맞는 조각들을 모아 'Synref'라는 맞춤형 지도를 만듭니다. 이것이 이 프로그램의 핵심 마법입니다.

3. nohic-asm (조각 맞추기 및 연결):

   • 흩어진 DNA 조각들을 맞춤형 지도를 보며 순서대로 연결합니다.
   • 만약 조각이 잘못 연결되어 있다면 (예: A 길과 B 길이 엉뚱하게 붙어 있다면), 이를 찾아서 잘라내고 다시 올바르게 붙입니다.
   • 이 과정에서 Hi-C 같은 고가 장비 없이도 매우 정확한 연결을 가능하게 합니다.

4. nohic-eval (품질 검사):

   • 완성된 지도가 얼마나 정확한지, 길이가 얼마나 긴지, 유전자가 잘 들어있는지 정밀하게 검사합니다.

---

🌟 이 연구가 왜 중요한가요? (기대 효과)

1. 돈과 시간을 아낍니다: 고가의 Hi-C 장비 없이도, 기존에 공개된 유전체 데이터만으로도 고품질의 지도를 만들 수 있습니다.
2. 정확도가 높아집니다: "맞춤형 지도 (Synref)"를 쓰면, 기존 지도를 쓸 때 생겼던 오류 (잘린 조각, 엉뚱한 연결) 가 크게 줄어듭니다.
3. 유연합니다: 이 프로그램은 다른 빠른 연결 도구 (ntJoin 등) 와도 함께 쓸 수 있어서, 빠른 작업이 필요할 때도 유용합니다.
4. 다양한 식물에 적용 가능: 밀, 콩, 보리, 토마토 등 다양한 식물의 유전체 연구에 쓸 수 있습니다.

💡 한 줄 요약

"수많은 유전체 데이터에서 내 식물에 딱 맞는 '가상의 지도'를 만들어내어, 고가의 장비 없이도 빠르고 정확하게 유전체 지도를 완성하는 똑똑한 도구 (noHiC) 를 개발했다!"

이 기술은 앞으로 식물의 품종 개량, 질병 저항성 연구, 그리고 새로운 작물 개발에 큰 도움을 줄 것으로 기대됩니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현황: 식물 유전체 조립의 질은 PacBio HiFi, Oxford Nanopore UL, Hi-C 시퀀싱 기술의 발전으로 크게 향상되었습니다. 특히 Hi-C 데이터는 참조 유전체 없이 (reference-free) 컨티그 (contig) 를 스캐폴딩 (scaffolding) 하는 데 널리 사용됩니다.
• 문제점:
  1. 비용 및 복잡성: Hi-C 기반 스캐폴딩은 높은 시퀀싱 심도 (depth) 가 필요하여 비용이 많이 들고, 라이브러리 준비 과정이 복잡하며 계산 자원을 많이 소모합니다.
  2. 참조 편향 (Reference Bias): 참조 유전체 기반 (reference-guided) 스캐폴딩은 비용 효율적이지만, 목표 유전체와 참조 유전체 간의 변이가 큰 영역 (divergent regions) 에서 정렬 실패나 잘못된 정렬로 인해 유전적 다양성이 누락되거나 조립 오류가 발생할 수 있습니다.
  3. 기존 다중 참조 도구의 한계: Ragout2, Multi-CSAR, ntJoin 등의 기존 다중 참조 스캐폴딩 도구들은 참조 유전체가 많을 때 (예: 10 개 이상) 효율성이 떨어지거나, 매번 새로운 조립이 필요할 때마다 복잡한 정렬 파일 (HAL/MAF) 업데이트나 가중치 최적화가 필요하다는 단점이 있습니다.

2. 방법론 (Methodology)

저자들은 noHiC라는 새로운 파이프라인을 개발하여 파angenome 그래프 (pangenome graph) 기반의 개인화된 참조 유전체 (synthetic reference, synref) 를 생성하고 이를 활용한 참조 기반 스캐폴딩을 수행합니다.

A. noHiC 파이프라인 구성 (4 개의 서브 스크립트)

1. nohic-clean: 오염된 컨티그 제거.
   • 시퀀싱 어댑터 확인 및 제거.
   • Kraken2 및 Taxonkit 를 이용한 분류학적 정렬을 통해 비표적 종 (contaminants) 제거.
   • BLASTn 을 이용한 미토콘드리아 및 엽록체 등 세포소기관 DNA 제거.
2. nohic-refpick (핵심 기술): 개인화된 참조 유전체 (synref) 생성.
   • 입력: 타겟 유전체의 에러 보정된 롱 리드 (HiFi 등) 와 파angenome 그래프 (.gbz, .hapl 파일).
   • 알고리즘: Sirén 등 (30) 이 제안한 하플로타입 샘플링 (haplotype sampling) 알고리즘을 적용.
   • 과정: 파angenome 그래프를 10kb 블록으로 분할하여, 타겟 리드에서 발견된 그래프 고유의 k-mer 를 기반으로 각 블록에서 가장 적합한 하플로타입을 선택. 이를 조합하여 타겟 유전체와 유전적으로 가장 가까운 단일 합성 참조 유전체 (synref) 를 생성.
   • 패치 (Patching): 생성된 synref 의 갭 (gap) 을 고품질의 donor 유전체 (예: T2T 조립체) 로 채워 정밀도를 높일 수 있음.
3. nohic-asm: 컨티그 오류 수정 및 스캐폴딩.
   • 오류 수정: CRAQ (클립된 리드 기반), Inspector (작은 오류 수정), RagTag (참조 기반 정렬 및 클립 리드 검증) 를 활용하여 키메릭 (chimeric) 컨티그를 깨고 오류를 수정.
   • 스캐폴딩: 수정된 컨티그를 synref (또는 기존 참조) 에 정렬하여 순서와 방향을 결정하고 스캐폴드화.
   • 갭 클로징: TGSGapcloser 를 사용하여 갭을 메움.
   • 프리셋: 'draft', 'luck' (완화), 'standard', 'aggressive', 'raw' (강화) 등 다양한 엄격도 옵션 제공.
4. nohic-eval: 조립 품질 평가.
   • 지표: N50, auN, 갭 수, BUSCO (유전체 완전성), R-AQI/S-AQI (구조적 정확도), QV (품질 값) 계산.
   • 시각화: Misassembly 위치 매핑 및 Dot plot 을 통한 동원성 (synteny) 분석.

B. 실험 설계

• 테스트 1 (파angenome 그래프 재사용성): 11 개의 Sorghum bicolor 공중 조립체로 파angenome 그래프를 구축하고, 이를 사용하여 3 개의 다른 Sorghum 접근법 (SB14122, B108, ORE-18-14) 에 대한 synref 를 생성하여 평가.
• 테스트 2 (다양한 종 비교): Arabidopsis, Sorghum virgatum, Glycine max, Hordeum vulgare 등 4 종의 유전체를 대상으로 synref 와 기존 NCBI 참조 유전체 (Ordinary reference) 를 비교.
• 테스트 3 (다른 스캐폴더와의 결합): noHiC 의 전처리 (nohic-clean, nohic-refpick) 를 고속 스캐폴더인 ntJoin과 결합하여 성능 및 효율성 평가.

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

A. 개인화된 참조 (Synref) 의 우수성

• 유전적 근접성: nohic-refpick 으로 생성된 synref 는 타겟 유전체와 기존에 사용되던 가장 가까운 참조 유전체보다 유전적으로 더 가깝게 근사하는 것으로 확인되었습니다 (Neighbor-Joining tree 분석).
• 컨티그 연속성 보존: 참조 기반 오류 수정 과정에서 synref 를 사용할 경우, 기존 참조 유전체 (Ordinary reference) 를 사용할 때보다 컨티그가 불필요하게 잘리는 현상 (false contig breaking) 이 현저히 감소했습니다.
  • 특히 엄격한 수정 모드 ('standard' preset) 에서 synref 기반 조립은 컨티그 수를 최대 31.56% 감소시키고 auN 을 최대 65.05% 증가시켰습니다.
  • 이는 참조 편향으로 인한 잘못된 컨티그 분할을 방지하여 더 긴 스캐폴드를 유지함을 의미합니다.

B. 다양한 식물 종에서의 적용성

• Arabidopsis (135Mb), Sorghum, Soybean, Barley (4.2Gb) 등 다양한 크기와 종을 가진 식물에서 synref 기반 조립이 기존 참조 기반 조립보다 우수한 연속성 (contiguity) 을 보였습니다.
• 특히 Barley (Hvu) 의 경우, 기존 참조 (Morex v3) 를 사용할 때 컨티그 수가 3 배 증가한 반면, synref 를 사용할 경우 51% 이상 감소하여 높은 연속성을 유지했습니다.

C. 구조적 정확도 및 다른 도구와의 호환성

• 구조적 정확도: synref 기반 조립체는 Hi-C 기반 공중 조립체 (Control) 와 높은 동원성 (synteny) 을 보였으며, 잘못된 염색체 전위 (translocation) 오류가 크게 감소했습니다.
• ntJoin 결합: 계산 시간이 긴 nohic-asm 대신 ntJoin 을 사용할 때에도, nohic-refpick 으로 생성된 synref 를 참조로 사용하면 기존 참조를 사용할 때보다 BUSCO 점수, QV, 구조적 정확도 (R-AQI, S-AQI) 가 모두 향상되었습니다. 이는 noHiC 의 핵심 기술이 다른 스캐폴딩 도구와도 유연하게 결합될 수 있음을 시사합니다.

D. 계산 효율성

• nohic-asm 은 리드 매핑으로 인해 계산 시간이 길지만, ntJoin 과 결합 시 실행 시간을 획기적으로 단축하면서도 synref 의 이점을 유지할 수 있었습니다.

4. 의의 및 결론 (Significance)

1. 참조 편향 해결: 파angenome 그래프 기반 하플로타입 샘플링을 통해 타겟 유전체에 최적화된 단일 합성 참조 (synref) 를 생성함으로써, 다중 참조 정렬의 복잡성 없이 참조 편향을 효과적으로 완화했습니다.
2. 비용 절감: 고비용의 Hi-C 시퀀싱 없이도 참조 유전체와 유사한 수준의 고품질 (T2T 또는 준 T2T) 염색체 수준 조립을 가능하게 하여, 대규모 식물 유전체 프로젝트 (수십~수백 개) 에 적용 가능한 경제적 솔루션을 제공합니다.
3. 재사용성 및 확장성: 한 번 구축된 파angenome 그래프를 다양한 타겟 유전체에 재사용하여 최적의 synref 를 생성할 수 있어, 새로운 조립 프로젝트마다 복잡한 정렬 파일 업데이트나 가중치 최적화가 불필요합니다.
4. 도구 통합: noHiC 는 독립적인 파이프라인으로 사용될 뿐만 아니라, ntJoin 과 같은 고속 스캐폴더와 결합하여 유연하게 활용될 수 있어 사용자의 계산 자원 상황에 맞춰 최적의 워크플로우를 선택할 수 있게 합니다.

결론적으로, noHiC 는 파angenome 그래프 기술을 참조 기반 스캐폴딩에 성공적으로 접목하여, 비용 효율적이면서도 구조적으로 정확하고 연속성이 높은 식물 유전체 조립을 가능하게 하는 혁신적인 도구입니다.