BWR-finder: BWT-based de novo interspersed repeat detection for gigantic genomes

당신의 게놈을 생명체를 만드는 데 필요한 지침이 담긴 거대하고 오래된 도서관이라고 상상해 보세요. 하지만 이 도서관에는 이상한 문제가 있습니다. 책의 엄청난 구역들이 똑같은 이야기를 반복해서 복사해 놓은 채로, 페이지 곳곳에 무작위로 흩어져 있는 것입니다. 이것들은 "산재된 반복 서열(interspersed repeats)"이라 불리며, 주로 수백만 년 동안 게놈 곳곳으로 자신을 복사하여 붙여넣은 "점핑 유전자(transposable elements)"에 의해 발생했습니다. 폐어(lungfish)나 도롱뇽 같은 일부 생물에서는 이 복사본들이 전체 게놈의 거의 90%를 차지하기도 합니다! 과학자들은 이 동물들이 어떻게 진화했는지, 그리고 왜 게놈이 이렇게 거대해졌는지를 이해하기 위해 이 복사본들을 찾아내고 지도화해야 합니다. 하지만 수십억 페이지에 달하는 이 도서관에서 특정 문장을 찾는 것은, 달까지 닿을 듯 높게 쌓인 종이 더미 속에서 특정 문장을 찾는 것과 같습니다. 우리가 보통 이 작업을 수행할 때 사용하는 컴퓨터들은 메모리가 부족해지거나, 작업을 마치는 데 몇 년이 걸리는 등 과부하가 걸리곤 합니다.

여기서 BWR-finder라는 새로운 도구가 등장합니다. 아츠시 타케다(Atsushi Takeda)와 동료들이 이끄는 연구진은 집 한 채 크기의 슈퍼컴퓨터 없이도 거대한 게놈 속에서 반복되는 서열을 추적할 수 있도록 설계된 영리한 소프트웨어 프로그램을 만들었습니다. 이 도구는 도서관의 모든 페이지를 한 장씩 읽는 대신, **버로즈-휠러 변환(Burrows-Wheeler Transform, BWT)**이라는 수학적 트릭을 사용합니다. 이 트릭을 마치 도서관의 책들을 재배열하여 비슷한 이야기들을 깔끔하게 압축된 더미로 모으는 마법 같은 방법이라고 생각해 보세요. 이 압축된 더 더미를 사용함으로써, 소프트웨어는 패턴을 찾고 그 패턴을 바깥쪽으로 확장하여 반복 서열이 얼마나 긴지 확인할 수 있으며, 이 과정에서 기존 도구들이 요구하는 아주 적은 양의 메모리만을 사용합니다.

연구팀은 벼, 인간, 그리고 밀(14.6 Gb), 20.3 Gb 크기의 살라만더(Pleurodeles waltl), 심지가 87.2 Gb에 달하는 폐어와 같은 정말 거대한 생물의 게놈을 포함한 여러 실제 도서관을 대상으로 BWR-finder를 테스트했습니다. 결과는 인상적이었습니다. BWR-finder는 RepeatModeler2, HiTE, REPrise와 같은 기존 도구들보다 훨씬 빠르고 적은 메모리를 사용했습니다. 예를 들어, 인간 게놈의 경우 다른 도구들이 며칠이 걸리거나 수백 기가바이트의 RAM을 필요로 했던 반면, BWR-finder는 2시간 이내에 작업을 마쳤습니다. 또한, 기존 데이터베이스에 없던 새로운 후보를 살라만더 게놈에서 찾아내는 등 기존 도구들이 놓친 반복 영역을 성공적으로 식별해 냈습니다. 하지만 논문은 한 가지 절충점을 언급합니다. BWR-finder는 매우 빠르고 병렬로 작동하기 때문에, 때때로 긴 반복 이야기를 여러 개의 작은 파편들로 쪼개버리기도 합니다. 즉, 더 많은 도서관 내용을 찾아내기는 하지만, 그 조각들은 더 느리고 신중한 방식들로 찾아낸 것들보다 다소 흩어져 있다는 것입니다. 저자들은 이 도구가 거대한 게놈을 스캔하는 강력한 새로운 방법이긴 하지만, 과학자들이 이 조각들을 완벽하게 다시 붙이는 추가적인 작업이 여전히 필요할 것이라고 제안합니다.

흩어진 도서관 이야기

이 새로운 도구가 왜 그렇게 중요한 일인지 이해하려면, 먼저 우리 DNA 내부의 혼란을 살펴봐야 합니다. 당신의 게놈이 깨끗한 설명서가 아니라, 수백만 개의 동일한 전단지가 곳곳에 흩어져 있는 혼란스러운 다락방이라고 상상해 보세요. 이 전단지들이 바로 "산재된 반복 서열"입니다. 이들은 주로 수백만 년 동안 DNA의 무작위 지점에 자신을 복사하고 붙여넣은 "점핑 유전자(transposable elements)"입니다. 폐어나 도롱뇽 같은 일부 동물에서는 이 복사본들이 너무 많아서 게놈의 거의 전부를 차지합니다.

과학자들은 이 동물들이 어떻게 진화했는지, 그리고 왜 게놈이 이렇게 거대한지를 이해하기 위해 이 복사본들을 찾고자 합니다. 하지만 이를 찾는 것은 악몽과 같습니다. 만약 200억 개의 글자로 이루어진 게놈(살라만더의 경우)을 표준 컴퓨터 도구로 스캔하려고 한다면, 컴퓨터의 메모리(RAM)는 즉시 가득 차고 검색에는 영원히 시간이 걸릴 것입니다. 이는 20마일 길이의 책에서 특정 단어를 찾기 위해 모든 글자를 하나하나 읽는 것과 같습니다.

마법의 트릭: BWR-finder

연구진은 이 문제를 해결하기 위해 BWR-finder(Burrows–Wheeler Transform-based Repeat finder)를 개발했습니다. BWR-finder는 게놈을 일반적인 책처럼 읽는 대신, **버로즈-휠러 변환(Burrows–Wheeler Transform, BWT)**이라는 수학적 마법 트릭을 사용합니다.

BWT를 마치 지저도한 책 더미를 가져와서, 첫 글자가 같은 책들을 모으고, 그다음은 첫 두 글자가 같은 책들을 모으는 식으로 재배열하는 사서라고 생각해보세요. 이렇게 하면 고도로 압축되고 정리된 목록이 만들어집니다. 가장 좋은 점은 무엇일까요? 이 작업을 수행하기 위해 원래의 지저분한 책 더미를 계속 가지고 있을 필요가 없다는 것입니다. 여러분은 완전히 압축된 목록만으로 작업할 수 있습니다.

BWR-finder는 이 압축된 목록을 사용하여 반복 서열을 추적합니다:

1. 시드 탐색(Seed Search): 압축된 목록에서 짧고 공통적인 "시드(seed)" 패턴을 찾습니다. 목록이 정리되어 있기 때문에, 전체 게놈을 메모리에 저장할 필요 없이 매우 빠르게 이러한 시드를 찾을 수 있습니다.
2. 확장(Extension): 시드를 찾으면, 패턴을 바깥쪽으로 글자 단위로 확장하여 반복 서열이 얼마나 긴지 확인합니다. 이는 원래의 게놈을 읽는 대신 특수한 지도(LF/FL 매핑이라 불림)를 사용하여 압축된 목록 사이를 점프하며 수행됩니다.
3. 병렬 처리(Parallel Processing): 이 도구는 작업을 여러 컴퓨터 프로세서에 동시에 분산합니다. 각 시드는 독립적으로 추적될 수 있으므로, 도구는 병렬로 실행되어 매우 빠르게 작동합니다.

결과: 빠르고, 가볍고, 더 많이 찾아내다

연구팀은 쌀의 작은 게놈(382 Mb)부터 거대한 폐어의 게놈(87.2 Gb)에 이르기까지 다양한 게놈을 대상으로 BWR-finder를 테스트했습니다. 결과는 다음과 같습니다:

• 속도와 메모리: BWR-finder는 속도의 강자였습니다. 인간 게놈(3.1 Gb)에 대해, 다른 도구들이 최대 28시간이 걸린 반면, BWR-finder는 약 1시간 50분 만에 작업을 마쳤습니다. 쌀 게놈의 경우, 인기 있는 도구인 RepeatModeler2보다 80배 더 빨랐습니다.
• 메모리 사용량: 매우 효율적이었습니다. 다른 도구들이 인간 게놈을 분석하는 데 30~92 GB의 메모리가 필요했던 반면, BWR-finder는 약 6.5 GB만을 필요로 했습니다. 이는 이 도구가 거대한 슈퍼컴퓨터가 아닌 일반 컴퓨터에서도 실행될 수 있음을 의미합니다.
• 미지의 영역 발견: 20.3 Gb 크기의 살라만더 게놈을 테스트했을 때, BWR-finder는 기존 데이터베이스가 알지 못했던 2.39 Gb의 반복 영역을 찾아냈습니다. 이는 이전에 보이지 않았던 새로운 반복 그룹들을 식별해 낸 것입니다.

절충점: 속도 대 완벽함

하지만 논문은 BWR-finder가 완벽하지 않다는 점을 주의 깊게 지적합니다. 매우 빠르게 작동하고 많은 시드를 동시에 처리하기 때문에, 때때로 긴 반복 서열을 더 작고 파편화된 조각들로 쪼개버리기도 합니다.

여러분이 찢어진 신문을 재구성하려고 한다고 상상해 보세요. 느리고 신중한 방법은 신문의 앞 페이지 전체를 완벽하게 맞출 수 있습니다. 하지만 속도광인 BWR-finder는 모든 찢어진 조각들을 매우 빠르게 찾아낼 수는 있지만, 그것들을 작은 파편들의 더미로 남겨둘 수 있습니다. 연구진은 BWR-finder가 인간 게놈에 대해 10,000개에서 12,000개의 반복 서열을 생성한 반면, "표준(gold standard)" 라이브러리에는 약 1,100개의 서열만 있었다는 것을 발견했습니다. 이 중 상당수는 동일한 이야기의 파편들이었습니다.

저자들은 BWR-finder가 모든 후보를 빠르게 찾는 데는 탁ert월하지만, 과학자들이 이 파편들을 완전한 이야기로 다시 붙이기 위해 사후에 "다듬는(polishing)" 작업이 여전히 필요할 것이라고 제사합니다.

이것이 왜 중요한가

이 논문은 우리가 이제 불가능한 수준의 컴퓨터 성능 없이도 지구상에서 가장 큰 게놈들(폐어나 살라만더와 같은)을 분석할 수 있음을 시사합니다. BWT 트릭을 사용함으로써, BWR-finder는 거대한 게놈의 "암흑 물질"을 연구할 수 있는 문을 열어주며, 870억 개의 글자로 된 설명서가 성장할 때 생명이 어떻게 진화하는지를 이해하도록 도와줍니다. 이것은 모든 것을 즉시 해결하는 마법 지팡이는 아니지만, 생물학적 도서관의 가장 깊고 반복적인 구석을 탐험하기 위한 강력한 새로운 손전등입니다.