Phylogeny-aided detection of contamination in nearly 5 million SARS-CoV-2 genomes

기술 요약: 약 500만 개의 SARS-CoV-2 게놈에서 계통 발생 기반 오염 탐지

문제 정의
공공 저장소에 존재하는 1,700만 개 이상의 서열을 초과하는 SARS-CoV-2 게놈 시퀀싱의 방대한 규모는 데이터 품질에 상당한 도전 과제를 안겨주었습니다. 주요 오류 원인은 샘플 오염으로, 서로 다른 숙주로부터 유래한 여러 게놈이 시퀀싱 과정에서 실수로 혼합되는 현상입니다. 고농도 오염은 흔히 탐지 가능하지만, 저농도 오염과 "앰플리콘 드롭아웃(amplicon dropout)"이 결합된 경우는 탐지하기 매우 어려운 특정 문제를 야기합니다. (SARS-CoV-2의 표준인) 앰플리콘 기반 시퀀싱에서 프라이머 결합 부위의 돌연변이는 오염된 샘플 내 다수 게놈의 증폭을 방해할 수 있습니다. 결과적으로, 소수 존재인 오염 게놈의 리드(reads)가 특정 영역을 지배하게 되어, 재조합처럼 보이거나 잘못된 돌연변이를 도입하는 하이브리드 컨센서스 서열(consensus sequence)을 생성할 수 있습니다. 이러한 아티팩트는 계통 분류, 전파 추적, 진화적 추론을 포함한 후속 분석을 방해할 수 있습니다. 기존의 계산 방법들은 저농도 오염과 앰플리콘 드롭아웃 사이의 특정한 상호작용을 고려하지 못하는 경우가 많습니다.

방법론: PhyCD 파이프라인
저자들은 오염과 앰플리콘 드롭아웃의 결합으로 발생하는 컨센서스 서열 오류를 식별하고 마스킹하도록 설계된 계산 파이프라인인 PhyCD(Phylogeny-aided Contamination Detection)를 제시합니다. 이 파이프라인은 다음 단계들을 통해 작동합니다:

1. 데이터 전처리 및 참조 세트 선택:

   • 본 연구는 참조 편향을 해결하고 낮은 커버리지 또는 높은 이형접합성 부위를 마스킹하는 Viridian으로 조립된 SARS-CoV-2 게놈 데이터셋을 활용합니다.
   • "참조 세트(reference set)"로 785,011개의 샘플이 엄격한 기준에 따라 선택되었습니다. 이 샘플들은 특정 커버리지 임계값 미만의 위치가 0개여야 하며, 이형접합 부위가 매우 적어야 합니다. 이 샘플들은 오염 관련 컨센서스 오류로부터 자유로운 것으로 간정됩니다.
   • 이 참조 세트를 바탕으로 MAPLE(v0.7.5)을 사용하여 팬데믹 규모의 참조 계통수(phylogenetic tree)를 추론합니다.

2. 드롭아웃 마스킹(Dropout Masking):

   • 나머지 "테스트 대상" 샘플들에 대해, 시퀀싱 커버리지가 해당 샘플의 중앙값(median coverage)에 비해 크게 떨어지는 영역을 식별합니다.
   • 임계값 $\rho$ (5%, 10%, 15%, 20%에서 테스트됨)가 적용됩니다. 커버리지가 $\max(50, \rho \times M_s)$ (여기서 $M_s$는 중앙 커버리지) 미만인 위치는 마스킹됩니다. 이는 다수 게놈의 리드가 탈락했을 수 있는 영역을 타겟팅합니다.
   • 각 샘플에 대해 세 가지 컨센서스 서열이 생성됩니다:
     • 드롭아웃 마스킹된 서열: 커버리지 저하에 따라 영역이 마스킹된 서열.
     • 드롭아웃 마스킹되지 않은 서열: 표준 컨센서스(베이스라인으로 사용).
     • 무작위로 마스킹된 서열: 노이즈와 실제 신호를 구분하기 위해 동일한 수의 위치를 무작위로 마스킹한 대조군.

3. 계통학적 배치 및 신호 탐지:

   • 세 가지 유형의 서열 모두 MAPLE을 사용하여 참조 계통수에 계통학적으로 배치됩니다.
   • 핵심 논리는 오염으로 유발된 오류가 인위적인 치환을 만들어내어 진정한 진화적 계통으로부터의 계통학적 거리(가지 길이, branch length)를 증가시킨다는 가정에 기초합니다.
   • 만약 드롭아웃 마스킹된 서열이 드롭아웃 마스킹되지 않은 서열보다 참조 계통수에 유의미하게 더 가깝게 배치된다면(더 짧은 가지 길이), 이는 마스킹된 영역에 오염으로 인한 오류 치환이 포함되어 있었음을 시사합니다.
   • 드롭아웃 마스킹된 서열이 마스킹되지 않은 서열보다 계통수로부터 최소 2개의 치환만큼 더 가까운 샘플들은 "추정 오염 샘플"로 분류됩니다.

4. 오염원 탐색 (선택 사항):

   • 파이프라인은 마스킹된 영역과 이형접합 부위의 유사성을 확인하여 참조 샘플들 중에서 "그럴듯한 오염원"을 식별하려고 시도합니다. 그러나 저자들은 우도 기반 모델(likelihood-based models)과 유사도 점수가 이 특정 데이터셋에서 위양성을 효과적으로 걸러낼 만큼 충분한 변별력을 확보하지 못했다고 언급했습니다.

주요 결과

• 탐지 규모: 거의 500만 개의 게놈에 적용된 결과, PhyCD는 보수적인 파라미터($\rho = 5\%$)를 사용하여 10,942개의 추정 오염 샘플을 식별했습니다.
• 위양성 추정: 무작위 마스킹 대조군과 비교함으로써, 저자들은 무작위 마스킹 과정에 의해 플래그가 지정된 샘플이 5,457개임을 확인했습니다. 이는 플래그가 지정된 샘플 중 약 50%가 위양성(즉, 커버리지 저하로 인해 마스킹된 실제 돌연변이)일 수 있음을 시사합니다.
• 데이터에 미치는 영향: 플래그가 지정된 게놈 전체에 걸쳐, PhyCD는 하류 분석에서 오류를 일으킬 수 있는 64,753개의 치환을 식별하고 마스킹할 수 있음을 입증했습니다.
• 파라미터 민감도: 커버리지 임계값 $\rho$를 높이면 플래그가 지정된 샘플 수는 증가하지만 신호 대 잡음비(signal-to-noise ratio)는 저하됩니다 ($\rho = 5\%$일 때 2.0에서 $\rho = 20\%$일 때 약 1.6으로). 높은 임계값은 과도한 실제 유전 정보 손실을 초래합니다.
• 사례 연구: 특정 샘플(SRR24221569)에 대한 분석은 커버리지 저하 영역을 마스킹함으로써 계통학적 배치 가지 길이를 2.1에서 0으로 줄였으며, 이를 통해 샘플을 기존 참조 샘플에 직접 배치하고 배치 신뢰도를 0.32에서 0.94로 높였습니다. 리드 깊이 시각화는 오염 가설과 일치하는 커버리지 저하 및 이형접합성을 확인시켜 주었습니다.

의의 및 주장
본 논문은 PhyCD가 앰플리콘 드롭아웃으로 인해 표준 이형접합성 기반 필터로는 탐지할 수 없는 오염 아티팩트를 탐지하는 확장 가능한 계통학적 보조 방법을 제공한다고 주장합니다.

• 트레이드오프 관리: 저자들은 민감도와 정밀도 사이의 내재적인 트레이드오프를 강조합니다. 위양성률이 50%에 달한다는 것이 높아 보일 수 있지만, 저자들은 재조합 추론 및 계통 분류에서의 아티팩트 전파를 방지하기 위해 약 5,000개의 잠재적 오염 샘플(전체 데이터셋의 0.1%)을 마스킹하거나 제외하는 것이 글로벌 감시 체계의 맥락에서 유리하다고 주장합니다.
• 확장성: 이 접근 방식은 효율적인 계통 배치 도구인 MAPLE을 활용하여 팬데믹 규모의 데이터를 성공적으로 처리합니다.
• 일반화 가능성: SARS-CoV-2를 위해 개발되었지만, 저자들은 충분히 조밀한 참조 계통수가 존재한다면 이 방법이 다른 앰플리콘 시퀀싱 병원체에도 확장될 수 있다고 제안합니다.
• 한限界: 저자들은 실제 양성률을 검증할 실험적으로 확인된 오염 샘플이라는 "골드 스탠다드(gold-standard)" 데이터셋의 부재를 인정했습니다. 또한, 현재의 파이프라인이 통합된 확률 모델보다는 순차적인 필터링 단계에 의존하고 있으며, 이는 이론적으로 더 높은 성능을 낼 수 있으나 이 정도 규모에서는 계산상의 어려움이 따른다고 언급했습니다.

결론적으로, 본 연구는 계통 배치가 팬데믹 규모에서 오염 탐지를 위한 신뢰할 수 있는 신호 역할을 할 수 있음을 보여주며, 오염이 컨센서스 서열에 미치는 영향은 상대적으로 드물지만(~0.1%), 영향을 받는 게놈의 절대적인 숫자는 PhyCD와 같은 자동화된 큐레이션 도구가 필요할 만큼 유의미하다는 것을 밝혀냈습니다.