Deep sequencing artificially inflates estimates of microbial diversity

우리 피부 위나 토양 속, 혹은 우리 장 내부에 살고 있는 보이지 않는 세계를 이해하기 위해, 과학자들은 종종 유전적 인구 조사와 같은 역할을 하는 기술에 의지합니다. 그들은 샘히플을 채취하여 존재하는 미생물의 DNA를 분리하고, 각 종의 고유한 식별자 역할을 하는 특정 유전자의 유전 코드를 읽는 기계를 사용합니다. 샘플에 나타나는 이 유전자들의 서로 다른 버전이 얼마나 많은지를 계산함으로써, 연구자들은 그곳에 얼마나 다양한 유형의 미생물이 살고 있는지 추정할 수 있습니다. 이 방법은 미생물 세계에 대한 우리의 관점을 혁신적으로 변화시켰으며, 이전에는 보이지 않았던 복잡한 군집들을 드러내 주었습니다. 하지만 이러한 수치가 의미를 갖기 위해서는, 데이터가 기계의 특이점이 아닌 실제 현실을 반영해야 합니다. 만약 기술 자체가 존재하지 않는 새로운 생명체를 만들어내는 환상을 만들어낸다면, 미생물 다양성에 대한 전체적인 그림은 왜곡되어, 과학자들이 실제보다 훨씬 더 다양한 군집이 존재한다고 믿게 만들 수 있습니다.

최근의 한 연구는 샘플을 더 깊이 들여다보는 행위 자체가 실제로 존재하는 것보다 더 많은 생명체를 만들어내는 듯한 우려스러운 패턴을 다루었습니다. 연구진은 먼저 통제된 시나리오를 테스트하며 시작했습니다. 그들은 단 하나의 유형의 유전자 서열만을 포함하는 샘플, 즉 처음부터 다양성이 전혀 없는 샘플을 채취했습니다. 이러한 '다양성 제로' 샘플은 변이가 거의 없는 숙주 유전자를 사용하거나 합성 DNA 가닥을 혼합하여 만들어졌습니다. 이 균일한 샘플들을 시퀀싱했을 때, 결과는 놀라웠습니다. 단 하나의 유형의 서열만을 보여주는 대신, 기계는 수백 개의 서로 다른 변이들을 보고했습니다. 문제는 연구진이 읽기 횟수, 즉 수집된 총 데이터의 양을 늘릴수록 더욱 악화되었습니다. 시퀀싱이 10만 회 이상의 읽기를 넘어서자, 가짜 변이의 수가 기하급급수적으로 폭발했습니다. 마치 기계가 너무 열심히, 그리고 너무 오래 들여다본다는 이유만으로 허공에서 새로운 종을 발명해 내는 것처럼 보였습니다.

이러한 인위적인 팽창은 통제된 시험관 안에서만 국한되지 않았습니다. 연구진이 박테리아나 균류를 포함하는 실제 미생물 샘플에 동일한 분석을 적용했을 때도 동일한 패턴을 발견했습니다. 읽기 횟수가 증가함에 따라, 실제 생물학적 구성은 변하지 않았음에도 불구하고 계산된 군집의 다양성은 상승했습니다. 이 연구는 이 오류가 종의 전체 수뿐만 아니라 특정 생물 그룹 내의 인지된 다양성에도 영향을 미친다는 것을 보여주었습니다. 연구진은 이 문제가 미생물을 식별하는 데 사용되는 다양한 유형의 유전적 마커 전반에 걸쳐 일관되게 나타난다는 것을 발견했으며, 이는 현재의 시퀀싱 기술이 대량의 데이터를 처리하는 방식에 근본적인 과제가 있음을 시사합니다.

연구팀은 특정 조정을 통해 이 문제를 해결할 수 있는지 조사했습니다. 그들은 기계가 읽는 유전 서열의 길이를 줄이는 방법을 테스트했고, AVITI Element로 알려진 다른 시퀀싱 플랫폼을 사용하는 것도 시도했습니다. 이러한 변화들이 가짜 변이의 수를 줄이는 데는 도움이 되었지만, 문제를 완전히 제거하지는 못했습니다. 인위적인 팽창은 비록 작은 형태로 남아있을지라도 지속되었습니다. 저자들은 현재로서 가장 실질적인 해결책은 시퀀싱 깊이가 매우 다른 샘플들을 비교할 때 극도로 주의하는 것이라고 결론지었습니다. 만약 한 샘플은 백만 번 읽혔고 다른 하나는 천 번만 읽혔다면, 첫 번째 샘플이 더 다양해 보이는 것은 그것이 실제로 더 다양해서가 아니라, 기계가 오류를 생성할 기회가 더 많았기 때문일 것이 확실합니다. 이 연구는 이러한 '다양성 제로' 샘플을 벤치마크로 사용하여 과학자들이 자신들의 방법을 미세 조정함으로써 진실에 더 가까워질 수 있으며, 이를 통해 그들이 그리는 미생물 세계의 지도가 기계가 상상하는 것이 아니라 실제로 존재하는 것에 기반하도록 할 수 있다고 제안합니다.