Improving Metagenomics Classification with Kmask: Entropy-Based Masking of Low-Complexity Regions

우리 세포 속의 거대하고 고요한 도서관에서, DNA는 네 가지 화학적 문자로 이루어진 긴 문자열로 기록되어 있습니다. 과학자들이 우리 몸속이나 환경 속에 살아가는 박테리아, 바이러스, 곰팡이와 같은 미생물의 미시 세계를 연구할 때, 그들은 현미경으로 생물체 전체를 관찰하지 않습니다. 대신, 그들은 샘플 안에 있는 모든 작은 생명체의 DNA를 수백만 개의 짧은 조각으로 분해하고 그 글자들을 읽어냅니다. 각 조각이 어떤 생물에 속하는지 알아내기 위해, 컴퓨터는 이 조각들을 이미 알려진 게놈들의 거대한 참조 라이브러리와 비교합니다. 메타게놈 분류(metagenomic classification)라고 불리는 이 과정은 연구자들이 환자의 혈액에서 병원균을 식별하거나 토양 내 미생물의 변화를 추적할 수 있게 해줍니다. 하지만 DNA 코드는 항상 복잡하고 독특한 이야기인 것만은 아닙니다. 때때로 DNA는 마치 같은 단어를 반복해서 쓰는 문장처럼, 길게 늘어진 단순하고 반복적인 패턴을 포함하기도 합니다. 이러한 저복잡도 영역(low-complexity regions)은 자연계에서 흔히 발견되지만, 컴퓨터 분석에는 위험 요소가 됩니다. 서로 관련이 없는 유기체들이 순전히 우연에 의해 이러한 단순한 패턴을 공유할 수 있기 때문입니다. 컴퓨터가 반복적인 서열을 발견하면, 인간의 DNA 조각을 박테리아의 것으로 잘못 매칭하거나 두 가지 서로 다른 종을 혼동하여, 어떤 미생물이 존재하는지에 대해 허위 경보를 울릴 수 있습니다.

존스 홉킨스 대학교의 연구팀은 컴퓨터가 검색을 시작하기 전, 이러한 혼란스러운 신호들을 정화할 수 있는 새로운 방법을 개발했습니다. 그들은 Kmask라고 불리는 도구를 만들었는데, 이는 미생물 식별에 사용되는 대중적인 소프트웨어와 함께 작동하도록 특별히 설계된 DNA 서열용 필터 역할을 합니다. 연구진은 기존의 반복 DNA 제거 도구들이 현대의 분류 소프트웨어가 작동하는 방식에 완벽하게 맞춰져 있지 않다는 점을 깨달았습니다. 그들은 게놈의 소음이 심한 반복적인 부분과, 실제로 종을 식별하는 데 필요한 독특하고 정보가 풍부한 부분을 구별할 수 있는 더 나은 시스템을 구축하고자 했습니다. 이 도구를 수천 개의 박테리아, 바이러스, 곰팡이 게놈에 테스트한 결과, Kmask는 이전 방식들보다 더 효율적으로 오해의 소지가 있는 서열을 제거하면서도 유용한 데이터는 그대로 유지한다는 것을 발견했습니다.

문제의 핵심은 컴퓨터가 DNA 문자열의 '복잡성'을 측정하는 방식에 있습니다. 만약 DNA의 한 섹션이 동일한 패턴을 반복한다면, 그것은 라디오 채널의 정적 노이즈처럼 정보 함량이 낮습니다. 연구진은 엔트로피(entropy)라는 수학적 개념을 사용하여 이 복잡성을 측정했으며, DNA의 작은 창(window)을 그 구성 요소들의 분포로 취급했습니다. 그들은 게놈을 따라 창을 이동시키며 그 창 안에 얼마나 다양한 요소가 존재하는지 계산함으로써, 반복적인 노이즈가 정확히 어디서 시작되는지 찾아낼 수 있다는 것을 발견했습니다. 그들은 다양한 창 크기와 무엇을 "너무 단순하다"고 간주할지에 대한 다양한 임계값을 테스트했습니다. 화학적 조성이 다양한 12개의 박테리아 게놈 세트를 이용한 세심한 실험을 통해, 그들은 특정 창 크기와 정밀한 컷오프 점수가 가장 효과적이라는 것을 결정했습니다. 이를 통해 반복적인 섹션을 중립적인 자리 표시자(placeholder)로 대체함으로써, 식별에 필요한 고유한 신호는 파괴하지 않고 노이즈만을 효과적으로 무력화할 수 있었습니다.

이 최적화된 설정을 사용하여, 연구팀은 Microbial2025라는 새로운 대규모 참조 데이터베이스를 구축했습니다. 이 컬렉션은 박테리아, 고세균, 바이러스, 곰팡이 및 기타 병원균으로부터 추출한 71,000개 이상의 게놈을 포함하며, 미생물 세계의 포괄적인 스냅샷을 나타냅니다. 이 게놈들을 데이터베이스에 추가하기 전, 연구진은 Kmask를 통과시켜 저복잡도 영역을 닦아냈습니다. 또한 일반적인 실험실 오염 물질과 인간 및 생쥐와 같은 모델 생물의 서열을 대상으로 게놈을 스크리닝하는 두 번째 정화 단계를 추가하여, 우발적인 매칭이 발생하지 않도록 했습니다. 그 결과 더욱 깨끗하고 신뢰할 수 있는 유전 정보 라이브러리가 만들어졌습니다. 이 새로운 데이터베이스를 인간 DNA 서열에 테스트했을 때, 개선 효과는 즉각적이고 측정 가능하게 나타났습니다. 인간 DNA가 박테리아로 잘못 식별되는 허위 양성(false positive) 매칭률이 7.52%에서 5.78%로 감소했습니다. 이러한 감소는 컴퓨터가 인간 서열을 미생물로 착각할 가능성을 낮추어, 더욱 정확한 진단과 연구 결과를 이끌어낼 수 있음을 의미합니다.

연구진은 또한 자신들의 새로운 방법을 수년간 반복 DNA 마스킹의 표준으로 사용되어 온 널리 알려진 기존 도구인 SDUST와 비교했습니다. SDUST는 효과적이긴 하지만, 유용할 수도 있는 일부 서열까지 포함하여 게놈의 더 많은 부분을 제거하는 경향이 있습니다. Kmask는 허위 매칭을 막는 데 있어 유사한 수준의 정확도를 달면서도, 훨씬 적은 양의 염기만을 마스킹했습니다(기존 도구는 1.85%를 제거한 반면, Kmask는 1.33%만 제거). 이러한 효율성은 매우 중요한데, 왜냐면 제거되는 모든 DNA는 잠재적인 단서가 될 수 있기 때문입니다. 더 적게 제거함으로써, Kmask는 종을 구분하는 데 필요한 고유한 유전적 특징을 더 많이 보존합니다. 또한, 두 도구는 문제의 소지가 있는 게놈의 서로 다른 부분을 지목하는 경향이 있었는데, 이는 그들이 서로 다른 유형의 반복 패턴을 잡아낸다는 것을 시사합니다. 연구진은 두 도구를 함께 사용하는 것이 가장 철저한 보호책이 될 수 있다고 언급했지만, Kmask 단독으로도 현대의 미생물 분류 요구에 맞춘 매우 효율적인 솔루션을 제공한다고 밝혔습니다.

이것이 실제 상황에서 어떻게 작동하는지 확인하기 위해, 연구팀은 대규모 인간 암 샘플 연구에서 발견된 의심스러운 결과들에 이 새로운 데이터베이스를 적용했습니다. 원래의 분석에서는 일부 샘플에 특정 박테리아가 매우 적은 양으로 존재하는 것처럼 보였는데, 이는 종종 반복적인 DNA 매칭으로 인한 오류에서 비롯되는 결과입니다. 연구진이 새로운 마스킹된 데이터베이스를 사용하여 이 샘플들을 재분석했을 때, 그 의심스러운 박테리아 신호 중 3분의 1 이상이 완전히 사라졌습니다. 이것들은 아마도 Kmask가 성공적으로 걸러낸 반복적인 노이즈로 인한 허위 경보였을 것입니다. 남은 신호들은 진짜임이 확인되었거나 더 정확한 범주로 재분류되었습니다. 이는 새로운 방법이 진정한 생물학적 신호를 파괴하지 않으면서도 데이터를 정화할 수 있음을 보여주었으며, 복잡한 샘플 속에 숨겨진 미생물 세계를 더 명확하게 볼 수 있게 해주었습니다. 이 연구는 더 나은 과학의 핵심이 단순히 더 많은 데이터를 갖는 것이 아니라, 분석에 사용되는 도구에 맞춰 데이터를 얼마나 세심하게 준비하느냐에 달려 있음을 시사합니다.