EXCON: a scalable, reproducible Nextflow pipeline for CAFE-based gene EXpansion and CONtraction analysis

기술 요약: CAFE 기반 유전자 확장 및 수축 분석을 위한 확장 가능하고 재현 가능한 Nextflow 파이프라인인 EXCON

문제 정의
유전자 가족의 확장 및 수축 분석은 계통 발생적 비교 유전체학의 초석으로, 계통 특이적인 진화 압력을 식별하는 데 사용된다. 계산적 유전자 가족 진화(CAFE)는 확률적 탄생-사멸 과정을 통해 이러한 변화를 모델링하는 데 널리 사용되는 프레임워크이다. 그러나 원시 게놈 데이터로부터 완전한 CAFE 분석을 수행하는 것은 기술적으로 매우 까다롭다. 이는 게놈 다운로드, 주석 표준화, 상동 유전자 가족 식별, 종 나무 구축 및 기능적 농축을 포함하는 이질적인 도구들이 결합된 복잡하고 다단계의 워크플로를 요구한다. 현재, 게놈 획득부터 생물학적 해석에 이르기까지 전체 워크플로를 통합된, 포터블하며 커뮤니티 지향적인 방식으로 제공하는 도구는 존재하지 않는다. 통합된 파이프라인의 부재는 분석이 서로 다른 컴퓨팅 환경이나 연구 그룹 간에 재현되기 어렵게 만들며, 종종 높은 수준의 생물정보학 전문 지식과 수동적인 파라미터 튜닝을 요구하게 한다.

방법론
저자들은 nf-core 가이드라인에 따라 개발된 자동화된 완전 재현 가능 Nextflow 파이프라인(v2.4.0)인 EXCON을 제시한다. EXCON은 다음 단계들을 단일한 모듈형 워크플로로 통합한다:

1. 게놈 획득: 사용자가 제공한 로컬 파일 또는 NCBI RefSeq에서 직접 어셈블리 및 주석을 다운로드하는 방식을 지원한다.
2. 품질 관리 (QC): 데이터 비교 가능성을 평가하기 위해 BUSCO, QUASS, AGAT를 사용하여 어셈블리 및 주석 통계치를 계산한다.
3. 전처리: GFF/GTF 파일을 필터링하여 유전자당 가장 긴 코딩 이소폼(isoform)을 유지하고, 설정 가능한 전략(strip, drop, 또는 longest ORF)을 통해 조기 종결 코돈을 해결한다.
4. 상동성 추론: 다양한 트리 추론 방법(DendroBLAST, MAFFT, MUSCLE, FastTree, RAxML, IQ-TREE)을 지원하는 OrthoFinder(v2.5.5 또는 v3.1.4)를 사용하여 상동 유전자 가족을 식별한다.
5. 종 나무 준비: 입력된 트리를 울트라메트릭(ultrametric) 형식으로 변환하며, 화석 데이터나 발표된 노드 연령을 사용하여 선택적으로 시간 보정(time-calibration)을 수행한다.
6. CAFE5 모델링:
   • 모델 선택: 이산 감마 비율 범주($k=1$부터 $6$까지)를 자동으로 테스트하고, 아카이케 정보 기준(AIC)을 바탕으로 최적의 모델을 선택한다.
   • 수렴 처리: 점진적 차등 필터링(progressive differential filtering) 전략을 구현한다. 고분산 상동 그룹으로 인해 CAFE5가 수렴에 실패할 경우, 파이프라인은 자동으로 더 엄격한 제외 임계값(매 단계마다 최대 차이를 절반으로 감소)을 적용하여 재시도하며, 고분산 가족을 독립적인 $\lambda$ 추정치와 함께 개별 재분석 대상으로 격리한다.
   • 오차 모델링: 어셈블리/주석 오차 모델을 추정하고 Poisson 대 uniform root-frequency 사전 확률(prior)을 비교한다.
7. 기능 분석: 유의미하게 확장 및 수축된 유전자 가족에 대해 eggNOG-mapper와 TopGO를 사용하여 유전자 기능(Gene Ontology, GO) 농축 분석을 수행한다.

파이프라인은 소프트웨어 버전 재현성을 보장하기 위해 컨테이너화(Docker/Singularity)되었으며, 로컬, HPC 및 클라우드(AWS Batch) 실행을 지원한다.

핵심 기여

• 엔드 투 엔드 자동화: EXCON은 게놈 다운로드, 전처리, 상동성 추론, CAFE5 모델링 및 GO 농축을 하나의 포터블한 워크플로로 통합한 최초의 파이프라인이다.
• 자동 모델 선택: 최적의 감마 비율 범주($k$)를 자동으로 선택하고 Poisson 대 uniform prior를 비교함으로써 수동 모델 튜닝의 필요성을 제거한다.
• 강력한 수렴 회복: "점진적 차등 필터링"이라는 새로운 메커니즘을 도입한다. 고분산 가족이 수렴을 방해하여 실패하는 대신, 이를 반복적으로 제외하고 별도로 분석한 뒤 결과를 병합함으로써 도전적이고 다양한 데이터셋에서도 파이프라인이 완료되도록 보장한다.
• 접근성: 최소한의 사용자 구성(대개 종 목록만 필요)만으로 설계되어, 전문적인 생물정보학 지식이 없는 연구자들도 엄격한 비교 유전체학 분석을 수행할 수 있도록 한다.

결과
본 파이프라인은 Catarrhini, Platyrrhini, Strepsirrhini를 아우르는 24종의 영장류 데이터셋을 통해 검증되었다.

• 성능: EXCON은 해당 데이터셋을 성공적으로 처리하여 탄생-사멸율 $\lambda = 0.009635$에서 수렴하였다. 선택된 최적 모델은 2개 범주의 감마 모델($k=2$)이었으며, 이는 유전자 가족 간에 중간 정도의 비율 변이가 있음을 나타낸다.
• 생물학적 발견: 분석 결과 358개의 빠르게 진화하는 유전자 가족이 식별되었다. 특히, 여러 계통에서 DUX (double homeobox) 유전자 가족(OG0000017)의 독립적이고 양방향적인 카피 수 전환(copy-number turnover)을 탐지하였다. 이는 DUX가 위치한 D4Z4 마크로새틀라이트 반복 서열의 알려진 불안정성과 일치하며, 사전 큐레이션 없이도 실제 진화 신호를 복구할 수 있는 파이프라인의 능력을 입증한다.
• 기능적 농축: GO 분석 결과 뚜렷한 패턴이 나타났다. 확장된 가족은 번역 기구 및 리보솜 하위 단위(ribosomal subunits)가 풍부한 반면, 특정 계통(예: Homo sapiens)에서 수축된 가족은 미토콘드리아 및 산화적 인산화 관련 용어가 풍부했다. 또한 Eulemur frifrons에서 후각 수용체의 보존과 일치하는 화학 감각 확장(chemosensory expansion)에 대한 강한 계통 특이적 신호가 발견되었다.
• 확장성: 박테리아, 곤충, 포유류에 걸친 벤치마킹 결과, 파이프라인의 실행 시간은 주로 OrthoFinder와 CAFE5에 의해 결정됨을 확인하였다. 매우 파편화된 게놈이나 다양한 데이터셋은 처리 시간을 증가시킬 수 있으나, 파이프라인은 다양한 입력을 성공적으로 처리하였다. 다만, 극도로 다양한 박테리아 그룹에서는 수렴 실패가 관찰되었다.

의의 및 주장
저자들은 EXCON이 유전자 가족 진화 분석을 위한 완전 자동화되고, 포터블하며, 재현 가능한 솔루션을 제공함으로써 비교 유전체학의 중요한 공백을 메운다고 주장한다. 수동 파일 변환, 임의의 파라미터 선택, 문서화되지 않은 중간 단계를 제거함으로써, EXCON은 유전자 가족의 확장 및 수축 분석을 표준화한다. 저자들은 EXCON을 CAFE의 통계적 엄밀함을 대체하는 도구가 아니라, 엄격한 CAFE 적용을 더 넓은 커뮤니티가 가능하게 만드는 필수적인 인프라로 규정한다. 블라인드 분석에서 알려진 생물학적 현상(DUX 불안정성)을 성공적으로 복구한 것은, 이 파이프라인이 실제 진화 신호를 추적한다는 개념 증명 역할을 한다. 저자들은 파이프라인이 다양한 데이터셋을 잘 처리하지만, 품질이 낮은 어셈블리는 유전자 획득 및 손실을 과다하게 추정할 수 있으므로 사용 시 주의가 필요하다고 언급하였다. 향후 개발 목표는 추가적인 기능 데이터베이스(KEGB) 통합, 트랜스포졸(transposable element) 필터링, 그리고 강화된 시각화를 포함하는 것이다.