Towards standards for analysing structural variants from short-read whole genome sequencing data

우리의 유전 암호는 길게 뒤틀린 사다리 모양의 DNA에 기록되어 있지만, 때때로 그 지침들이 단순한 오타로 보기에는 너무 큰 방식으로 재배열되기도 합니다. 구조적 변이(structural variants)라고 알려진 이러한 대규모 변화는 50개 이상의 글자(염기)에 달하는 DNA 덩어리가 삭제되거나, 복제되거나, 뒤집히거나, 새로운 위치로 이동하는 것을 포함합니다. 과학자들은 이러한 재배열이 희귀 질환과 흔한 형질 모두에서 중요한 역할을 한다는 것을 오래전부터 알고 있었지만, 이를 포착하는 것은 어려웠습니다. 수년 동안 우리 DNA를 읽는 표준적인 방법은 '숏 리드 시퀀싱(short-read sequencing)'에 의존해 왔는데, 이는 게놈을 아주 작은 조각으로 잘게 쪼개어 읽은 뒤 마치 파쇄된 책을 다시 맞추듯 조립하려는 기술입니다. 이 방법은 작은 오류를 찾는 데는 효과적이지만, 전체적인 그림을 보는 데는 종종 어려움을 겪으며, 연구자들이 대규모 재배열이 정확히 어디에서 시작되고 끝나는지 확신하지 못하게 만듭니다. 이러한 대규모 변화를 찾고 측정하는 방법에 대한 명확하고 합의된 표준이 없었기에, 서로 다른 연구 간의 결과를 비교하는 것은 서로 다른 척도를 사용하는 서로 다른 지도 제작자들이 그린 지도를 비교하는 것과 같았습니다.

한 연구팀은 현재의 컴퓨터 프로그램들이 숏 리드 데이터를 사용하여 이러한 대규모 DNA 재배열을 얼마나 잘 찾아내는지 테스트함으로써 이 혼란을 해결하고자 했습니다. 그들은 모든 변이의 정확한 위치와 크기가 이미 알려져 있는 일종의 '진실 세트(truth set)'인 기지의 검증된 DNA 변화 모음집을 수집했습니다. 그들은 16개의 서로 다른 소프트웨어 도구와, 더 많은 변이를 잡아내기 위해 여러 도구를 동시에 실행하는 워크플로우인 4개의 주요 결합 파이프라인(combined pipelines)을 이 진실 세트를 대상으로 실행했습니다. 목표는 프로그램들이 단순히 대략적인 영역을 추측하는 것이 아니라, 단 하나의 글자 단위까지 내려가 DNA 변화의 정확한 시작과 끝을 짚어낼 수 있는지 확인하는 것이었습니다.

결과는 현재 이 분야가 운영되는 방식에 놀라운 결함이 있음을 드러냈습니다. 개별 소프트웨어 도구들은 결실(deletion)이나 삽입(insertion)의 정확한 위치를 찾는 데 종종 우수한 성능을 보였지만, 많은 대규모 연구가 의존하는 결합 파이프라인들은 실제로는 더 낮은 성능을 보였습니다. 이 파이프라인들이 여러 도구의 결과를 하나의 변이 목록으로 병합할 때, 그들은 빈번하게 정밀한 세부 사항들을 놓쳤습니다. 많은 경우, 결합된 접근 방식은 가장 우수한 단일 도구와 비교했을 때 완벽하게 정확한 일치 항목의 수를 최대 98%까지 감소시켰습니다. 이는 데이터를 결합하는 방식이 오류를 유발하여 DNA 변화의 날카로운 경계를 흐릿하게 만들고 있음을 시사합니다. 주요 인간 유전 변이 데이터베이스들이 이러한 결합 파이프라인을 사용하여 구축되었기 때문에, 이 연구에서 발견된 부정확성은 기존의 인간 DNA 차이 기록 중 상당수가 변화가 발생하는 위치에 대해 부정확한 측정을 포함하고 있을 가능성을 시사합니다.

이를 해결하기 위해 연구진은 데이터를 결합하는 새로운 전략을 테스트했습니다. 소프트웨어가 느슨한 규칙에 따라 결과를 자동으로 병합하도록 두는 대신, 그들은 특정 유형과 크기의 DNA 변화에 대해 가장 정확한 도구에 우선순위를 두는 시스템을 만들었습니다. 예를 들어, 어떤 도구는 작은 결실을 찾는 데 가장 적합할 수 있고, 다른 도구는 더 큰 결실을 찾는 데 더 나을 수 있습니다. 각 작업에 가장 적합한 도구가 주도권을 갖게 하고, 다른 도구들의 추가적인 발견 사항은 서로 충돌하지 않을 때만 포함하도록 함으로써, 연구팀은 새로운 결과 세트를 만들었습니다. 이 접근 방식은 테스트된 표준 결합 파이프라인들보다 더 많은 완벽하게 정확한 일치 항목을 회복했습니다. 그들이 롱 리드 시퀀싱(long-read sequencing, DNA를 쪼개지 않고 더 긴 구간을 읽는 더 발전된 기술)으로부터 구축된 독립적인 데이터베이스와 이 새로운 결과를 비교했을 때, 새 방법은 훨씬 더 높은 일치도를 보였습니다. 연구진은 표준 파이프라인들이 특히 DNA 서열이 반복되는 복잡하고 반복적인 게놈 영역에서 많은 실제 변화를 놓치고 있다는 점을 발견했습니다.

이 연구는 연구자들이 서로 다른 소프트웨어 도구로부터의 데이터를 결합하는 현재의 방식이 인간 유전학을 이해하는 데 있어 중요한 병목 현상임을 강조합니다. 연구 결과는 단순히 더 많은 도구를 함께 실행한다고 해서 더 나은 결과가 보장되는 것이 아니라, 오히려 최종 데이터의 정확도를 떨어뜨릴 수 있다는 것을 보여줍니다. 더 신중하고 우선순위에 기반한 병합 방식을 채택함으로써, 과학자들은 구조적 변이에 대한 더 완전하고 정밀한 지도를 생성할 수 있습니다. 이러한 개선은 미래 연구에 필수적인데, 왜냐하면 DNA 변화의 정확한 경계를 아는 것이 그 변화가 유전자를 방해하는지 혹은 질병을 일으키는지 이해하는 데 핵심적이기 때문입니다. 이 연구는 더 나은 표준을 확립하기 위한 명확한 경로를 제공하며, 전 세계 연구자들이 사용하는 유전 지도가 가능한 한 가장 정확하고 상세하게 유지되도록 보장합니다.