Missing by design: why genomic metadata must be captured at submission, not recovered from the literature

매년 수백만 권의 책이 추가되고 있지만, 정작 가장 중요한 정보인 저자, 언어, 그리고 어떤 이야기를 담고 있는지에 대한 정보는 텅 빈 선반처럼 비어 있는 도서관을 상상해 보십시오. 생물학의 세계에서 이 도서관은 과학자들이 식물과 동물의 유전적 청사진을 저장하는 거대한 글로벌 아카이브입니다. 이 청사진은 '게놈 어셈블리(genome assemblies)'라고 불리며, 생명의 근본적인 지침서 역할을 합니다. 그러나 이러한 지침을 이해하기 위해서 연구자들은 해당 생물이 하나의 염색체 세트를 가졌는지 아니면 여러 개를 가졌는지, 구체적으로 어떤 품종에 속하는지, 그리고 유전 물질이 어떻게 구성되어 있는지와 같은 구체적인 세부 사항을 필요로 합니다. 이러한 세부 정보가 없다면, 청사진은 그저 신뢰할 수 있게 읽거나 다른 생명체와 비교할 수 없는 글자들의 무더기에 불과합니다.

수년 동안 과학자들은 이 유전적 청사진을 아카이브에 매우 빠른 속도로 기탁해 왔습니다. 하지만 이를 해석하는 데 필요한 필수적인 맥락은 종종 누락되어 있습니다. 데이터를 제출할 때 해당 정보가 요청되지 않거나, 컴퓨터가 이해할 수 없는 방식으로 기록되기 때문입니다. 이는 질병을 연구하거나, 작물을 개선하거나, 진화를 이해하려는 사람들에게 심각한 문제를 야기합니다. 만약 어떤 컴퓨터 프로그램이 식물의 유전 구조를 모르는 상태에서 식물의 유전체를 분석하려고 한다면, 자연적인 변이를 오류로 착각하여 확신에 찬 틀린 결론을 내릴 수도 있습니다.

한 연구팀은 정확히 어떻게 이러한 정보의 공백이 발생하는지, 그리고 이미 저장된 기록들을 함께 수반하는 과학 논문들을 살펴봄으로써 이 문제를 해결할 수 있는지 조사했습니다. 그들은 누락된 세부 정보가 단순히 무작위적인 누락이 아니라, 제출자가 중요한 질문을 건너뛸 수 있도록 허용하는 시스템과 정보를 기록하는 방식에 대한 합의가 부족한 결과임을 발견했습니다. 연구진은 이미 아카이브에 있는 기록들을 위해 누락된 세부 정보를 찾아내고자 수천 편의 과학 논문을 샅샅이 뒤지는 컴퓨터 프로그램을 구축했습니다. 이 프로그램은 누락된 정보의 약 절반을 성공적으로 복구해 냈지만, 동시에 냉혹한 현실도 드러냈습니다. 많은 기록에서 정보가 아예 기록되지 않았거나, 찾을 수 없는 방식으로 작성되었다는 사실입니다.

이 연구는 데이터가 이미 아카이브에 들어온 후에 문제를 해결하려는 시도는 마치 유리가 산산조각 난 후에 흘린 액체를 닦아내려는 것과 같다고 결론지었습니다. 조각들을 모으는 것은 가능할지 모르나, 문제는 계속 발생할 것입니다. 유일하고 지속 가능한 해결책은 도서관 자체의 규칙을 바꾸는 것입니다. 연구진은 아카이브가 과학자들이 데이터를 처음 제출할 때 특정 세부 사항을 필수 항목으로 제공하도록 요구해야 하며, 모두가 동의하는 표준화된 용어 목록을 사용해야 한다고 주장합니다. 정보를 사후에 재구성하는 것이 아니라 생성되는 순간에 진실을 포착함으로써, 과학계는 성장하는 생명의 도서관이 미래에도 유용하고 정확한 자원으로 남을 수 있도록 보장할 수 있습니다.

문제의 핵심은 현재 아카이브가 설계된 방식에 있습니다. 과학자가 새로운 게놈을 데이터베이스로 보낼 때, 시스템은 종(species)의 이름을 요구하며 이는 필수 사항입니다. 그러나 해당 생물이 가진 염색체 세트의 수나 특정 작물의 품종과 같은 다른 중요한 세부 사항은 대개 선택 사항입니다. 과학자들은 이러한 정보를 가지고 있음에도 불구하고, 이를 작성하는 것이 추가적인 노력을 요하고 출판에 즉각적인 보상을 주지 않기 때문에 빈칸으로 남겨두는 경우가 많습니다. 더욱이, 정보를 제공할 때도 자유 형식의 텍스트(free text)를 사용하여 동일한 개념에 대해 서로 다른 단어나 형식을 사용하는 경우가 빈번합니다. 어떤 과학자는 "four sets"라고 쓰고, 다른 이는 "4x"라고 쓰며, 또 다른 이는 복잡한 코드를 사용할 수 있습니다. 인간 독자에게는 이것들이 명확히 같은 의미로 읽히지만, 컴퓨터 프로그램에게는 완전히 다르고 연결되지 않은 정보가 됩니다.

이러한 표준화의 결여는 복잡한 생물체를 이해할 때 큰 장애물이 됩니다. 많은 식물의 경우, 동일한 종 내에서도 염색체 세트의 수가 다를 수 있습니다. 예를 들어, 대부분의 사과나무는 두 개의 염색체 세트를 가지고 있지만, 일부 인기 있는 품종은 세 개를 가지고 있습니다. 만약 데이터베이스가 종의 이름을 단순히 "사과"라고만 기록한다면, 두 세트와 세 세트 품종을 구분할 수 없어 혼란을 초래하게 됩니다. 마찬가지로, 게놈 내의 개별 염색체에 이름을 붙이는 방식도 연구 그룹마다 크게 다릅니다. 어떤 작물에서는 염색체가 단순한 숫자로 라벨링되는 반면, 다른 곳에서는 조상 유전체의 어느 부분을 상징하는지를 나타내는 문자와 숫자로 라벨링됩니다. 이러한 이름에 대한 공통된 합의가 없다면, 컴퓨터는 동일한 식물을 연구하고 있더라도 한 연구의 염색체를 다른 연구의 것과 자동으로 매칭할 수 없습니다.

이 문제가 얼마나 깊은지 확인하기 위해 연구진은 디지털 탐정 역할을 하는 특화된 소프트웨어 도구인 파이프라인을 구축했습니다. 이 도구는 아카이브의 유전 기록을 가져와 그에 기술된 과학 논문을 찾아내고, 텍스트를 읽어 누락된 세부 정보를 추출합니다. 연구진은 이 도구를 대규모 식물 게놈 컬렉션에 테스트했습니다. 그 결과, 약 절반의 기록에 대해서는 도구가 관련 논문에서 누락된 정보를 성공적으로 찾아낼 수 있었습니다. 그러나 거의 3분의 1의 기록에 대해서는, 도구가 논문은 찾았으나 텍스트 내에서 명확한 진술을 찾을 수 없었습니다. 많은 경우, 정보가 검색 가능한 형태로 작성되지 않았거나, 유전 기록과 직접 연결되지 않은 논문에 묻혀 있었습니다.

또한 연구는 특정 식물을 연구하는 과학계의 규모가 차이를 만드는지 조사했습니다. 많은 연구자가 참여하는 인기 작물이라면 더 일관되고 완전한 기록을 보유하고 있을 것이라고 추측할 수 있습니다. 그러나 데이터는 그러한 연관성이 없음을 보여주었습니다. 수천 편의 논문이 발표된 작물이라 할지라도, 커뮤니티가 단일 표준에 합의하지 않았다면 염색체 명명 규칙은 여전히 일관되지 않았습니다. 이는 문제가 노력이나 관심의 부족이 아니라, 조정의 부족에서 비롯되었음을 시사합니다. 서로 다른 그룹들이 자신들만의 설명 방식을 발전시켜 왔기 때문에, 중앙의 합의 없이는 이러한 차이가 지속되는 것입니다.

연구진은 자신들의 디지털 탐정이 근본적인 한계를 가지고 있다는 점을 깨달았습니다. 이 도구는 이미 문헌에 존재하는 정보만을 찾을 수 있습니다. 만약 정보가 애초에 쓰이지 않았거나, 논문이 유료 결제 벽(paywall) 뒤에 있거나, 혹은 아예 존재하지 않는다면 도구는 정보를 만들어낼 수 없습니다. 연구는 유전 기록과 연결되지 않은 논문의 방법론(methods) 섹션에 올바른 정보가 숨겨져 있었던 사례나, 논문 자체가 첨부되지 않은 게놈 기록이 있는 사례 등을 구체적으로 밝혀냈습니다. 이는 사후 복구에 의존하는 것이 불충분하다는 것을 증명합니다. 데이터의 공백은 단순히 단어를 찾는 기술적인 문제가 아니라, 제출 프로세스 자체의 구조적 실패입니다.

저자들에 따르면, 앞으로 나아갈 길은 문제가 발생한 후에 이를 고치려고 노력하는 것이 아니라, 문제가 발생하는 것을 사전에 방지하는 것입니다. 그들은 아카이브가 염색체 세트, 특정 품종, 게놈 구조와 같은 세부 사항을 필수 항목으로 만들도록 제출 양식을 변경해야 한다고 제안합니다. 과학자들이 원하는 대로 입력하게 두는 대신, 승인된 표준 용어 목록 중에서 선택하도록 강제해야 합니다. 이를 통해 모든 기록이 인간과 컴퓨터 모두가 이해할 수 있는 언어로 필요한 맥락을 갖추어 들어오도록 보장할 수 있습니다. 이러한 작업을 수행할 인프라는 이미 존재하며, 다른 생물학 분야들은 이와 유사한 제출 요구 사항 변경을 성공적으로 시행해 왔습니다.

연구진은 이러한 변화가 과학자들에게 과도한 부담을 주지 않을 것이라고 강조합니다. 연구팀은 데이터를 제출하기 전, 즉 논문을 발표하기 전에도 대개 해당 정보를 알고 있습니다. 만약 특정 세부 사항을 알 수 없는 경우에는, 샘플이 수집된 정확한 위치와 같이 현재 시스템이 처리하는 방식대로 단순히 '알 수 없음'으로 기록하면 됩니다. 이러한 필드들을 필수적이고 표준화된 방식으로 만듦으로써, 과학계는 미래의 유전 연구가 완전하고 신뢰할 수 있는 정보라는 토대 위에 세워질 수 있도록 보장할 수 있습니다. 목표는 수동 수정이라는 반복되는 부담을 정보의 원천에서 이루어지는 단 한 번의 해결책으로 전환하여, 생명의 도서관이 모든 책을 제대로 이해할 수 있는 곳으로 남게 하는 것입니다.