Data Reduction in SARS-CoV-2 Amplicon Sequencing: Effects of Read Subsampling and Normalization on Consensus Quality, Lineage Assignment, and Computational Burden

바이러스가 어떻게 변화하고 퍼지는지를 추적하기 위해, 과학자들은 차세대 염기서열 분석이라는 강력한 도구에 의존합니다. 바이러스의 전체 유전 코드, 즉 바이러스가 어떻게 행동할지를 알려주는 긴 명령 체계를 사진으로 찍는다고 상상해 보십시오. 여러 환자로부터 이러한 코드를 읽음으로써, 연구자들은 새로운 변이를 포착하고, 바이러스가 지역사회 내에서 어떻게 이동하는지 이해하며, 위험한 돌연변이를 감시할 수 있습니다. 하지만 이 유전적 사진을 찍는 과정이 항상 효율적인 것은 아닙니다. 코드를 읽는 데 사용되는 기계들은 종종 꼭 필요한 것보다 훨씬 더 많은 데이터를 생성하는데, 이는 마치 지평선만 보면 되는데 해변의 모래알 하나하나까지 모두 포착하는 카메라로 사진을 찍는 것과 같습니다. 이러한 과도한 데이터는 컴퓨터에 무거운 부담을 주어 분석 속도를 늦추고, 공중보건 위기 상황에서 신속한 답변을 얻는 것을 어렵게 만듭니다.

유타의 한 연구팀은 이러한 디지털 불필요한 데이터 문제를 해결하기 위해 나섰습니다. 그들은 SARS-CoV-2 바이러스에 사용되는 특정 유형의 유전체 염기서열 분석에 집중했는데, 이는 앰플리콘(amplicon) 시퀀싱이라 불리는 방식에 기반합니다. 이 기술은 바이러스 게놈의 작고 특정한 조각들을 명확하게 읽을 수 있도록 여러 번 복제하는 방식으로 작동합니다. 이 복제 과정의 알려진 부작용 중 하나는 일부 조각이 다른 조각보다 훨씬 더 많이 복제되어 데이터의 불균형한 분포를 만든다는 것입니다. 바이러스의 모든 부분을 확인하기 위해 과학자들은 종종 필요한 수준을 훨씬 넘어서 샘플을 시퀀싱하며, 이로 인해 처리하는 데 오랜 시간이 걸리는 방대한 파일이 생성됩니다. 연구진은 바이러스를 식별하거나 새로운 변이를 찾아내는 능력을 잃지 않으면서도, 속도를 높이기 위해 이 여분의 데이터를 안전하게 버릴 수 있는지 알고 싶었습니다. 그들은 데이터를 줄이는 두 가지 방법을 테스트했습니다. 하나는 단순히 무작위로 조각들을 골라 남기는 것이었고, 다른 하나는 불균형한 복제를 해결하기 위해 데이터를 능동적으로 균형 있게 맞추는 것이었습니다.

이 연구는 환자들에게서 채취한 220개의 임상 샘플과, 지역사회의 여러 바이러스가 섞여 있는 하수(wastewater)에서 수집된 12개의 샘플을 분석하는 과정을 포함했습니다. 연구진은 원래의 방대한 데이터 세트를 가져와 다양한 크기로 줄인 뒤, 컴퓨터가 여전히 제 역할을 수행할 수 있는지 테스트했습니다. 그들은 두 가지 전략의 결과를 비교했습니다. 첫 번째 전략인 무작위 하위 샘플링(random subsampling)은 혼합된 구슬 양동이에서 눈을 가리고 작은 한 움큼을 무작위로 떠내는 것과 같았습니다. 이 방법은 데이터의 원래 불균형함을 유지하면서 전체 덩어리만 작게 만들었습니다. 두 번째 전략인 리드 깊이 정규화(read depth normalization)는 더 똑똑한 분류기처럼 보였습니다. 이 방식은 더미를 살펴보고 너무 많은 양의 구슬을 가진 것을 식별한 뒤, 나머지를 제거하여 완벽하게 균형 잡힌 한 움큼을 만들어냈습니다.

결과는 두 방법 모두 샘플을 분석하는 데 필요한 시간과 컴퓨터 전력을 줄이는 데 성공했지만, 각기 다른 목표에 따라 가장 효과적인 방법이 다르다는 것을 보여주었습니다. 바이러스의 버전이 무엇인지 식별하는 것이 목표였던 환자 샘플의 경우, 충분한 데이터만 남아 있다면 무작위로 골라내는 방식이 잘 작동했습니다. 그러나 바이러스의 유전 코드를 완전하고 정확하게 그려내는 데는 스마트한 분류 방식이 더 우수했습니다. 이 방식은 연구자들이 훨씬 적은 데이터로도 고품질의 결과를 얻을 수 있게 해주었습니다. 구체적으로, 스마트 분류 방식은 200배의 데이터 깊이(coverage)에서도 신뢰할 수 있는 유전 지도를 만들어낸 반면, 무작위 방식은 동일한 수준의 완전성을 달성하기 위해 500배 이상의 깊이가 필요했습니다. 이는 일상적인 환자 검사에서 스마트 분류 방식을 사용하면, 의사와 공중보건 관계자들에게 필요한 명확한 답을 제공하면서도 컴퓨팅 시간을 크게 절약할 수 있음을 의미합니다.

하지만 연구진이 하수 샘플을 살펴보았을 때 이야기는 달라졌습니다. 이 샘플들은 여러 가지 다른 바이러스 변종들이 동시에 존재하는 복잡한 혼합물이며, 목표는 각 변종이 정확히 얼마나 존재하는지 파악하는 것입니다. 이 시나리오에서 연구진은 데이터를 버리는 것이 위험하다는 사실을 발견했습니다. 데이터를 너무 많이 줄이면 컴퓨터가 서로 다른 변종들을 구분하는 데 어려움을 겪었습니다. 어떤 변종들이 존재하는지를 식별하는 정확도가 데이터가 일정 수준 아래로 떨어지자 급격히 감소했습니다. 데이터를 균형 있게 맞추는 스마트 분류 방식은 데이터를 너무 희소하게 만들 경우, 실제보다 더 많은 변종이 존재하는 것처럼 보이게 하는 가짜 신호를 만들어내기도 했습니다. 무작위 방식은 매우 낮은 데이터 수준에서 조금 더 잘 버텨냈지만, 여전히 지역사회의 바이러스 혼합물을 신뢰할 수 있게 보여주는 데는 실패했습니다. 연구는 데이터 축소가 일상적인 분석 속도를 높이는 강력한 도구이긴 하지만, 환경 모니터링에서는 극도로 주의해서 사용되어야 한다고 결론지었습니다. 하수의 경우, 인구 집단 내에서 순환하는 복잡한 바이러스 혼합물을 정확히 풀어내기 위해서는 높은 수준의 데이터를 유지하는 것이 필수적입니다.

궁극적으로, 이 연구는 바이러스 감시 중에 발생하는 유전 데이터의 범람을 어떻게 다룰지에 대한 명확한 가이드를 제공합니다. 이는 데이터를 줄이는 데 있어 단 하나의 최선의 방법이란 존재하지 않는다는 것을 보여줍니다. 즉, 어떤 질문을 던지느냐에 따라 적절한 선택이 달라진다는 것입니다. 만약 목표가 환자에게서 바이러스를 빠르게 식별하는 것이라면, 데이터를 다듬는 가벼운 접근 방식이 효율적이고 효과적입니다. 만약 목표가 가장 상세한 유전 지도를 만드는 것이라면, 복제 편향을 교정하는 방법이 더 나은 길입니다. 하지만 환경 속에 존재하는 복잡하고 혼합된 개체군을 이해하려고 할 때, 연구진은 데이터가 적은 것이 결코 좋지 않다는 것을 발견했습니다. 그런 경우에는 바이러스가 어떻게 퍼지고 있는지에 대한 진실을 말해주는 미세한 세부 사항들을 놓치지 않기 위해 전체 규모의 정보가 반드시 필요합니다. 데이터 축소 전략을 특정 과업에 맞춤으로써, 공중보건 실험실은 공동체를 보호하는 데 필요한 정확성을 희생하지 않으면서도 시스템을 더 빠르고 지속 가능하게 만들 수 있습니다.