Entropy-Driven Alignment-Free Phylogenetic Analysis via K-mer Encoding, DNA Physicochemical Properties, and Rough Set Feature Selection

기술 요약: k-mer 인코딩, DNA 물리화학적 특성 및 러프 집합(Rough Set) 특징 선택을 통한 엔트로피 기반 정렬 자유 계통 발생 분석

문제 정의
전장 유전체 시퀀싱 데이터의 급격한 확장은 다중 서열 정렬(MSA)에 크게 의존하는 전통적인 계통 발생 분석의 상당한 한계를 드러냈다. MSA 방식은 계산 복잡도, 정렬 패널티의 임의성, 그리고 유전자 재조합, 치환, 역위로 인한 전장 유전체 규모에서의 부적합성이라는 병목 현상에 직면해 있다. k-mer에 기반한 정렬 자유(alignment-free) 방식이 효율적인 대안으로 등장했으나, 기존 접근법들은 특정 결함을 가지고 있다. 이들은 주로 뉴클레오타이드 조성에만 의존하며 DNA의 고유한 물리화학적 특성과 k-mer의 순서 정보를 간과한다. 또한, 많은 방법론이 서로 다른 k-mer의 기여도를 구분하지 못하여, 생물학적으로 의미 있는 신호를 가릴 수 있는 고차원적이고 중복된 특징 공간을 생성한다.

방법론
저자들은 k-mer 통계와 DNA 물리화학적 특성, 그리고 특징 선택을 위한 러프 집합 이론을 통합한 새로운 정렬 자유 프레임워크를 제안한다. 방법론은 다음과 같은 세 가지 주요 단계로 진행된다:

1. 7가지 특성 서열 인코딩:
   DNA를 단순한 뉴클레오타이드 문자열로 취급하는 대신, 이 방법은 주어진 DNA 서열을 물리화학적 분류에 따른 일곱 가지 별도의 이진(0,1) 서열로 변환한다:

• 퓨린/피리미딘 (R/Y): {A, G} 대 {C, T}
• 케토/아미노 (M/K): {A, C} 대 {G, T}
• 약한/강한 수소 결합 (W/S): {A, T} 대 {G, C}
• 단일 뉴클레오타이드 대비: 각 뉴클레오타이드(A, C, G, T)가 0으로 할당되고 나머지 세 개는 1로 할당되는 네 가지 추가 서열.
  지정된 k-mer 길이에 대해, 이 일곱 가지 서열 각각에 대한 모든 가능한 k-mer의 빈도를 계산한다. 순차적 관계를 보존하기 위해, 빈도 벡터는 오름차순으로 정렬된다. 각 이진 서열에 대한 고유한 벡터 표현($V_F$)은 정렬된 벡터의 빈도 값과 그 위치 인덱스(순위)를 결래하여 구축된다. 이 일곱 개의 벡터는 원래의 DNA 서열을 나타내는 완전한 $7 \times 2^k$ 차원의 워드 벡터를 형성하기 위해 결합된다.

2. 러프 집합 기반 특징 선택:
   $7 \times 2^k$ 차원(예: $k=11$일 때 14,336 차원)의 고차원성을 해결하기 위해, 저자들은 강화된 러프 집합 기반 특징 선택 방법을 사용한다. 이 접근법은 바이러스 유형이 결정 속성(decision attribute) 역할을 하고 k-mer 특징이 조건 속성(condition attribute) 역할을 하는 결정 테이블을 활용한다.

• 정렬된 결정 테이블 내의 "폴딩 포인트(folding points)"와 "평균 폴딩 포인트(average folding points)"를 기반으로 한 새로운 속성 중요도 측도가 도입된다.
• 각 속성에 대한 "최소 평균 폴딩 포인트"($A_{mi}$)가 계산된다. $A_{mi}$ 값이 높은 속성일수록 판별력이 더 높은 것으로 간주된다.
• 이 과정은 정보량이 많은 k-mer의 하위 집합을 휴리스틱하게 선택하여, 분류 능력을 보존하면서 중복성을 줄인다.

3. 계통 발생 추론:
   서열 간의 진화적 거리는 유클리드 거리와 코사인 유사성을 결합한 공식 $D(i, j) = d(v_i, v_j) / \cos(v_i, v_j)$를 사용하여 계산된다. 이후 UPGMA 방법을 사용하여 계통수를 구축한다.

주요 결과
본 연구는 하나의 훈련 세트와 세 개의 독립적인 테스트 세트를 사용하여 프레임워크를 평가하였다.

• 훈련 단계 (한타바이러스): 11개의 한타바이러스 S-세그먼트 서열(HTN 유형 5개, SEO 유형 6개)을 사용하여 최적의 파라미터를 $k=11$ 및 최소 평균 폴딩 포인트 임계값 78.1866으로 결정하였다. 초기 14,336개의 가능한 k-mer($7 \times 2^{11}$) 중에서 3,005개의 유의미한 k-mer가 선택되었다. 결과로 도출된 계통수는 ClustalW/MEGA와 같은 정렬 기반 참조 트리와 일치하는 강력한 분지 지지를 통해 HTN 유형과 SEO 유형 바이러스를 성공적으로 구분하였다.
• 테스트 단계 1 (코로나바이러스): 선택된 3,005개의 k-mer를 33개의 완전한 코로나바이러스 게놈에 적용하였다. 이 방법은 바이러스를 네 가지 주요 그룹(I, II, III, IV)으로 정확히 클러스터링하였으며, SARS 관련 바이러스(그룹 IV)를 다른 그룹들과 정확히 분리하고 SARS-CoV와 SARS-CoV-2 하위 클러스터를 구분해냈다.
• 테스트 단계 2 (일본 뇌염 바이러스 - JEV): 39개의 JEV 게놈에 적용했을 때, 이 방법은 MVE-1-51을 외집단(outgroup)으로 사용하여 바이러스를 기존 문헌과 일치하는 네 가지 뚜렷한 유전자형(I, II, III, IV)으로 성공적으로 분류하였다.
• 테스트 단계 3 (H7N9 인플루엔자): 55개의 H7N9 NA 유전자 서열에 적용하여, 바이러스를 북미 및 유라시아 계통으로 해결하였으며, 추가적인 클러스터링은 지리적 및 시간적 근접성을 반영하였다.

모든 경우에서, 제안된 방법으로 생성된 트리는 전통적인 정렬 기반 방법(ClustalW) 및 부트스트랩 분석에 의해 생성된 트리와 위상학적으로 일치하였다.

계산 효율성
이 방법은 높은 계산 효율성을 입증했다. 연구에서 가장 긴 서열(31,100 bp)을 처리하는 데 표준 소비자급 CPU(Intel Core i5-10210U)에서 4초 미만이 소요되었는데, 이는 유사한 길이의 서열에 대해 5분 이상이 소요된다고 보고된 문헌의 그래픽 표현 방식과 대조적이다.

의의 및 주장
본 논문은 전장 유전체 계통 발생 추론을 위한 효율적이고 해석 가능한 솔루션을 제공한다고 주장한다. 이 연구의 주요 의의는 다음과 같은 기존 k-mer 방식의 한계를 해결했다는 점에 있다:

1. 7가지 특성 서열 인코딩을 통해 물리화학적 특성과 서열 순서를 통합하였다.
2. 임의의 빈도 임계값에 의존하는 대신, k-mer의 판별력에 특화된 차원 축소를 수행하기 위해 러프 집합 이론을 활용하였다.
3. 이 통합된 접근 방식이 다중 서열 정렬의 계산적 부담 없이 다양한 바이러스 군(한타바이러스, 코로나바이러스, JEV, 인플루엔자)에 대한 진화적 관계를 정확하게 재구성할 수 있음을 입증하였다.

저자들은 이 방법이 그래픽 방식만큼 직관적인 시각적 묘사를 제공하지는 않으며 $k$와 특징 크기에 대한 경험적 튜닝이 필요하지만, 계산 속도를 유지하면서 필수적인 진화적 신호를 포착하는 견고하고 확장 가능한 분자 계통 발생 분석 프레임워크를 제공한다고 결론지었다.