Similarity analysis of DNA sequences through local distribution of nucleotides in strategic neighborhoods

생명의 도서관을 모든 생명체가 자신만의 고유한 비밀 코드로 쓰인 독특한 책을 가진 거대하고 오래된 기록 보관소라고 상상해 보세요. DNA라고 알려진 이 코드는 단 네 개의 글자—A, C, G, T—로 이루어져 있으며, 이 글자들이 길게 엮여 하나의 문장을 이루며 유기체가 어떻게 만들어지는지에 대한 이야기를 들려줍니다. 수십 년 동안 과학자들은 이 생물학적 책들을 서로 비교하여 누가 누구와 관련이 있는지 알아내려 노력해 왔습니다. 이는 마치 탐정이 필적을 통해 가족의 미스터리를 풀려는 것과 같습니다. 기존의 방식은 두 권의 거대한 소설을 페이지 단위로, 글자 단위로 일일이 대조하여 어디가 일치하고 어디가 다른지 찾아내는 것과 같았습니다. 이 방법은 정확하긴 하지만, 책이 수천 페이지에 달할 때는 믿을 수 없을 정도로 느리고 번거롭습니다. 이는 두 권의 백과사전에서 특정 오타를 찾기 위해 두 책의 모든 단어를 동시에 읽어야 하는 것과 같습니다.

이를 빠르게 하기 위해 과학자들은 "정렬 불필요(alignment-free)" 방식을 발명했습니다. 이는 책의 모든 단어를 읽는 대신 책의 전반적인 스타일을 빠르게 스냅샷 찍는 것과 같습니다. 글자들이 순서대로 일치하는지 확인하는 대신, 이 방식은 텍스트의 전체적인 '풍미'를 살펴봅니다. 즉, 특정 단어가 얼마나 자주 등장하는지, 글자들이 어떻게 그룹을 이루는지, 또는 글쓰기의 전반적인 리듬이 어떠한지를 보는 것입니다. 이 논문은 이러한 스냅샷을 찍는 새롭고 매우 빠른 방법을 소개합니다. 연구진은 길고 무질서한 DNA 서열을 작고 압축된 숫자 목록으로 변환하는 영리한 기술을 제안합니다. 그들은 글자들의 작은 이웃(neighborhood)을 관찰하고, 그 안에 무엇이 들어있는지 세고, 소수(math의 기본 단위)를 이용한 수학적 마법 기술을 사용하여 모든 DNA 섹션에 대한 고유한 지문을 생성합니다. 이를 통해 두 DNA 서열을 완벽하게 정렬할 필요 없이 순식간에 비교할 수 있습니다.

이 논문의 핵심 아이디어: 순식간에 만드는 DNA 지문

인도 내 대학 및 연구 기관의 연구진으로 구성된 연구팀은 PPN(Prime Factorization Neighborhood, 소수 인수분해 이웃)이라고 불리는 새로운 알고리즘을 구축했습니다. 그들의 목표는 빠를 뿐만 아니라 컴퓨터 메모리도 매우 적게 사용하는 DNA 서열 비교 방법을 만드는 것이었습니다. 그들은 길이가 매우 다를 수 있는 서로 다른 종의 DNA를 비교할 때 기존 방식들이 흔히 겪는 문제를 해결하고자 했습니다.

이 방법이 어떻게 작동하는지 재미있는 비유를 들어 설명해 보겠습니다. 여러분에게 긴 색 구슬 줄(DNA)이 있다고 상상해 보세요. 줄 전체를 한꺼번에 보는 대신, 작은 돋보기("이웃")를 들고 한 번에 몇 개의 구슬만 들여다보는 것입니다. 이 방법에서 그들은 단순히 구슬을 보는 것이 아니라, 특정 패턴의 구슬(예를 들어 하나 건너 하나씩)을 보고 그 작은 그룹 안에 빨간색, 파란색, 초록색, 노란색 구슬이 각각 몇 개 있는지 셉니다.

이제 여기서부터 영리한 부분이 나옵니다. 그들은 각 색상에 특별한 "소수"를 할당합니다(예를 들어 빨간색은 2, 파란색은 3, 초록색은 5, 노란색은 7). 만약 어떤 이웃에 빨간색 구슬 2개와 파란색 구슬 1개가 있다면, 이 숫자들을 모두 곱합니다: $2 \times 2 \times 3 = 12$. 수학의 유명한 법칙인 "소인수분해의 유일성" 덕분에, 숫자 12는 오직 두 개의 2와 하나의 3을 곱했을 때만 만들어질 수 있습니다. 즉, 숫자 12는 비록 그 자체로는 구슬처럼 보이지 않더라도, 그 그룹에 정확히 몇 개의 빨간색과 파란색 구슬이 있었는지에 대한 모든 비밀을 담고 있습니다.

그들은 DNA 줄을 따라 모든 이웃에 대해 이 작업을 수행하여, 이 특별한 숫자들의 짧은 목록을 만듭니다. 그런 다음 이 숫자들을 모두 더하여 해당 방식으로 바라본 특정 DNA의 단일 "점수"를 얻습니다. 색상에 소수를 할당하는 방법에는 24가지의 서로 다른 방식이 있으므로, 결과적으로 24개의 점수로 이루어진 목록이 만들어집니다. 이 목록은 전체 DNA 서열에 대한 24차원 지문 역할을 합니다. 두 가지 다른 유기체를 비교하려면, 두 지문 사이의 거리를 측정하기만 하면 됩니다. 지문이 서로 가까우면 DNA가 유사한 것이고, 멀면 서로 다른 것입니다.

왜 게임 체인저인가

이 논문은 이 방법이 매우 효율적임을 보여줍니다. 실제 환경에서 연구진은 물고기, 포유류, 그리고 에볼라나 코로나와 같은 다양한 바이러스의 DNA를 대상으로 알고리즘을 테스트했습니다. 그들은 이 방법이 이미 과학자들이 신뢰하고 있는 표준 트리와 매우 유사한 "계통수(family tree)"를 구축할 수 있음을 발견했습니다. 그들은 특정 거리 점수를 사용하여 자신들의 트리가 "골드 스탠다드(gold standard)"와 얼마나 가까운지 측정했으며, 정규화된 로빈슨-파울더스 거리(normalized Robinson-Foulds distance) 0.64와 정규화된 쿼텟 거리(normalized Quartet Distance) 0.2602를 찾아냈습니다. 이 수치들은 이 방법이 종 사이의 관계를 상당히 잘 포착하고 있음을 시사합니다.

하지만 진짜 마법은 속도에 있습니다. 연구진이 다섯 개의 완전한 게놈 서열에 대해 이 알고리즘을 두 가지 인기 있는 방법(CD-MAWS 및 Co-phylog)과 비교했을 때, PPN이 종종 가장 빨랐습니다. 예를 들어, 포유류 게놈을 분석하는 데 CD-MWS 방식이 0.151분이 걸린 반면, PPN은 단 0.052분밖에 걸리지 않았습니다. 더욱 인상적인 것은, 최대 900개의 종을 포함하는 시뮬레이션 데이터셋을 테스트했을 때, PPN은 경쟁 모델들보다 훨씬 적은 컴퓨터 메모리를 사용하면서도 더 빠르게 작업을 완료했다는 점입니다.

연구진은 크기가 판이하게 다른 두 DNA 서열을 비교하며 한계 테스트도 진행했습니다. 하나는 3,000만 개 이상의 뉴클레오타이드를 가진 옥수스 식물이고, 다른 하나는 400만 개 이상의 뉴클레오타이드를 가진 벼였습니다. 그들의 알고리즘은 이러한 크기 차이에도 불구하고 문제없이 작동하며, 약 33.68분 만에 두 서열 사이의 거리를 찾아냈습니다. 이는 비교되는 "책"의 길이가 다르더라도 이 방법이 혼란을 겪지 않는다는 것을 증명합니다.

이 논문이 주장하지 않는 것

이 논문이 주장하지 않는 내용을 명시하는 것도 중요합니다. 연구진은 자신들의 방법이 완벽하다거나 다른 모든 도구를 대체할 수 있다고 주장하는 것이 아닙니다. 그들은 자신들의 방법이 물고기 DNA 데이터를 사용하여 "조율(tuning)"하거나 "맞춰야(fit)" 했던 특정 매개변수(이웃의 크기와 그 사이의 거리)에 의존한다는 점을 명시적으로 밝히고 있습니다. 그들은 이 방법이 매개변수를 올바르게 설정했을 때 가장 잘 작동한다고 제안하지만, 조정 없이 모든 유형의 DNA에 대해 완벽하게 작동한다고 주장하지는 않습니다.

또한, 이 논문은 방법의 속도와 메모리 효율성에 초점을 맞추고 있습니다. 그들은 결과로 나온 계통수가 훌륭하다는 것을 보여주기는 하지만, 새로운 생물학적 비밀을 발견했거나 진화의 미스터리를 풀었다고 주장하지는 않습니다. 그들은 단지 과학자들이 사용할 수 있는 더 빠르고 가벼운 도구를 제공할 뿐입니다. 결과는 새로운 생물학적 발견이 아닌, 기존의 벤치마크 데이터셋과의 시뮬레이션 및 비교를 바탕으로 합니다. 이 논문은 이 도구가 대량의 데이터를 빠르게 처리해야 하는 연구자들에게 매우 유용할 수 있으며, 아마도 DNA로부터 학습하는 컴퓨터 모델을 훈련하는 데 도움이 될 수 있음을 시사하지만, 특정 의료적 돌파구나 임상적 용도를 예측하는 단계까지 나아가지는 않습니다.

요약하자면, 이 논문은 유전 코드를 읽기 위한 영리한 수학 기반의 지름길을 제시합니다. 소수를 사용하여 긴 DNA 문자열을 압축된 숫자 목록으로 변환함으로써, 저자들은 빠르고 메모리 친화적이며 생명의 나무에서 가족 관계를 포착하는 데 놀라울 정도로 정확한 도구를 만들어냈습니다. 이는 마치 전국 각지로 패키지를 배달할 때 느리고 무거운 트럭 대신 민첩한 스포츠카로 교체하는 것과 같습니다.