Learning alignment topology improves structural variant discovery from long-read sequencing

인간 게놈은 종종 생명의 책이라 불리며, 신체가 어떻게 스스로를 구축하고 유지하는지를 지시하는 방대한 화학적 문자의 서열로 묘사됩니다. 수십 년 동안 과학자들은 이 책을 점점 더 빠른 속도로 읽을 수 있게 되었지만, 가장 중요한 '오타'를 찾는 데는 어려움을 겪어왔습니다. 어떤 오류는 단순히 글자 하나가 다른 글자로 바뀐 것에 불과하지만, 가장 위험한 실수는 대개 거대한 구조적 변화입니다. 이는 유전 코드의 특정 구간이 삭제되거나, 중복되거나, 뒤집히거나, 혹은 잘못된 위치에 삽입되는 것을 의미합니다. 이러한 대규모 재배열은 신체의 지침을 방해하여 심각한 유전 질환, 발달 장애, 그리고 암을 유발할 수 있습니다.

오랫동안 이러한 거대한 오류를 찾는 것은 소설을 한 단어씩 읽어가며 빠진 문단을 찾아내려는 것과 같았습니다. 게놈을 읽는 기술은 발전해 왔으며, 최신 기기들은 한 번에 훨씬 더 긴 텍스트 구간을 읽을 수 있게 되었습니다. 그러나 새로운 문제가 나타났습니다. 이 긴 읽기(long reads)를 사용하더라도, 오류를 찾기 위해 조각들을 다시 맞추는 과정이 여전히 엉망이라는 점이었습니다. 큰 변화를 나타내는 신호들은 종-종 흩어져 있거나, 일관성이 없거나, 혹은 컴퓨터 프로그램이 혼란을 느끼도록 만드는 게놈 내의 반복적인 구간 속에 숨겨져 있습니다. 이러한 프로그램들이 증거를 그룹화하려고 할 때, 특히 변화가 작거나 복잡한 경우 실제 오류를 놓치거나 잘못된 경보를 울리곤 합니다.

연구진은 보다 유연한 방식으로 데이터를 이해함으로써 이 퍼즐을 풀 수 있는 새로운 접근법을 개발했습니다. 이들은 경직된 규칙에서 벗어나 데이터 간의 관계를 살피는 방향으로 나아갔습니다. SGraSV라고 불리는 이 새로운 도구는 단순히 게놈 조각들이 어디에 정렬되는지를 보는 대신, 조각들 사이의 관계를 살펴봅니다. 붐비는 방 안에서 특정 인물을 식별하는 상황을 상상해 보십시오. 전통적인 방식은 단순히 그 사람이 바닥의 특정 좌표 어디에 서 있는지를 볼 수도 있습니다. 만약 그 사람이 약간 움직이거나 군중이 이동한다면, 그 탐색은 실패합니다. 그러나 새로운 방식은 사람들이 서로를 기준으로 어떤 전체적인 패턴을 이루며 서 있는지에 주목합니다. 이 방식은 설령 형상이 약간 변하거나 일부 사람들이 부분적으로 가려지더라도, 특정 대형을 갖추고 서 있는 사람들의 집단 자체가 하나의 신호임을 이해합니다.

연구진은 컴퓨터가 시퀀싱 과정의 노이즈와 실제 유전적 변화를 구별하는 미세한 패턴을 인식하도록 학습시켜 이 시스템을 구축했습니다. 그들은 롱 리드 시퀀싱(long-read sequencing) 기계로부터 얻은 가공되지 않은 데이터를 작고 상세한 묘사들로 분해하는 것부터 시작했습니다. 이 묘사들에는 DNA가 어디서 잘리고 연결되었는지뿐만 아니라, 국소적인 화학적 환경과 일치 품질까지 포함되었습니다. 컴퓨터는 이 묘사들을 핵심 신호를 포착하는 압축된 수학적 시그니처로 변환하는 학습 과정을 거쳤습니다. 수천 개의 이러한 시그니처를 분석함으로써, 시스템은 물리적 위치가 아닌 근본적인 구조를 기반으로 이들을 그룹화하는 법을 배웠습니다. 이를 통해 시스템은 흩어져 있고 다소 지저도한 신호들의 집합이 실제로는 하나의 일관된 사건에 속하는 것인지, 아니면 단순한 무작위 오류인지를 구분할 수 있게 되었습니다.

연구진이 기존 방법들과 이 새로운 도구를 비교 테스트했을 때, 결과는 놀라웠습니다. 그들은 DNA를 읽는 화학적 과정이 서로 다른 PacBio와 Oxford Nanopore를 포함한 다양한 시퀀싱 기기의 데이터를 사용하여 시스템을 실행했습니다. 모든 경우에서, 새 도구는 기존 프로그램보다 더 많은 실제 유전적 변화를 찾아냈으며 실수도 적게 저질렀습니다. 이러한 개선은 특히 까다로운 유형의 오류, 즉 50에서 200글자 길이의 작은 변화나 DNA 구간이 중복되거나 역전된 복잡한 재배열에서 두드러졌습니다. 이 까다로운 영역에서 오래된 도구들은 변화를 완전히 놓치거나, 단일 사건을 여러 개의 혼란스러운 파편으로 쪼개버리곤 했습니다. 그러나 새 시스템은 이 조각들을 하나로 묶어 사건을 정확히 식별하고 높은 정밀도로 위치를 짚어냈습니다.

또한 연구진은 인류의 유전적 다양성을 지도화하는 거대한 국제적 노력인 1000 게놈 프로젝트(1000 Genomes Project)의 방대한 인간 게놈 컬렉션을 대상으로 이 도구를 테스트했습니다. 그들은 두 종류의 기기로 시퀀싱된 65명의 데이터를 시스템에 적용했습니다. 이 도구는 두 기기에서 거의 동일한 결과를 생성하였으며, 이는 사용하는 기술과 상관없이 동일한 유전적 변화를 찾아낼 수 있음을 보여주었습니다. 이러한 일관성은 샘플이 서로 다른 실험실이나 장비로 처리될 수 있는 대규모 연구에서 매우 중요합니다. 나아가, 연구진이 모바일 유전 요소(게놈을 돌아다니는 바이러스 유사 서열)에 대해 이 도구가 어떻게 작동하는지 확인했을 때, 시스템은 이 삽입물들의 전체 길이를 성공적으로 복원해 냈습니다. 기존 도구들은 이 서열들을 조각조각 나누어 연구하기 어렵게 만들었지만, 새 시스템은 그 구조를 보존하여 이 요소들이 어떻게 이동하고 게놈에 영향을 미치는지에 대한 더 명확한 관점을 제공했습니다.

이 도구가 왜 그렇게 잘 작동했는지 이해하기 위해, 연구진은 시스템의 의사결정 과정을 들여 들여다보았습니다. 그들은 시스템이 단순히 변화를 뒷받침하는 읽기(read)의 개수와 같은 단일 요인에 의존하지 않는다는 것을 발견했습니다. 대신, 시스템은 증거의 '응집성(coherence)'을 가중치로 두었습니다. 시스템은 지원하는 신호들이 컴퓨터가 학습한 추상적 공간 내에서 긴밀하고 논리적인 그룹을 형성하는지를 자문했습니다. 만약 신호들이 흩어져 있고 일관성이 없다면, 시스템은 이를 노이즈로 정확히 식별했습니다. 반면, 신호들이 비록 다소 지저분하더라도 일관된 패턴을 형성한다면, 시스템은 이를 실제 사건으로 인식했습니다. 단순히 개수를 세는 것이 아니라 신호 간의 관계의 질을 판단하는 이 능력이 성공의 핵심이었습니다.

연구는 또한 하나의 트레이드오프(trade-off)를 강조했습니다. 이 시스템은 관계에 대한 심층적인 분석을 수행하기 때문에, 단순한 규칙 기반 도구보다 더 많은 컴퓨팅 자원을 필요로 합니다. 실행 시간이 더 오래 걸리고 더 많은 메모리를 사용합니다. 그러나 연구진은 가장 어렵고 생물학적으로 중요한 변화를 찾는 것이 목표라면 이러한 비용은 정당하다고 주장합니다. 희귀 질환을 탐지하거나, 복잡한 유전적 재배열을 이해하거나, 서로 다른 시퀀싱 플랫폼 간에 게놈을 비교해야 하는 연구의 경우, 이 새로운 접근 방식이 제공하는 탁월한 정확도는 상당한 이점을 제공합니다.

증거의 좌표에서 증거의 위상(topology)으로 초점을 전환한 이 작업은 게놈 연구의 새로운 경로를 제시합니다. 이는 우리가 신호를 결합하는 방식이 신호 그 자체만큼이나 중요하다는 것을 입증합니다. 과학자들이 계속해서 인간 게놈을 지도화하고 질병의 원인을 탐구함에 따라, 데이터의 복잡성과 노이즈를 이 정도 수준의 정교함으로 헤쳐 나갈 수 있는 도구들이 필수적이 될 것입니다. 이번 연구 결과는 증거의 구조를 학습하는 것이 게놈을 더 명확하게 바라보게 하여, 우리의 건강과 생물학을 결정짓는 숨겨진 오류들을 드러낸다는 사실을 확인시켜 줍니다.