Size dependent loss of structural variant allele counts in pangenome derived VCFs

모든 인간은 DNA라는 언어로 쓰인 고유한 지침 세트를 지니고 있습니다. 이 코드의 많은 부분은 사람마다 동일하지만, 차이점은 우리를 개별적인 존재로 만들고 우리의 건강을 좌우합니다. 과학자들은 오랫동안 코드 속의 아주 작은, 단 한 글자의 변화에 주목해 왔는데, 이는 찾아내고 기록하기가 쉽습니다. 그러나 가장 극적인 차이는 때때로 수천 글자에 달하는 거대한 DNA 덩어리가 삭제되거나, 복제되거나, 뒤집히는 현상에서 나타납니다. 이를 구조적 변이(structural variants)라고 부릅니다. 이러한 변이는 매우 크고 복잡하기 때문에 단일 글자 변화보다 지도화하기가 훨씬 어렵습니다. 과거에 과학자들은 이 거대하고 무질서한 차이들을 단순한 선형 목록에 억지로 끼워 맞추려 노력했는데, 이는 마치 구불구불한 산길을 설명하기 위해 그 길을 가로지르는 직선 구간의 고속도로만을 나열하는 것과 같았습니다. 이러한 방식은 특정 변이를 실제로 얼마나 많은 사람이 보유하고 있는지에 대한 중요한 세부 정보를 놓치는 경우가 많았습니다.

이를 해결하기 위해 연구자들은 최근 팬게놈 그래프(pangenome graph)라고 불리는 새로운 방식의 유전 데이터 저장법을 개발했습니다. 단일한 직선 대신, 이 그래프는 여러 사람의 DNA 서열을 하나의 분기되는 구조로 엮어냅니다. 이 지도에서 각 개인의 DNA는 서로 다른 지점에서 갈라지고 다시 합쳐지는 동일한 지형을 통과하는 경로가 됩니다. 이를 통해 과학자들은 거대한 구조적 변이를 강제로 주석을 단 정보가 아닌, 지형의 자연스러운 특징으로 볼 수 있게 되었습니다. 그러나 질병과 진화를 연구하는 데 사용되는 거의 모든 소프트웨어는 여전히 기존의 단순한 목록 형식을 기대합니다. 새로운 그래프를 사용하려면 과학자들은 이를 다시 목록으로 변환해야 하며, 이 과정은 두 가지 매우 다른 언어 사이의 번역가 역할을 합니다. 여기서 핵심적인 질문은, 이 변환 과정이 특정 거대 변이를 보유한 사람의 실제 수를 보존하는지, 아니면 데이터를 변환하는 행위 자체가 정보를 파편화하는지 여부였습니다.

한 연구팀은 정확히 이것을 테스트하기 위해 실험을 설계했습니다. 그들은 시작하기도 전에 정답을 알고 있는 통제된 실험을 만들었습니다. 실제 인간 DNA 서열을 기초로 사용하여, 그들은 20명의 개인으로 구성된 패널을 시뮬레이션했으며, 특정 위치에 거대한 구조적 변이를 배치하고 이를 보유한 사람들을 정교하게 할당했습니다. 스스로 실험을 설계했기 때문에, 그들은 각 변이를 보유한 사람의 정확한 수를 알고 있었습니다. 그 후 시뮬레이션된 데이터로부터 팬게놈 그래프를 구축하고, 주요 연구 컨소시엄에서 사용하는 표준 변환 파이프라인을 통해 그래프를 다시 목록으로 돌렸습니다. 최종 목록을 원래의 진실(truth)과 비교함으로써, 그들은 어떤 정보가 여정 중에 살아남고 무엇이 소실되었는지 정확히 확인할 수 있었습니다.

결과는 명확하고 체계적인 문제를 드러냈습니다. 작은 변이의 경우, 변환은 거의 완벽하게 작동하여 보유자 수를 보존했습니다. 하지만 변이의 크기가 커질수록 보유자 수의 정확도는 급격히 떨어졌습니다. 100글자 길이의 변이에 대해서는 변환이 거의 모든 경우에서 보유자 수를 정확히 식별했습니다. 그러나 30,000글자 길이의 변이에 대해서는 정확한 수가 약 절반 정도의 경우에서만 복구되었습니다. 변이가 클수록 변환 과정이 데이터를 파편화하여, 하나의 보유자 집단을 여러 개의 작고 서로 관련 없는 그룹으로 쪼갤 가능성이 높았습니다. 이러한 파편화는 이미 읽기 어려운 영역으로 알려진 구간 중복(segmental duplications) 지역에서 더욱 심각하게 나타났으며, 이곳에서는 가장 큰 변이들에 대해 정확한 수가 40% 미만으로 복구되었습니다.

연구진은 이 오류의 근원을 변환 과정의 바로 첫 단계에서 찾아냈습니다. 그래프를 목록으로 분해할 때, 소프트웨어는 "버블(bubbles)"—경로가 갈라졌다가 다시 합쳐지는 구간—을 찾습니다. 소프트웨어는 버블을 통과하는 모든 고유한 경로를 별개의 변이로 취급합니다. 그런데 거대한 버블은 흔히 보유자들 사이의 수많은 작고 무관한 차이들을 포함하고 있기 때문에, 소프트웨어는 하나의 거대한 결실(deletion)을 수십 개의 약간씩 다른 사건으로 잘못 인식하게 됩니다. 이후의 파이프라인 단계들은 목록을 정리하고 단순화하도록 설계되어 있지만, 이러한 근본적인 오해를 바로잡을 수 없었습니다. 그들은 일부 파편들을 병합할 수는 있었지만, 초기 분해 단계에서 이미 연결 고리를 잃어버렸기 때문에 원래의 통합된 보유자 그룹을 재구성할 수는 없었습니다.

이것이 그래프 자체의 결함이 아니라 번역 방법의 결함임을 증명하기 위해, 팀은 다른 접근 방식을 시도했습니다. 그래프를 먼저 목록으로 변환하는 대신, 그들은 그래프 경로를 따라 직접 보유자를 세는 도구를 작성했습니다. 이 방법은 번역 과정을 완전히 건너뛰었습니다. 직접적인 카운팅 방식을 사용했을 때, 그들은 변이의 크기에 상관없이 99%의 변이에 대해 정확한 보유자 수를 복구했습니다. 이는 정보가 여전히 그래프 안에 존재하지만, 그래프를 목록으로 변환하는 표준 방식이 이를 제대로 읽어내지 못하고 있음을 입증했습니다. 문제는 지도가 아니라, 지도를 읽는 방식에 있었습니다.

연구팀은 이 문제가 시뮬레이션 외부에서도 존재하는지 확인하기 위해 인류 팬게놈 참조 컨소시엄(Human Pangenome Reference Consortium)의 실제 데이터를 조사했습니다. 그들은 인구 집단에서 발견되는 특정 거대 결실을 조사했는데, 이 결실은 461명 중 216명이 보유하고 있었습니다. 가공되지 않은 원시 그래프 데이터에서 이 단일 사건은 84개의 서로 다른 대립유전자(alleles)로 나타났으며, 가장 큰 그룹은 25명의 보유자만을 포함하고 있었습니다. 최종적으로 발표된 목록을 확인했을 때, 이 사건은 네 개의 별도 기록으로 분리되어 있었습니다. 이들을 모두 합치면 전체 보유자 수는 대략적으로 맞을 수 있었지만, 해당 사건은 더 이상 단일 단위로 인식되지 않았습니다. 게놈에 존재하는 독특한 구조적 변이의 개수를 세는 모든 분석은 이 하나의 사건을 네 개로 잘못 계산하여, 다양성을 부풀리고 해당 변이가 얼마나 흔한지에 대한 이해를 왜곡하게 될 것입니다.

이 연구는 팬게놈 그래프가 인간의 유전적 변이에 대한 더 완전한 그림을 제공하지만, 이 데이터를 공유하고 분석하는 데 사용되는 표준 도구들이 현재 가장 중요한 정보를 손상시키고 있다고 결론짓습니다. 정확한 보유자 수의 손실은 드문 오류가 아니라, 데이터를 변환하는 과정에서 발생하는 예측 가능한 결과입니다. 연구진은 거대 구조적 변이의 빈도에 의존하는 연구의 경우, 변환된 목록에 의존하기보다 그래프 경로에서 직접 보유자를 세어야 한다고 제안합니다. 이 방식은 더 빠르고 훨씬 더 정확하며, 복잡한 지도를 단순한 목록으로 번역하는 과정에서 진정한 유전적 다양성의 규모가 유실되지 않도록 보장합니다.