Revisiting Xia's Index of Substitution Saturation, Part II: Iss.c is a power boundary, not a saturation threshold

생명의 거대한 도서관에서 DNA 서열은 종들이 어떻게 연관되어 있는지를 말해주는 페이지와 같습니다. 과학자들은 이 페이지들을 읽어 인간과 침팬지, 새와 공룡, 그리고 박테리아와 서로를 연결하는 가계도를 구축합니다. 하지만 수백만 년에 걸쳐 이 유전 암호의 글자들은 변합니다. 때로는 글자가 너무 많이 바뀌어서 원래 무엇이었는지 알아내는 것이 불가능해지기도 합니다. 이를 치환 포화(substitution saturation)라고 부릅니다. 단어가 너무 여러 번 다시 쓰여서 원래의 철자를 잃어버린 상황을 상상해 보십시오. 유전학에서 너무 많은 변화가 쌓이면, 진정한 가계도의 신호는 노이즈에 묻혀 버립니다. 수십 년 동안 연구자들은 특정 수학적 검사법인 '지표(index)'에 의존하여, DNA 서열이 너무 포화되어 쓸모없게 되었는지 판단해 왔습니다. 만약 이 검사가 데이터가 너무 소란스럽다고 말하면, 과학자들은 그 지저着的이고 복잡한 부분을 제거함으로써 진화의 명확한 그림을 더 쉽게 볼 수 있기를 희망하며 데이터를 버립니다.

동화대학교의 쉬지제(Zhi-Jie Xu) 연구원은 이 오래된 규칙을 새로운 시각으로 바라보았습니다. 2만 개의 시뮬레이션된 DNA 조각을 포함한 대규모 연구에서, 쉬 연구원은 과학자들이 사용해 온 규칙이 실제로 그것이 측정한다고 주장하는 바를 측정하고 있지 않다는 것을 발견했습니다. 이 지표는 서열이 진정한 가계도를 복구할 수 없을 정도로 포화되었는지를 감지하기 위해 설계되었습니다. 그러나 연구에 따르면 이 지표는 가장 중요한 요소인 '가계도 자체의 실제 형태'에 대해서는 눈이 멀어 있습니다. 연구진은 두 세트의 DNA 데이터가 지표상으로는 동일해 보일지라도, 한 세트는 가계도를 완벽하게 밝혀낼 수 있는 반면 다른 한 세트는 아무것도 밝혀내지 못할 수 있다는 것을 발견했습니다. 이 지표는 어떤 데이터를 버릴지 결정하는 신뢰할 수 있는 문지기가 아닙니다.

문제의 핵심은 지표가 작동하는 방식에 있습니다. 이 연구는 지표가 데이터 내의 평균적인 변화량을 측정하는 수치일 뿐, 그 변화가 어떻게 배치되어 있는지는 신경 쓰지 않는다는 점을 보여줍니다. 이를 증명하기 위해 연구진은 서열 내 각 열(column)의 유전 데이터를 섞는 시나리오를 만들었습니다. 이 섞기 작업은 가계도를 재구성하는 능력을 파괴하여, 올바른 나무를 찾는 성공률을 거의 완벽한 수준에서 무작위 추측 수준으로 급락시켰습니다. 그럼에도 불구하고 지표는 아주 미세한 차이도 없이 정확히 동일하게 유지되었습니다. 이는 마치 온도계가 얼어붙은 호수와 끓는 냄비를 보고 똑같은 온도를 읽어주는 것과 같습니다. 이는 지표가 나무를 복구할 수 있는지 여부를 결정하는 특정한 양을 측정하고 있지 않다는 것을 증명합니다.

나아가, 이 연구는 데이터가 "포화"되었는지 결정하는 데 사용되는 임계값이 고정된 숫자가 아님을 밝혀냈습니다. 그것은 DNA 서열의 길이와 연구 대상이 되는 가로수의 구체적인 형태에 따라 달라집니다. 연구진은 데이터의 양과 나무를 찾는 능력 사이의 관계가 단순하고 보편적인 규칙이 아니라는 것을 발견했습니다. 대신, 그것은 나무의 가지 모양에 따라 변화하는 복잡한 균형입니다. 어떤 나무 형태에서는 아주 적은 변화만으로도 데이터를 읽기가 매우 어려워지는 반면, 다른 형태에서는 엄청난 변화가 있어도 여전히 읽을 수 있습니다. 과학자들이 한계치를 설정하기 위해 사용하는 기존의 표들은 이러한 변동성을 고려하지 못하며, 이로 인해 결정이 종종 자의적으로 내려지게 됩니다.

연구진은 실제 환경에서 이 발견들을 테스트하기 위해, 16개의 서로 다른 종을 포함한 대규모 게놈을 시뮬레이션했습니다. 그들은 이 게놈을 작은 조각들로 나누고 지표 점수에 따라 분류했습니다. 그런 다음 지표가 "깨끗하다"고 분류한 조각들과 "포화되었다"고 분류한 조각들을 각각 사용하여 가계도를 재구성하려고 시도했습니다. 결과는 놀라웠습니다. 수천 개의 염기쌍을 포함하는 현대 게놈 데이터의 규모에서, 지표가 거부했던 조각들은 지표가 유지했던 조각들만큼이나 과학자들이 올바른 가계도를 찾는 데 도움이 되었습니다. 지표는 물이 여전히 얕은 곳에 선을 긋고 있었던 것입니다. 지표가 과학자들에게 쓸모없다고 말한 데이터는 실제로 사용할 수 없는 것이 아니라, 단지 지표가 제대로 측정하지 못한 경사면의 일부였을 뿐입니다.

또한, 이 연구는 긴 가지들이 서로를 끌어당기는 문제(진화 생물학에서 흔히 발생하는 문제)를 다루기 위해 설계된 특정 방법을 조사했습니다. 연구진은 이 방법이 지표의 필터링으로부터 이득을 얻지 못한다는 것을 발견했습니다. 사실, 데이터가 짧고 포화된 상태일 때, 표준 방법이 특수 방법보다 더 나은 성능을 보였습니다. 이는 특수 방법이 포화로 인해 발생한 문제를 해결하는 것이 아니라, 오히려 필터링 과정이 유용한 정보를 제거하고 있음을 시사합니다. 해당 특수 방법은 특정 유형의 오류를 복구하기 위해 설계되었지만, 연구에 따르면 테스트된 데이터 맥락에서 그 오류는 존재하지 않았으며, 필터는 단지 도움이 될 수 있는 데이터를 버리는 역할만 했습니다.

궁극적으로, 이 논문은 지표가 포화의 임계값이 아니라 통계적 검정력(statistical power)의 경계라고 결 결론짓습니다. 그것은 우리에게 특정 퍼즐을 풀기 위해 얼마나 많은 데이터가 필요한지는 알려주지만, 퍼즐 조각이 부서졌는지는 알려주지 않습니다. 연구진은 과학자들이 이 지표를 데이터를 버리기 위한 엄격한 규칙으로 사용하는 것을 멈춰야 한다고 주장합니다. 대신, 가계도를 복구하는 능력은 가지의 구체적인 배치와 가용 가능한 전체 데이터의 양에 달려 있다는 점을 인식해야 합니다. 이 연구는 진화의 역사를 연구하는 데 있어 무엇이 풀 수 있는 나무이고 무엇이 풀 수 없는 나무인지를 결정하는 경계가 고정된 선이 아니라, 연구되는 진화적 역사의 고유한 기하학적 구조에 따라 변하는 움직이는 목표물임을 보여줌으로써, 이 문제를 이해하는 더 정밀한 방법을 제공합니다.

이 연구의 함의는 매우 큽니다. 수년 동안 연구자들은 지표가 데이터가 너무 소란스럽다고 말한다는 이유로 유전 데이터의 일부를 삭제해 왔습니다. 이 연구는 많은 경우에 그 데이터가 소란스러운 것이 아니라, 지표가 볼 수 없는 복잡한 패턴의 일부였다는 점을 시사합니다. 이 데이터를 유지함으로써, 과학자들은 이전에 너무 어려워 해결할 수 없다고 생각되었던 가계도를 해결할 수 있을지도 모릅니다. 이 작업은 포화가 문제가 아니라고 말하는 것이 아니라, 그것을 감지하는 도구가 결함이 있다고 말하는 것입니다. 연구진은 문제를 바라보는 새로운 방식을 제공했는데, 이는 단순한 변화의 평균이 아니라 진정한 가계도와 무작위 추측 사이의 실제 거리에 초점을 맞춘 것입니다. 이러한 관점의 전환은 데이터가 생명의 역사에 대해 무엇을 말할 수 있고 무엇을 말할 수 없는지에 대한 더 정확한 평가를 가능하게 합니다.

결국, 이 연구는 더 명확한 길을 제시합니다. 그것은 경직된 규칙을 데이터, 나무 형태, 그리고 길이가 어떻게 상호작용하는지에 대한 미묘한 이해로 대체합니다. 연구진은 유용한 데이터를 결정하는 결정적인 값이 모두에게 적용되는 단일 숫자가 아님을 보여주었습니다. 그것은 연구의 구체적인 상황에 따라 변하는 값입니다. 즉, 과학자들은 단순히 임계값을 넘어, 자신들이 포착하고자 하는 진화적 신호의 더 깊은 구조를 이해하기 위해 데이터를 해석하는 데 있어 더욱 신중해야 합니다. 이 연구는 진화 생물학의 도구가 그들이 답하고자 하는 질문만큼 정밀하도록 보장하며, 널리 사용되는 관행에 대한 교정 역할을 하고 있습니다.