🧬 생물학

Where DNA data storage loses its bits

이 논문은 17개의 데이터 세트를 통해 DNA 데이터 저장 시 발생하는 정보 손실의 구체적인 원인을 분석하여, 오류율이 낮은 풀(pool)에서는 서열 오류보다 샘플링 비효율성이 종종 더 지배적임을 밝히고, 반복 소프트 수신기(iterative soft receiver)가 기존 방식들에 비해 필요한 리드(read)의 수를 유의미하게 줄여준다는 것을 입증한다.

원저자: Hassan Khodaiemehr, Malihe Aliasgari, Chen Feng

게시일 2026-11-13

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Hassan Khodaiemehr, Malihe Aliasgari, Chen Feng

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

모든 책이 종이가 아닌 미세한 DNA 가닥 위에 기록되는 도서관을 상상해 보십시오. 이것이 바로 DNA 데이터 저장 기술의 약속입니다. 세계의 정보를 신발 상자 크기만 한 부피 안에 담아내는 방법이죠. 과정은 이론적으로는 간단합니다. 과학자들이 각각 작은 디지털 데이터를 담고 있는 짧은 DNA 가닥들을 합성하여 하나의 풀(pool)에 저장합니다. 정보를 검색하려면 이 가닥들을 시퀀싱하여 화학적 문자를 다시 컴퓨터로 읽어 들입니다. 하지만 현실 세계는 복잡합니다. 이러한 가닥을 만드는 화학 기계는 완벽하지 않으며, 이를 읽는 기계들도 실수를 저지릅니다. 어떤 가닥은 완전히 사라지고, 어떤 가닥은 너무 적게 읽혀서 신뢰할 수 없게 됩니다. 수년간 연구자들은 단 하나의 DNA 글자에 얼마나 많은 비트의 데이터를 담을 수 있는지에 대해 찬사를 보내왔지만, 더 근본적인 질문, 즉 '데이터가 사라질 때 정확히 어디로 가는가?'에 대해서는 거의 멈춰 서서 생각하지 않았습니다.

브리티시 컬럼비아 대학교와 키언 대학교 연구진의 새로운 연구는 저장된 데이터뿐만 아니라 손실된 데이터에 주목함으로써 이 미스터리를 해결하고자 합니다. 연구팀은 단순히 최종 점수를 보고하는 대신, 17개의 서로 다른 공개 실험을 조사하고 수백만 개의 원시 DNA 리드(read)를 분석하여 정보가 어디에서 사라지는지에 대한 정밀한 지도를 구축했습니다. 그들은 DNA 저장 과정을 노이즈가 있는 통신 채널처럼 취급하여, 각 실험에서 발견된 특정 오류에 수학적 모델을 적용했습니다. 이를 통해 그들은 손실을 몇 가지 범주로 구분할 수 있었습니다. 즉, 전혀 읽히지 않은 가닥, 읽혔으나 횟수가 너무 적은 가닥, DNA 자체의 화학 작용으로 인한 오류, 그리고 데이터를 조직화하는 데 필요한 추가 마커의 비용 등으로 분류했습니다.

연구 결과에 따르면, 표준 실험실 합성 및 고정밀 시퀀싱을 사용하는 가장 일반적인 유형의 DNA 저장 방식에서, 가장 큰 손실은 DNA가 부서지거나 기계가 글자를 잘못 읽어서 발생하는 것이 아니었습니다. 대신, 데이터는 단순히 DNA 가닥의 풀(pool)이 불균일하기 때문에 손실됩니다. 완벽하게 균일한 풀이라면 모든 가닥이 동일한 횟수로 읽힐 것입니다. 그러나 실제로는 어떤 가닥은 풍부하여 수십 번씩 읽히는 반면, 어떤 가닥은 희귀하여 한 번도 발견되지 않습니다. 연구진은 낮은 판독 깊이(reading depth)에서 이러한 불균일성과 가닥에 인덱스를 붙이는 비용이 효율성을 크게 떨어뜨려, DNA 글자당 0.2에서 0.35 비트 사이의 정보 손실을 초래한다는 것을 계산했습니다. 반면, 시퀀싱 기계가 저지르는 실제 오류, 즉 한 글자를 다른 글자로 대체하거나 글자를 삭제하는 등의 오류는 0.01 비트 미만의 손실만을 차지했습니다. 이는 현재의 시스템에서 더 나은 저장법으로 가는 길이 더 복복잡한 오류 정정 코드를 작성하는 것이 아니라, 모든 가닥이 읽힐 확률을 동등하게 갖도록 합성 과정을 더 균일하게 만드는 데 있음을 시사합니다.

DNA가 오래되었거나 화학적 반응이 더 불안정한 경우에는 상황이 극적으로 변합니다. DNA 가닥이 노화되면 부서지게 되며, 이로 인해 시퀀서가 원래 메시지의 파편만을 읽게 되는 상황이 발생합니다. 이 경우, 가닥이 너무 짧아 쓸모가 없기 때문에 발생하는 정보 손실은 글자당 최대 0.58 비트에 달할 정도로 막대합니다. 마찬가지로, 나노포어(nanopore) 시퀀싱과 같이 더 새롭고 저렴하지만 노이즈가 많은 기술을 사용할 때는 기계가 시퀀스 내에서 자신의 위치를 추적하는 데 어려움을 겪습니다. 여기서 발생하는 손실은 리드를 정렬(aligning)하는 데 드는 어려움 때문이며, 이는 글자당 0.04에서 0.26 비트 사이의 손실을 초래합니다. 연구는 이러한 까다로운 조건에서는 해결책이 더 나은 화학 기술이 아니라 더 나은 읽기 기술에 있다고 보여줍니다. 연구진은 몇 개의 알려진 '파일럿(pilot)' 글자를 앵커(anchor)로 사용하여 컴퓨터가 지저한 리드를 정렬할 수 있도록 돕는 새로운 디코딩 방법을 개발했습니다. 이 접근 방식은 기존의 최선책보다 15~42% 적은 리드만으로도 데이터를 복구할 수 있게 하여, 노이즈가 많고 신뢰할 수 없는 과정을 신뢰할 수 있는 과정으로 탈바꿈시켰습니다.

또한 연구진은 다양한 유형의 DNA 설계에 이론적으로 얼마나 많은 정보를 저장할 수 있는지 테스트했습니다. 그들은 화학적 오류를 방지하기 위해 동일한 글자의 반복을 피하는 일부 설계들이, 견고함을 위해 잠재적 용량의 거의 4분의 1을 희생하면서 저장 밀도를 약 1.59 비트로 제한한다는 것을 발견했습니다. 실제 결과와 해당 조건의 이론적 한계를 비교함으로써, 연구팀은 최근의 저장 시스템들이 이미 자신들의 기술이 가능한 수준의 90% 이상에서 작동하고 있음을 보여주었습니다. 이는 가장 일반적인 설정의 경우, 현재의 성능과 이론적 최대치 사이의 간극이 매우 작다는 것을 의미합니다. 이 연구는 DNA 저장의 미래가 '적절한 문제에 적절한 솔루션을 맞추는 것'에 달려 있다는 결론을 내립니다. 즉, 표준 저장의 경우 DNA 풀의 균일성을 개선하고, 오래된 아카이브의 경우 부서진 가닥을 수리하며, 노이즈가 많은 저가형 기술의 경우 더 스마트한 디코딩 알고리즘을 사용하는 것입니다. 모든 데이터셋을 각자의 특정 손실에 대조함으로써, 연구진은 이 분야의 다음 성과가 어디에서 올 것인지에 대한 명확한 로드맵을 제공했습니다.

기술 요약: "DNA 데이터 저장 장치에서 비트가 손실되는 지점"

문제 정의
DNA 데이터 저장은 일반적으로 합성된 뉴클레오타이드당 순 정보 밀도(bits per synthesized nucleotide)로 평가되며, 이는 0.33에서 1.8 bits per nucleotide 이상으로 상승해 왔다. 그러나 이러한 지표들은 최적성에 대한 표준화된 기준이 결여되어 있다. 현재의 평가 방식은 특정 실험에서 정보가 어디에서 손실되는지를 설명하지 못한다. 샘플링 비효율성, 시퀀싱 오류, 동기화 문제(삽입/결실), 설계 제약 사이의 구분을 포함한 세밀한 손실 계수가 없다면, 새로운 코딩 방식이 최적에 근접했는지, 이득이 화학(chemistry)에서 와야 하는지 아니면 코딩(coding)에서 와야 하는지, 또는 목표 밀도를 위해 얼마나 많은 시퀀싱이 필요한지를 판단하는 것은 불가능하다. 기존의 용량 한계는 이상적인 독립 오류 모델이나 치환(substitution)만을 가정하는 모델에 기반하고 있으나, 이는 실제 DNA 저장 채널의 위치 의존적이고 상관관계가 있으며 절단(truncation)되기 쉬운 특성을 반영하지 못한다.

방법론
저자들은 8개의 연구로부터 추출된 620만 개의 로우 리드(raw reads)를 포함하는 17개의 공개 데이터셋을 분석하였으며, 이는 다양한 합성 기술(array, photolithographic)과 시퀀싱 플랫폼(Illumina, Nanopore)을 포괄한다. 이들의 접근 방식은 세 가지 주요 기술적 기둥을 포함한다:

채널 피팅(Channel Fitting): 정렬 격자(alignment lattices) 상에서 기댓값 최대화(EM) 알고리즘을 사용하여, 위치 의존적 삽입-결실-치환(IDS) 채널을 로우 리드에 피팅하였다. 이 모델은 각 페이로드 위치에서의 결실 및 치환 확률, 기하학적 삽입 분포, 그리고 특정 치환 커널을 포착한다.
정보 이론적 한계(Information-Theoretic Bounds): 이들은 피팅된 모델들에 대해 이론적 한계를 도출하였다.
- 정리 1 (Theorem 1): $k$ 개의 리드를 가진 위치 의м依赖적 모델의 용량에 대한 "샌드위치" 경계(sandwich bound)를 제공한다. 상한(upper bound)은 "지니(genie)"가 각 리드의 정렬 상태를 밝혀낸다고 가정하며, 하한(lower bound)은 리드 길이에 의해 드러나지 않는 엔트로피를 고려하여 동기화 손실 항( $\Delta$ )을 차감한다.
- 정리 3 & 4 (Theorem 3 & 4): 블록 기반의 하한 및 상한(tiling bounds)을 도입하여, 특히 동기화 손실이 큰 채널에 대해 용량 추정치를 정교화한다.
- 명제(Propositions): 입력 유일성(input uniqueness)에 대한 조건과 시뮬레이션을 신뢰 구간으로 변환하는 방법을 확립한다.
달성 가능한 정보율 (Achievable Information Rates, AIRs): 두 가지 디코딩 전략을 사용하여 리드에서 직접 AIR를 측정하였다:
- 합의 디코딩 (Consensus Decoding): 디코딩 전 리드를 정렬하고 투표(vote)한다.
- 결합 소프트 디코딩 (Joint Soft Decoding): 피팅된 채널 모델을 사용하여 리드를 소프트하게 결합하는 새로운 수신기이다. 이 방식은 오류가 발생하기 쉬운 화학 구조를 위해 희소 파일럿 염기(sparse pilot bases)를 사용하며 반복적 믿음 전파(iterative belief propagation)를 활용한다.
모델 기반 계수 (Model-Based Accounting): 뉴클레오타이드당 2비트의 이론적 최대치를 구체적인 손실 범주로 분해하였다: 읽히지 않은 가닥(Poisson 샘플링), 불균일한 커버리지, 지니 오류 손실(정렬이 알려진 오류), 전체 리드 간극(절단된 리드), 지니-대-AIR 잔차(동기화 및 수신기 미스매치), 그리고 인덱스 비용.

주요 기여

세밀한 손실 계수 산정: 본 논문은 17개의 개별 데이터셋에 대해 샘플링, 커버리지 편향, 절단 및 동기화로 인해 발생하는 정보 손실을 정량화함으로써, 모델 기반의 정보 손실 분해를 최초로 제공한다.
실제 채널을 위한 용량 한계: 치환만을 고려하는 기존의 한계와 달리, 본 연구는 피팅된 위치 의존적 IDS 채널에 대한 용량 한계를 증명함으로써 이론적 한계와 실험적 현실 사이의 간극을 메운다.
새로운 수신기 설계: 저자들은 희소 파일럿 염기를 활용하는 반복적 소프트 수신기를 개발하였다. 가장 잘 알려진 기존 방법인 Trellis BMA와의 사전 지정된 쌍 대조 벤치마크에서, 이 수신기는 8개 중 9개의 데이터셋에서 동일한 파일 오류율을 달enc하는 데 7~42% 적은 수의 리드를 필요로 했다.
오픈 소스 프레임워크: dnacap 소프트웨어 패키지를 공개하여, 어떤 새로운 데이터셋이라도 자신의 피팅된 한계 및 손실 프로필에 따라 평가할 수 있도록 하였다.

주요 결과

손실의 지배적 요인: 낮은 시퀀싱 깊이에서 Illumina로 읽은 저오류 어레이 풀(array pools)의 경우, 손실은 풀 레벨(읽히지 않은 가닥, 불균일한 커버리지, 인덱싱)에 의해 지배되며, 이는 뉴클레오타이드당 0.2~0.35 비트의 손실을 초래한다. 시퀀스 오류(치환/결실)는 0.01 비트 미만의 기여를 한다.
오류가 많은 화학 구조 (Error-Prone Chemistries): Photolithographic 및 Nanopore 데이터의 경우, "지니-대-AIR 잔차"(알려지지 않은 정렬과 수신기 미스매치에 의해 숨겨진 정보)가 0.04에서 0.26 bits per nucleotide 사이로 유의미하게 나타났다. 이는 더 나은 수신기를 통해 개선할 여지가 상당함을 시사한다.
설계 제약: 호모폴리머(homopolymer) 오류를 피하기 위해 반복되는 염기를 금지하는 설계는 이론적 밀도를 약 1.59 bits per nucleotide로 제한하며, 이는 제약 없는 2-bit 최대치와 비교했을 때 약 0.41 비트의 손실을 나타낸다.
디코딩 성능: 제안된 반복적 소프트 수신기는 오류가 많은 데이터에서 Trellis BMA를 크게 능가했다. Nanopore 및 photolithographic 데이터의 경우, Trellis BMA가 83~100%의 파일에서 실패한 커버리지에서도 파일 복구에 성공했다. 어레이 데이터에서는 이득이 더 작았으나 여전히 존재했다.
비용 분석: 현재 가격 체계(시퀀싱 비용이 합성에 비해 저렴함) 하에서, 단일 리드 아카이브를 위한 최적의 전략은 높은 커버리지에서 밀도를 극대화하는 것이다. 소프트 디코딩은 주로 빈번한 읽기가 필요하거나 저렴하고 오류가 많은 합성 화학 구조를 사용할 때 비용 절감 레버가 된다.

의의 및 주장
본 논문은 피팅된 채널, 이론적 한계, 그리고 측정된 비율을 통합하여 어떤 DNA 저장 실험이라도 그 자체의 특정 한계와 비교할 수 있게 하는 **교차 기술 계수 프레임워크(cross-technology accounting framework)**를 제공한다는 점을 주요 기여로 주장한다. 저자들은 이 접근 방식이 연구자들이 개선을 위한 구체적인 "레버"를 식ident할 수 있게 해준다고 단언한다:

Illumina/어레이 시스템의 경우, 개선은 강력한 코딩보다는 더 균일한 합성, 더 긴 가닥(인덱스 비용을 희석하기 위해), 또는 모든 리드를 활용하는 수신기를 통해 이루어질 가능성이 높다.
**노화된 DNA(aged DNA)**의 경우, 주요 손실은 "전체 리드 간극(full-read gap, 절단)"이며, 이는 분자 수리(molecular repair) 또는 부분 리드를 활용하는 수신기가 필요함을 시사한다.
**오류가 많은 화학 구조(Nanopore/Photolithographic)**의 경우, 소프트 디코딩이 "지니-대-AIR" 간극의 상당 부분을 회복할 수 있으므로 수신기 설계가 핵심적인 요소가 된다.

저자들은 자신들의 한계가 피팅된 모델에 적용되는 것이며, 손실의 분해가 물리적 원인에 대한 고유한 인과적 귀속이라기보다 모델 기반의 분해임을 언급하며 절대적인 물리적 풀의 용량에 대해서는 신중한 태도를 유지한다. 이들은 자신들의 프레임워크가 특정 작동 조건의 한계에 현재 시스템이 얼마나 근접했는지 결정하기 위한 통계적으로 제어된 벤치마크를 제공한다고 강조한다.

기술 요약: "DNA 데이터 저장 장치에서 비트가 손실되는 지점"

유사한 논문