2강 / 20강

read 이름이 말해 주는 것 — 그리고 메타데이터가 틀렸다

기기 · 플로우셀 · 레인 · 타일 · 좌표 · 그리고 SRA 기록과의 불일치

1강에서 본 이름을 다시 봅시다.

@SRR31831926.1 NS500424:499:H3WHNBGXM:1:11101:15800:1057/1

콜론으로 나뉜 일곱 조각에 이런 것이 들어 있습니다.

조각	뜻	이 자료
기기 번호	어느 시퀀서로 찍었나	`NS500424`
런 번호	그 기계의 몇 번째 실행인가	`499`
플로우셀	어느 유리판인가	`H3WHNBGXM`
레인	유리판의 몇 번 줄	`1`
타일	그 줄의 몇 번째 사진 칸	`11101`
x · y	그 칸 안의 좌표	`15800` · `1057`

맨 앞의 SRR31831926.1 은 원래 이름이 아닙니다 — SRA 가 붙인 일련번호입니다. 그 뒤가 시퀀서가 적어 준 진짜 이름이죠.

고등학생read 이름에 좌표가 적혀 있다

FASTQ 첫 줄의 이름은 그냥 일련번호가 아니다. 콜론으로 나뉜 각 조각이 이 read 가 물리적으로 어디에서 읽혔는지 를 말한다.

조각	뜻
기기 이름	어느 시퀀서에서
런 번호 · 플로우셀 ID	몇 번째 실험, 어느 유리판
레인	유리판 안 몇 번 통로
타일	그 통로의 몇 번 구역
X, Y 좌표	그 구역 안 정확한 점

극장 좌석표와 같다. 관 → 층 → 열 → 번호. read 하나하나가 유리판 위 한 점 이고, 그 점의 주소가 이름에 박혀 있다.

read 이름은 이름이 아니라 물리적 주소다

이름을 조각내는 것은 split(":") 한 줄입니다.

Python 브라우저에서 실행

import bu

r = bu.reads("WT_1", 3)
for name, seq, qual in r:
    print(name)
    for k, v in bu.parse_name(name).items():
        print(f"    {k:<6} {v}")
    print()

고등학생이 주소가 실제로 쓸모가 있다

주소를 알면 공간적으로 이상한 것 을 찾을 수 있다.

관찰	의심할 것
특정 타일에서만 품질이 나쁨	유리판에 기포·먼지
특정 레인만 read 수가 적음	주입 문제
가장자리 좌표에서 오류 많음	광학 초점 문제

실험이 잘못됐을 때 "어디가" 잘못됐는지 를 물리적으로 짚을 수 있다는 뜻이다. FastQC 같은 도구가 "per tile sequence quality" 그림을 그리는 이유가 이것이다.

자료가 자기 자신의 생산 과정을 기록하고 있다

타일이 고르게 섞여 있으면 표본을 제대로 뽑았다는 뜻입니다.

Python 브라우저에서 실행

import bu
from collections import Counter

# 우리가 실은 read 는 어느 타일에서 왔나
tiles = Counter(bu.parse_name(h)["타일"] for h, _, _ in bu.reads("WT_1"))
lanes = Counter(bu.parse_name(h)["레인"] for h, _, _ in bu.reads("WT_1"))

print(f"타일 종류 : {len(tiles)}개")
print(f"레인      : {dict(lanes)}")
print()
print("타일별 read 수 (앞 10개)")
for t, n in sorted(tiles.items())[:10]:
    print(f"  {t}  {n:>5}  {'▇' * (n // 20)}")
print()
print("타일 번호 11101 은 '1번 면 · 1번 카메라 · 1번 칸' 이라는 뜻입니다.")

실제 유리판 위의 점 분포입니다. 뭉치거나 빈 구역이 있으면 그 자체가 신호예요.

Python 브라우저에서 실행

import bu
import matplotlib.pyplot as plt

# 유리판 위 좌표를 그대로 그려 봅니다 — read 가 어디서 왔는지
xs, ys = [], []
for h, _, _ in bu.reads("WT_1"):
    d = bu.parse_name(h)
    xs.append(d["x"]); ys.append(d["y"])

fig, ax = plt.subplots(figsize=(6.4, 5))
ax.scatter(xs, ys, s=1, alpha=.25, c="#4c6ef5")
ax.set_xlabel("x"); ax.set_ylabel("y"); ax.set_title("타일 안 클러스터 위치")
plt.tight_layout()

print(f"x 범위 {min(xs):,} ~ {max(xs):,}    y 범위 {min(ys):,} ~ {max(ys):,}")
print("빈 곳이 보이면 그 자리에 기포나 먼지가 있었다는 뜻입니다.")

고등학생그런데 기록이 어긋난다

이 강의에서 실제로 마주치는 문제다. FASTQ 이름에 적힌 정보와, SRA(공개 저장소)의 메타데이터에 적힌 정보가 다르다.

어느 쪽을 믿을 것인가

원칙은 명확하다. 자료 자체에 박힌 것이 우선 이다. 메타데이터는 사람이 웹 양식에 손으로 채워 넣은 것이고, read 이름은 기계가 자동으로 찍은 것이다. 사람이 틀릴 확률이 훨씬 높다.

택배 상자에 붙은 송장과 상자 안 물건이 다르면 물건이 진실 이다. 송장은 누가 잘못 붙였을 수 있다.

그런데 늘 그런 건 아니다

파일이 재처리되면서 이름이 통째로 다시 붙는 경우도 있다. 그때는 이름이 원본 정보를 잃는다. 어긋남을 발견했으면 어느 쪽이 더 원본에 가까운지 를 따져야지, 규칙 하나로 자동 판정할 수는 없다.

공개 자료의 메타데이터는 참고 자료이지 사실이 아니다

🎮 read 이름 해부기

read 를 골라 이름의 일곱 조각이 무엇을 뜻하는지 확인하세요.

고등학생메타데이터가 틀리면 무슨 일이 나나

가볍게 넘길 문제가 아니다. 예를 들어 이런 일이 생긴다.

틀린 항목	결과
시료 이름(WT/KD 뒤바뀜)	결론이 정반대로 나옴
가닥 정보	발현량 절반이 사라짐 (11강)
read 길이 · 페어 여부	정렬 도구가 잘못 작동
기기 · 화학 버전	품질 점수 해석이 어긋남 (3강)

그래서 첫 걸음은 늘 같다

공개 자료를 받으면 메타데이터를 믿고 시작하지 말고, 자료 자체에서 확인할 수 있는 것을 먼저 확인한다. read 길이, 품질 인코딩, 가닥 여부는 전부 자료에서 직접 알아낼 수 있다. 이 강의는 그것들을 하나씩 알아내는 과정이기도 하다.

"자료에게 물어보라" — 문서에게 묻지 말고

🤔 확인 문제

read 이름의 타일 번호가 분석에 쓸모 있는 경우는?

🤔 확인 문제

SRA 는 HiSeq 2000 이라 적었는데 read 이름은 NextSeq 500 을 가리킵니다. 옳은 판단은?

🤔 확인 문제

@SRR31831926.1 에서 SRR31831926 이 뜻하는 것은?

해설 SRA 에 올릴 때 런마다 SRR… 번호가 붙고, read 이름 앞에 그 번호와 일련번호가 덧붙습니다. 뒤에 붙은 NS500424:… 가 원래 이름입니다.