9강 / 20강

read 를 유전자에 붙이는 두 가지 길

게놈 정렬(STAR)과 유사정렬(salmon) · 왜 브라우저에서도 되는가

이제 본론입니다. 76 글자짜리 조각이 어느 유전자에서 왔는지 어떻게 알아낼까요?

① 게놈에 정렬한다 (STAR · HISAT2)

생쥐 게놈 27억 염기 위에 read 를 얹어 정확한 위치를 찾습니다. 엑손과 엑손 사이를 건너뛴 read 도 처리해야 하죠.

메모리 30GB · 정확한 좌표를 얻는다

② 전사체에 유사정렬한다 (salmon · kallisto)

전사체 1억 염기만 놓고 "어느 전사체에 들어 있나" 만 묻습니다. 좌표는 포기합니다.

메모리 4GB · 수십 배 빠르다

우리는 ② 를 더 줄여서 씁니다. 전사체도 전부가 아니라 발현 상위 300 유전자만 놓습니다(참조에서 이름을 찾은 것이 290개 — 13강). 그러면 참조가 94만 염기가 되고, 브라우저 안에서도 돌아갑니다.

고등학생read 를 유전자에 붙이는 문제

76글자 짜리 조각 2,500만 개가 있다. 각각이 어느 유전자에서 왔는지 알아내야 한다. 방법은 크게 두 갈래다.

	게놈 정렬 (STAR 등)	유사정렬 (salmon 등)
하는 일	유전체 위 정확한 위치를 찾음	어느 전사체에서 왔는지만 판단
결과물	BAM — 좌표가 있음	카운트 — 좌표가 없음
속도	느림	매우 빠름
메모리	사람 유전체 30GB+	수 GB
새 이어붙이기 발견	가능	불가

비유

정렬은 지도에 핀을 꽂는 것, 유사정렬은 "이건 서울 물건이다" 하고 상자에 넣는 것 이다. 발현량만 세려면 상자에 넣기만 해도 충분하다.

필요한 만큼만 계산한다 — 좌표가 필요 없으면 좌표를 찾지 않는다

참조가 작으면 색인도 작습니다. 그것이 브라우저에서 도는 유일한 이유예요.

Python 브라우저에서 실행

import bu

p = bu.panel()
lens = sorted(len(s) for s in p.values())

print(f"참조 전사체 : {len(p)} 개")
print(f"총 염기     : {sum(lens):,}")
print(f"길이 중앙값 : {lens[len(lens)//2]:,}   (가장 짧은 것 {lens[0]:,} · 가장 긴 것 {lens[-1]:,})")
print()
print("몇 개만 들여다보면")
for g in ["Actb", "Ddx54", "Rpl13", "Hsp90ab1"]:
    if g in p:
        print(f"  {g:<10}{len(p[g]):>6,} 염기   {p[g][:44]}…")
print()
print(f"생쥐 게놈 27억 · 전사체 전부 1억 · 우리 패널 {sum(lens)/1e6:.2f}백만")

고등학생왜 브라우저에서도 되나

이 강의는 Pyodide 로 브라우저 안에서 돌아간다. 사람 유전체 전체를 올릴 수 없다. 그런데도 정렬 비슷한 것을 한다. 어떻게 가능한가?

두 가지 축소

축소	원래	여기서
참조	유전자 2만 개 전체	패널 290개
read	2,500만 개	44,000 개

둘 다 줄이면 계산량이 수천 배 줄어든다. 그리고 원리는 하나도 안 바뀐다. k-mer 로 색인을 만들고, read 를 조회하고, 세는 절차는 똑같다.

축소 모형의 값어치

축소 모형은 진짜의 대용품이 아니다. 진짜에서 원리만 남긴 것 이다. 풍동에서 비행기 모형을 시험하는 것과 같다. 크기는 다르지만 공기의 물리는 같다.

규모를 줄여도 논리는 그대로다 — 손으로 만들 수 있는 크기로 줄여서 이해한다

왜 '유사정렬' 로 충분한가

카운트 표를 만드는 데 필요한 정보는 "어느 유전자" 하나뿐입니다. "3번 염색체 45,678,901 번 자리" 라는 좌표는 카운트에 쓰이지 않습니다.

필요 없는 것을 계산하지 않으면 수십 배 빨라집니다. salmon·kallisto 가 2016~2017년에 판을 뒤집은 이유가 이것입니다.

물론 좌표가 필요한 일도 있습니다 — 새 전사체 찾기, 스플라이싱 분석, 변이 찾기. 그럴 때는 STAR 로 정렬해야 합니다. 목적이 도구를 정합니다.

고등학생패널만 쓰면 무엇을 잃나

정직하게 짚어야 한다. 290개 유전자 패널만 쓰면 잃는 것이 있다.

잃는 것	왜
패널 밖 유전자의 발현	참조에 없으니 안 붙음
정확한 상대 비율	분모(전체 read)가 달라짐
다중 매핑의 진짜 규모	비슷한 유전자가 패널 밖에 있을 수 있음
새 전사체 발견	애초에 불가능

가장 위험한 것은 세 번째다

어떤 read 가 우리 패널의 유전자 A 에만 붙었다고 하자. 전체 유전체를 썼다면 유전자 B 에도 붙었을 수 있다. 선택지를 줄이면 잘못된 확신이 생긴다.

객관식 문제에서 보기를 두 개 지우면 정답률이 올라가지만, 그 정답률이 실력을 뜻하지는 않는 것과 같다.

참조를 줄이면 결과가 깨끗해 보인다 — 깨끗해진 만큼 의심해야 한다

🎮 참조 탐색기

패널에 어떤 유전자가 들어 있는지, 얼마나 긴지 확인하세요.

고등학생실전에서는 어느 쪽을 쓰나

목적	추천
유전자 수준 발현량만	salmon / kallisto — 빠르고 충분
전사체(isoform) 수준	salmon — 이 목적으로 설계됨
변이 검출	STAR — 좌표가 필요
새 이어붙이기 · 융합유전자	STAR — 좌표가 필요
단일세포	CellRanger (내부적으로 STAR)

고르는 기준 한 줄

"read 가 유전체 어디에 있었는지" 를 알아야 하는가? 그렇다면 정렬, 아니라면 유사정렬. 대부분의 발현량 분석은 후자로 충분하고, 그래서 훨씬 빠르다.

도구를 고르는 일은 유행이 아니라 질문이 좌표를 요구하는가 로 정한다.

질문이 도구를 정한다 — 도구가 질문을 정하게 두지 않는다

🤔 확인 문제

salmon·kallisto 같은 유사정렬이 STAR 보다 훨씬 빠른 근본적인 이유는?

🤔 확인 문제

이 강의가 전사체 전부가 아니라 290개 패널만 쓰는 이유는?

🤔 확인 문제

게놈 정렬(STAR)이 반드시 필요한 작업은?