7강 / 20강

좌표계 — FASTA · .fai · chr1 인가 1 인가

참조 유전체를 실제로 여는 일 · 코드랩 1단계

참조 유전체는 FASTA 파일 하나입니다. 생김새는 놀랄 만큼 단순합니다.

>13 dna:chromosome chromosome:CanFam3.1:13:1:94715083:1 REF

ACGTTTCAGGATCCAAGGTTACGGATCCAAGGTTACGGATCCAAGGTTAC

GGATCCAAGGTTACGGATCCAAGGTTACGNNNNNNNNNNNNNNNNNNNNN

…

> 로 시작하는 줄이 이름이고, 그다음 줄들이 서열입니다. 줄바꿈은 사람이 보기 좋으라고 넣은 것이라 뜻이 없습니다.

N 은 "여기가 무엇인지 모른다"입니다. 6강에서 본 메우지 못한 구멍이 이렇게 보입니다.

이 산수 때문에 FASTA 는 모든 줄의 길이가 같아야 합니다. 손으로 편집하다 줄 하나를 흐트러뜨리면 색인이 통째로 어긋납니다.

Python 브라우저에서 실행

# .fai 로 임의 접근이 되는 이유 — 오프셋 산수를 손으로
line_bases = 60      # 한 줄에 담긴 염기 수
line_bytes = 61      # 줄바꿈 한 글자를 더한 바이트 수
offset0    = 74      # 이 염색체 첫 염기의 파일 위치

def byte_of(pos1):
    "1부터 세는 좌표 pos1 의 염기가 파일의 몇 번째 바이트인가"
    i = pos1 - 1                       # 0부터 세는 좌표로
    return offset0 + (i // line_bases) * line_bytes + (i % line_bases)

for p in (1, 60, 61, 120, 121, 47_258_000):
    print(f"pos {p:>10,}  →  byte {byte_of(p):>12,}")

print()
print("나눗셈 두 번이면 끝납니다. 파일을 훑을 필요가 없습니다.")
print("그래서 .fai 없이 돌린 도구는 '파일을 못 읽는다'가 아니라 아예 '시작을 못 한다' 고 합니다.")

함정 하나 — `chr13` 인가 `13` 인가

Ensembl 방식

13 · X · MT
접두사가 없다. Ensembl REST 와 GTF 가 이 방식

UCSC 방식

chr13 · chrX · chrM
접두사가 붙는다. IGV 기본 · 대부분의 브라우저

두 방식을 섞으면 어떻게 되느냐 — 프로그램이 오류를 내지 않습니다. 그냥 "그런 염색체는 없다" 고 보고 결과가 0줄이 나옵니다.

워크숍 노트북 1단계가 Ensembl REST 에서 서열을 받아오므로, 그 결과는 접두사가 없는 쪽입니다. 그 위에 UCSC 방식의 BED 파일을 얹으면 아무것도 안 걸립니다.

실무에서 가장 흔한 조용한 사고입니다. 파이프라인을 짤 때 이름 규칙을 한 번 정하고 끝까지 지키는 것이 답입니다.

Python 브라우저에서 실행

# 이름 규칙이 어긋나면 — 오류 없이 0줄
ref_names = {"13", "X", "MT"}                # Ensembl 방식 FASTA
bed_rows  = [("chr13", 47_258_000, 47_258_100),
             ("chr13", 47_260_000, 47_260_100),
             ("13",    47_258_000, 47_258_100)]

hit = [r for r in bed_rows if r[0] in ref_names]
print("BED 줄 수      :", len(bed_rows))
print("참조에서 찾은 줄:", len(hit))
print("떨어져 나간 줄  :", len(bed_rows) - len(hit))
print()
for r in bed_rows:
    mark = "✔" if r[0] in ref_names else "✘ 조용히 버려짐"
    print(f"  {r[0]:<7}{r[1]:>12,}  {mark}")
print()
print("오류 메시지는 없습니다. 결과가 줄어들 뿐입니다.")

함정 둘 — 1부터 세나 0부터 세나

형식	시작	끝	예: 앞 3글자
FASTA · SAM · VCF · GFF	1부터	포함	1–3
BED · BAM 내부	0부터	제외	0–3

같은 세 글자를 1-3 이라고도 쓰고 0-3 이라고도 씁니다. 한 칸 어긋나면 변이가 옆 코돈에 걸리고, 아미노산 번호가 바뀌고, 그 결과로 네오항원 서열이 통째로 달라집니다.

II 권 12강(VEP)에서 이 한 칸이 실제로 결과를 뒤집는 것을 봅니다.

D816V 의 '816' 은 단백질 좌표입니다. DNA 좌표에서 여기까지 오는 길에 칸이 여럿 있습니다.

Python 브라우저에서 실행

# 한 칸 어긋남이 아미노산 번호를 어떻게 바꾸나
seq = "ATGGACGGCCAAGTGTACATCCCG"     # 예시 CDS 앞부분
CODON = {"ATG":"M","GAC":"D","GGC":"G","CAA":"Q","GTG":"V","TAC":"Y","ATC":"I","CCG":"P"}

def translate(s):
    return "".join(CODON.get(s[i:i+3], "?") for i in range(0, len(s) - 2, 3))

print("서열     :", seq)
print("정상 번역:", translate(seq))
print("한 칸 밀면:", translate(seq[1:]))
print()
print("변이가 몇 번째 아미노산인지도 함께 밀립니다:")
for pos0 in (9, 10):
    aa_no = pos0 // 3 + 1
    print(f"  0-based {pos0:>2}  →  {aa_no}번째 아미노산")
print()
print("816 번인지 817 번인지가 여기서 갈립니다.")

코드랩 1단계가 하는 일

req = urllib.request.Request(base + f"/lookup/symbol/{species}/KIT?expand=0", …)

info = json.load(urllib.request.urlopen(req, timeout=60))

srn, start, end = info["seq_region_name"], info["start"], info["end"]

Ensembl REST 에 "개의 KIT 유전자가 어디 있느냐" 를 묻고, 답으로 온 좌표를 써서 그 둘레 20 kb 를 잘라 옵니다.

species 를 canis_lupus_familiaris 와 canis_familiaris 둘 다 시도하는 것이 눈여겨볼 대목입니다. 같은 종을 두 이름으로 부르는 시기가 있었고, 어느 이름이 살아 있는지는 서버 판마다 다릅니다.

그리고 인터넷이 막히면 결정론적 합성 서열로 자동 대체합니다. 교실에서 열 명 중 한 명은 네트워크가 막히기 때문입니다.

🤔 확인 문제

FASTA 의 .fai 색인이 하는 일은?

해설 .fai 는 이름·길이·오프셋·줄당 염기수·줄당 바이트수 다섯 열입니다. 이것만 있으면 2.4 GB 파일을 훑지 않고 원하는 자리를 바로 꺼냅니다. 이 산수가 성립하려면 모든 줄의 길이가 같아야 합니다.

🤔 확인 문제

Ensembl 방식 FASTA(13)에 UCSC 방식 BED(chr13)를 얹으면?

🤔 확인 문제

BED 형식은 어떻게 셉니까?

해설 BED 는 0부터, 끝 제외(half-open)입니다. FASTA·SAM·VCF·GFF 는 1부터, 끝 포함입니다. 앞 세 글자가 BED 로는 0 3, VCF 로는 1..3 입니다. 이 한 칸이 아미노산 번호를 바꾸고, 그러면 네오항원 서열이 통째로 달라집니다.

함정 하나 — chr13 인가 13 인가

코드랩 1단계가 하는 일

함정 하나 — `chr13` 인가 `13` 인가