6강 / 20강

한쪽에서 읽는가 양쪽에서 읽는가 — 그리고 50 부터 1,408 까지

713 run 의 LibraryLayout 과 avgLength 실제 분포

DNA 조각 하나를 기계에 넣으면 읽는 방식이 둘입니다.

SINGLE — 한쪽만

조각의 한쪽 끝에서 정해진 길이만큼 읽습니다.
파일이 하나. 싸고 빠릅니다.

PAIRED — 양쪽 다

같은 조각의 양쪽 끝을 각각 읽습니다.
파일이 둘(_1, _2). 두 read 사이 거리를 알 수 있어요.

이 강의 자료에서는 PAIRED 621 · SINGLE 92 입니다. 요즘은 대부분 PAIRED 예요.

고등학생한쪽에서 읽는가 양쪽에서 읽는가

DNA 조각을 읽을 때 한쪽 끝에서만 읽을 수도 있고, 양쪽 끝에서 읽을 수도 있습니다.

	단일말단 (SINGLE)	양말단 (PAIRED)
읽는 방식	한쪽 끝에서 한 번	양쪽 끝에서 각각
얻는 정보	서열 하나	서열 둘 + 둘 사이 거리
비용	저렴	비쌈
정렬 정확도	보통	높음

긴 문장의 앞부분만 읽는 것과, 앞뒤를 다 읽고 길이까지 아는 것의 차이입니다.

고등학생양말단이 왜 유리한가

이점	왜
반복 서열 정렬	한쪽이 애매해도 짝이 위치를 정해 줌
스플라이싱 검출	엑손 두 개에 걸친 read 쌍
구조 변이	짝의 거리가 이상하면 재배치 신호
융합 유전자	짝이 다른 유전자에 붙음

17강에서 "원자료로만 되는 것"을 다룰 때 이 이점들이 다시 나옵니다. 발현 카운트만 받으면 이 정보가 다 사라져요.

읽기 길이도 제각각입니다. 이 강의 자료의 실제 분포예요.

분위수	최소	25%	중앙값	75%	95%	최대
평균 읽기 길이	50	126	138	264	302	1,408

맨 오른쪽 1,408 이 눈에 띕니다. Illumina 로는 나올 수 없는 길이예요. Nanopore 나 PacBio 자료입니다 — 이 강의 자료에 각각 두 개씩 섞여 있어요.

짧은 read 는 조각을 이어 붙여 원래 전사체를 추측해야 합니다.

Python 브라우저에서 실행

# 읽기 길이가 무엇을 정하는가.
lengths = [
    (50,   "짧다",   "발현량 세기에는 충분. 반복 부위에서 자리를 못 정한다"),
    (100,  "보통",   "가장 흔한 길이. 대부분의 일에 쓸 만하다"),
    (150,  "보통",   "요즘 표준. PAIRED 로 300bp 조각을 덮는다"),
    (300,  "길다",   "MiSeq. 아메플리콘·미생물에 쓴다"),
    (1408, "아주 길다","Nanopore/PacBio. 전사체 하나를 통째로 읽는다"),
]
print(f"{'길이':>6s} {'':10s} 무엇이 달라지나")
for L, kind, what in lengths:
    print(f"{L:6d} {kind:10s} {what}")
print()
print("PAIRED 150bp 는 실제로 300bp 를 보는 셈입니다 (양 끝 150 씩).")
print("그래도 사람 유전자의 평균 전사체 길이(약 2,000bp)에는 한참 못 미쳐요.")

고등학생50부터 1,408까지

avgLength — read 하나의 평균 길이입니다. 713 run에서 50부터 1,408까지 나타났어요.

길이	대략의 뜻
50 내외	초기 짧은 read · 발현 정량에는 충분
100~150	현재 표준
300 이상	양말단 합산이거나 긴 read 기술
1,000 이상	롱리드 (PacBio·Nanopore) 가능성

양말단이면 avgLength가 두 read의 합으로 적히기도 합니다 — 정의를 확인해야 합니다.

표를 믿기 전에 표 안에서 검산합니다.

Python 브라우저에서 실행

# spots 와 bases 로 실제 길이를 확인합니다.
runs = [
    ("SRR11361952", 22_945_822, 1_032_561_990, "SINGLE", 45),
    ("SRR7348487",  46_683_183, 2_334_159_150, "SINGLE", 50),
]
print(f"{'run':14s} {'spots':>12s} {'bases':>16s} {'bases/spots':>12s} {'적힌 avgLength':>14s}")
for r, spots, bases, layout, adv in runs:
    print(f"{r:14s} {spots:12,d} {bases:16,d} {bases/spots:12.1f} {adv:14d}")
print()
print("bases/spots 가 적힌 avgLength 와 맞으면 믿어도 됩니다.")
print("어긋나면 PAIRED 계산 방식이 다른 것이니 직접 나눠 쓰세요.")

고등학생길이가 결과에 미치는 영향

read가 짧으면	일어나는 일
여러 곳에 맞음 (다중 매핑)	어디 것인지 못 정함
스플라이싱 접합부를 못 넘음	엑손 경계 정보 손실
비슷한 유전자 구분 어려움	패밀리 유전자가 섞임

발현을 대략 재는 데는 짧은 read로 충분합니다. 그런데 어느 아이소폼인지, 변이가 있는지 같은 질문에는 길이가 중요해요.

길이가 다른 자료를 합칠 때도 계통적 차이가 생깁니다 — 또 하나의 배치 요인입니다.

🤔 확인 문제

PAIRED 자료가 SINGLE 보다 유리한 일이 아닌 것은?

🤔 확인 문제

이 강의 자료에서 평균 읽기 길이 1,408 인 run 이 나온 이유는?