Lesson 11 of 20

read 에서 카운트까지 — 다섯 단계

다시 처리한다는 것이 실제로 무엇을 하는 일인가

FASTQ 를 받았습니다. 여기서 /geo 가 쓰던 것 같은 유전자 × 표본 카운트 표까지 가려면 다섯 단계입니다.

✂️

1. 다듬기

어댑터를 자르고 품질 낮은 끝을 떼어 냅니다

🎯

2. 붙이기

각 read 가 유전체(또는 전사체)의 어디에서 왔는지 찾습니다

🔢

3. 세기

유전자마다 read 가 몇 개나 붙었는지 셉니다

⚖️

4. 맞추기

깊이와 유전자 길이를 보정합니다

📊

5. 견주기

여기서부터가 /geo 강의가 하던 일입니다

High schoolread에서 카운트까지 — 다섯 단계

"다시 처리한다"는 것이 실제로 무엇을 하는 일인지 봅시다.

단계	하는 일	도구 예
1	품질 확인	FastQC
2	트리밍 — 어댑터·저품질 끝 제거	fastp, Trimmomatic
3	정렬 또는 유사정렬	STAR / salmon, kallisto
4	카운트	featureCounts, HTSeq
5	정규화·품질 점검	DESeq2, MultiQC

2단계 붙이기에 두 갈래가 있습니다. 이 선택이 결과를 꽤 바꿉니다.

정렬 (alignment)

STAR · HISAT2
read 를 유전체의 정확한 자리에 붙입니다.
느리고 메모리를 많이 씁니다 (사람 유전체에 30GB 안팎).
대신 스플라이싱·변이·새 전사체를 볼 수 있어요.

유사정렬 (pseudo-alignment)

salmon · kallisto
read 가 어느 전사체에서 왔는지만 맞힙니다. 자리는 안 찾아요.
수십 배 빠르고 메모리도 적게 씁니다.
대신 알려진 전사체 목록 안에서만 답합니다.

High school정렬 vs 유사정렬

	정렬 (STAR 등)	유사정렬 (salmon 등)
하는 일	read가 유전체 어디에 붙는지 정확히 찾음	어느 전사체에서 왔을지만 추정
속도	느림	훨씬 빠름
메모리	많이 씀 (수십 GB)	적게 씀
결과물	BAM — 위치 정보 있음	카운트만
변이 분석	가능	불가

발현만 필요하면 유사정렬이 낫고, 다른 것도 보려면 정렬이 필요합니다.

17강에서 "원자료로만 되는 것"을 다룰 때 이 구분이 다시 나옵니다. 유사정렬로 처리하면 변이·스플라이싱 정보가 안 남아요.

발현량만 필요하면 유사정렬이 압도적으로 낫습니다.

Python Runs in your browser

# 두 방법의 값과 얻는 것.
methods = [
    ("STAR (정렬)",       "30 GB", "표본당 30~60분", "스플라이싱 · 변이 · 새 전사체 · 융합"),
    ("HISAT2 (정렬)",     "8 GB",  "표본당 15~30분", "스플라이싱 · 변이"),
    ("salmon (유사정렬)", "4 GB",  "표본당 2~5분",   "발현량만"),
    ("kallisto (유사정렬)","4 GB", "표본당 2~5분",   "발현량만"),
]
print(f"{'도구':22s} {'메모리':>7s} {'속도':>16s}   얻는 것")
for m, mem, t, out in methods:
    print(f"{m:22s} {mem:>7s} {t:>16s}   {out}")
print()
n = 713
print(f"이 강의 자료 {n}개 run 을 처리하면 —")
print(f"  STAR 로   : {n*45/60:6.0f} 시간 = {n*45/60/24:.1f} 일 (한 대로)")
print(f"  salmon 로 : {n*3.5/60:6.0f} 시간 = {n*3.5/60/24:.1f} 일")

High school각 단계에서 정하는 것들

단계	정해야 할 것	결과에 미치는 영향
트리밍	품질 문턱, 최소 길이	남는 read 수
정렬	유전체 버전, 주석 파일	큼 — 유전자 정의가 바뀜
다중 매핑	버릴까 나눠 줄까	패밀리 유전자의 값
카운트	어느 특징(gene/exon/transcript)	표의 행이 무엇인지
정규화	CPM/TPM/크기인자	12강

두 번째 줄이 가장 큽니다 — 주석 파일 버전이 다르면 유전자 수부터 달라집니다.

3단계 세기에도 결정이 있습니다. 여러 곳에 붙는 read 를 어떻게 할 것인가.

어느 방식도 정답이 아닙니다. 적어 두는 것이 정답이에요.

Python Runs in your browser

# 여러 곳에 붙는 read 를 어떻게 셀 것인가.
policies = [
    ("버린다",           "가장 흔하다. 안전하지만 유전자 가족을 과소평가한다"),
    ("전부에 1씩 준다",  "합계가 부풀어 오른다. 거의 안 쓴다"),
    ("나눠 준다 (1/n)",  "합계는 맞지만 어느 쪽인지 모른 채 나눈다"),
    ("확률로 배분한다",  "salmon/RSEM 의 방식. 다른 read 들의 분포를 근거로 삼는다"),
]
for p, why in policies:
    print(f"  {p:18s} {why}")
print()
print("HLA · 면역글로불린 · 최근 복제된 유전자 가족에서 특히 크게 갈립니다.")
print("이 결정을 안 적으면 남이 같은 결과를 못 냅니다.")

High school재현 가능하게 만들기

기록할 것	왜
도구 이름과 버전	버전마다 결과가 조금씩 다름
유전체·주석 버전	GRCh38 + GENCODE v44 처럼
모든 파라미터	기본값도 버전마다 다를 수 있음
실행 순서	워크플로 파일로

Nextflow나 Snakemake 같은 워크플로 도구를 쓰면 이것들이 자동으로 기록됩니다. 컨테이너(Docker)까지 쓰면 환경도 고정돼요.

"우리가 어떻게 처리했는지" 자체가 결과의 일부입니다.

🤔 Check yourself

발현량 비교만 하려 할 때 salmon 같은 유사정렬로 충분한 이유는?

🤔 Check yourself

C9orf72 반복확장을 보려면 유사정렬로 안 되는 이유는?