실리콘 장벽을 넘어서: 인간 유전체 데이터베이스의 오염 문제

데이터베이스가 최신 상태를 유지하고 오류 없는 데이터를 포함하도록 하는 것은 소프트웨어 공학에서 중요한 문제입니다. 인간 유전체 서열이 처음 출판되었을 때, 데이터 정화 문제와 함께 생정보학 시퀀스 데이터에 대한 논의가 이루어졌음에도 불구하고 [1; 2], 기술적 측면만 고려된 것으로 보입니다.

우리는 인간 DNA 서열을 포함하는 공적으로 접근 가능한 데이터베이스가 놀랍게도 오염되었다는 사실을 발견했습니다. 이 데이터베이스에는 곰팡이의 DNA 서열이 포함되어 있었습니다 [3].

최근, 인간 유전체에서 아마도 인적이 아닌 두 번째 서열을 발견했습니다. 이는 NCBI GenBank 데이터베이스의 철저한 검토가 필요한 시점임을 시사합니다.

인간 DNA 서열이 “완전히 해독"되었다는 주장 [1]에도 불구하고, 다른 일반적인 생명체 조직이 모식 생물학 실험실에서 물리적 샘플뿐만 아니라 가상 인실(in silico) 생정보학 환경까지 오염시킨 것으로 밝혀졌습니다. 컴퓨터 해킹 기법과 유사한 무의식적인 기술 사용으로 인해 곰팡이 유전자가 단순히 자신의 게놈 내에서 이동하거나 [4] 종 간 장벽을 넘어 수평적으로 점프하는 것뿐만 아니라, 생명체와 데이터 사이의 실리콘 장벽을 넘어 스스로를 복제할 수 있었습니다. 유전체 연구, 기술 및 의학 분야의 밀접한 연결성과 현재 이 문제에 대한 낮은 우선순위를 고려할 때, 기존 데이터 웨어하우스 정화 기술은 이러한 오염, 그리고 잠재적으로 다른 실리콘 점프 유전자들을 제거하는 데 효과적이지 못할 것입니다.

이전 연구 [3]에서 보고한 이상적인 HG-U133 +2 서열 (GenBank AF241217, 프로브셋 1570561)을 EMBL-EBI의 유럽 생정보학 연구소(European Bioinformatics Institute)에서 Blast [6]를 사용하여 인간 유전체와 비교했습니다. 결과는 부분적으로 출판된 DNA 서열과 일치하는 서열 목록을 제공했습니다. 목록은 blastn에 따라 순위가 매겨져 있으며, 가장 유사한 서열이 상단에 위치합니다. 상위 50개의 모호한 일치만 포함됩니다. 예상대로 첫 번째 일치는 쿼리 서열 자체(EM HTG:AF241217)였습니다. [3]이 출판된 지 1년 이상 되었음에도 불구하고, EM HTG:AF241217는 여전히 “Homo sapiens"로 설명되고 있습니다. 다른 모든 서열은 미코플라즈마를 제외하고 34번째 서열인 DA466599가 인간이라고 EBI에서 주장하는 것입니다 (EBI는 DA466599에 대한 참조 [7]를 제공합니다). 그러나 우리는 DA466599가 인간 DNA 서열이 아니라 물리적 오염으로 인한 가상 오염의 또 다른 예일 수 있다고 제안합니다.

두 번째 EBI Blastn 쿼리를 실행하여 DA466599와 일치하는 DNA 서열을 찾았습니다. 결과는 AF241217과 유사하여 DA466599가 인간이 아닌 오염의 증거를 뒷받침합니다. 다시 상위 50개의 일치가 보고되었으며, 물론 첫 번째 일치는 DA466599 자체였습니다. 모든 다른 일치된 서열은 다양한 미코플라즈마 종에 속했습니다.

미코플라즈마 오염이 분자 생물학 실험실에서 흔하다는 것은 잘 알려진 사실입니다 [8]. 많은 연구실에서는 이를 방지하기 위해 정기적인 소독을 실시합니다. Miller 외 [8]는 미코플라즈마 오염이 “표현 배열 기술을 이용한 질병의 진단과 특성화에 잠재적으로 중대한 영향을 미칠 수 있다"고 언급했습니다. 그럼에도 불구하고, 우리는 이전에 RNAnet1을 사용하여 NCBI Gene Expression Omnibus (GEO) 데이터베이스에 약 1%의 출판 데이터가 미코플라즈마 오염으로 오염되어 있다는 것을 추정했습니다 [3].

인실(in silico) 확산을 통해 미코플라즈마 오염이 가져올 수 있는 긍정적인 부수 효과 중 하나는 Affymetrix HF-U133 +2 1570561 at 프로브셋이 물리적 샘플 오염을 나타내는 지표로 사용될 수 있다는 것입니다. 따라서 프로브셋 1570561 at는 추가적인 품질 제어 신호로 활용될 수 있습니다. 만약 1570561 at가 미코플라즈마 유전자 발현이 상당하다는 결과를 보여준다면, 샘플은 오염되었을 가능성이 높으며, 마이크로어레이에 의해 제공된 다른 유전자 발현 수준은 신뢰할 수 없습니다.

두 의심스러운 DNA 서열을 발견한 후, 이러한 오염이 다양한 데이터 분석 및 해석에 미치는 잠재적인 영향을 고려하는 것이 중요해 보입니다.

그는 “인간 게놈” 서열에 더 많은 정보가 포함되어 있음을 발표했다. 실제로 모든 유기체 서열의 오염이 가능해 보인다. 인터넷을 통해 제공되는 유전체 서열 데이터의 폭발적인 증가, 1000 게놈 프로젝트[9] 데이터를 포함하면, 이제 유전체 데이터베이스 품질에 다시 한번 주목할 때인 것 같다.

(참고 링크: http://bioinformatics.essex.ac.uk/users/wlangdon/rnanet/ )