샘플‑얼라인‑디: 고성능 다중 서열 정렬을 위한 계통학적 샘플링 및 영역 분할 기법

초록

본 논문은 k‑mer 기반 유사도 지표(k‑mer rank)를 이용해 서열 집합을 여러 하위 그룹으로 나눈 뒤, 각 그룹을 독립적으로 정렬하고 전역 조상 서열을 활용해 전체 정렬을 미세 조정하는 병렬 다중 서열 정렬 시스템 Sample‑Align‑D를 제안한다. MPI 기반 클러스터 구현으로 2000개의 300‑bp 서열을 16노드에서 10분 내에 정렬했으며, 정확도는 기존 순차적 MSA 도구와 동등함을 표준 벤치마크(PREFAB)로 검증하였다.

상세 분석

Sample‑Align‑D는 전통적인 MSA 알고리즘이 갖는 O(N²·L) 수준의 계산 복잡도를 완화하기 위해 “샘플 정렬(Sample Sort)” 개념을 차용하였다. 핵심 아이디어는 전체 서열 집합을 k‑mer 카운트 기반 유사도 지표인 k‑mer rank로 정량화하고, 이를 기준으로 정렬된 순서대로 균등하게 파티션하는 것이다. 파티션 과정은 전체 서열에서 임의의 샘플을 추출해 그 샘플들의 k‑mer rank를 정렬한 뒤, 파티션 경계값을 결정하는 방식으로 진행된다. 이렇게 나뉜 각 파티션은 독립적인 작업 단위가 되며, 기존의 고성능 순차 MSA 도구(예: MUSCLE, ClustalW 등)를 그대로 적용할 수 있다.

병렬 실행 단계에서는 MPI 프로세스가 각 파티션에 할당되어 로컬 정렬을 수행한다. 로컬 정렬이 완료되면, 각 파티션의 대표 서열(예: 파티션 내 중앙 서열)들을 모아 전역 조상(ancestor) 서열을 추정한다. 전역 조상은 전체 서열 집합의 계통학적 관계를 반영하는 가상의 “루트” 서열로, 파티션 간 정렬을 일관되게 연결하는 역할을 한다. 이후 각 파티션에 대해 전역 조상과의 정렬 제약조건을 부여해, 로컬 정렬 결과를 미세 조정한다. 이 과정은 “프로파일-프로파일 정렬” 형태로 구현되며, 파티션 경계에서 발생할 수 있는 삽입·삭제 불일치를 최소화한다.

성능 평가에서는 16노드(각 노드 8코어) 클러스터에서 2000개의 300‑bp 서열을 정렬하는 데 10분 미만이 소요되었으며, 동일한 데이터셋을 단일 노드에서 순차 MUSCLE로 실행하면 23시간 이상이 걸렸다. 정확도 측면에서는 PREFAB, BAliBASE와 같은 표준 벤치마크에서 평균 SP-score와 TC-score가 기존 순차 도구와 통계적으로 유의미한 차이가 없음을 보였다.

이 접근법의 장점은 (1) 파티션 단계에서 k‑mer rank를 이용해 서열 간 유사성을 보존함으로써 로컬 정렬 품질을 유지, (2) MPI 기반 메시지 전달을 최소화해 통신 오버헤드가 낮음, (3) 기존 순차 MSA 알고리즘을 그대로 재사용 가능하다는 점이다. 반면, k‑mer 길이와 샘플 크기 선택이 파티션 균형과 정렬 정확도에 민감하며, 매우 긴 서열(>10 kb)이나 비정형 데이터에서는 k‑mer 기반 유사도 측정이 부정확해질 가능성이 있다. 또한 전역 조상 추정 단계가 단순 대표 서열에 의존하므로, 계통학적 편향이 큰 경우 전체 정렬 품질이 저하될 위험이 있다. 향후 연구에서는 동적 k‑mer 길이 조정, 계통 트리 기반 전역 조상 모델링, GPU 가속 프로파일 정렬 등으로 확장성을 더욱 높일 수 있다.