정확 일치 오버랩 그래프를 위한 메모리 효율적 데이터 구조와 차세대 DNA 어셈블리 적용

초록

본 논문은 길이 ℓ 인 문자열 n 개에 대해, 허용 오버랩 차이 λ 이하인 경우만을 간선으로 갖는 정확 일치 오버랩 그래프를 (2λ‑1)(2⌈log n⌉+⌈log λ⌉) n 비트 이하의 공간에 저장할 수 있는 압축 구조를 제안한다. 기본 연산인 간선 조회는 O(log λ) 시간에 수행되며, 그래프 구축은 선형 시간·선형 메모리로 가능하다. 이 구조는 수백만~수십억 개의 리드가 생성되는 차세대 시퀀싱 데이터에 대해 실용적인 오버랩 그래프 기반 DNA 어셈블리를 가능하게 한다.

상세 요약

논문은 먼저 정확 일치(overlap) 그래프의 정의를 명확히 하고, 기존 구현이 직면한 메모리 병목을 정량화한다. 문자열 x와 y에 대해 최대 오버랩 길이 |ov_max(x,y)| 를 구하고, 그 차이 ω = ℓ‑|ov_max| 가 사전 정의된 임계값 λ 이하일 때만 간선을 만든다. 이때 간선 가중치는 ω 이며, 이는 실제 어셈블리 과정에서 리드 간 연결 비용으로 바로 활용될 수 있다.

핵심 아이디어는 모든 가능한 간선을 일일이 저장하는 대신, 각 정점 v에 대해 “오버랩 길이 d (0≤d≤λ‑1)”에 해당하는 인접 정점 집합을 연속 구간 형태로 압축한다는 점이다. 구간은 정점 번호의 사전 순 정렬을 전제하고, 각 구간의 시작·끝 인덱스를 비트 벡터와 셀프‑델리미티드 인코딩으로 기록한다. 이렇게 하면 전체 인접 리스트를 (2λ‑1)·n·(2⌈log n⌉+⌈log λ⌉) 비트 이하로 표현할 수 있다.

접근 연산은 두 단계로 이루어진다. 첫째, 원하는 정점 v와 오버랩 차이 d 에 해당하는 구간 블록을 찾기 위해 ⌈log λ⌉ 비트의 인덱스를 사용한다. 둘째, 해당 블록 내에서 실제 인접 정점 번호를 찾기 위해 rank/select 연산을 적용한다. rank/select는 비트 벡터에 대해 O(1)~O(log λ) 시간에 수행 가능하도록 설계되었으며, 따라서 전체 간선 조회 복잡도는 O(log λ)이다.

구조의 메모리 효율성은 두 가지 측면에서 검증된다. 첫째, 이론적 상한을 (2λ‑1)(2⌈log n⌉+⌈log λ⌉) n 비트로 제시하고, 실제 실험에서는 λ가 1030 정도일 때 전체 메모리 사용량이 기존 인접 리스트 대비 520배 감소함을 보였다. 둘째, 구축 알고리즘은 문자열을 사전 순으로 정렬하고, 슬라이딩 윈도우를 이용해 최대 오버랩을 O(n·ℓ) 시간에 계산한 뒤, 위 압축 단계로 바로 전이한다. 따라서 전체 파이프라인은 선형 시간·선형 메모리 요구사항을 만족한다.

DNA 어셈블리 분야에 미치는 영향도 크게 두드러진다. 차세대 시퀀싱(NGS)에서는 리드 수가 수억 개에 달하고, 각 리드 길이는 25~1000 bp이다. 기존 오버랩 그래프 기반 어셈블러는 메모리 부족으로 이러한 규모를 다루지 못했지만, 제안된 구조는 메모리 사용량을 실질적으로 n·log n 수준으로 낮추어, 현재 상용 어셈블러가 도달하지 못한 규모의 데이터셋을 직접 처리할 수 있게 한다. 또한, 간선 가중치 ω 가 직접적인 오류 보정 및 경로 탐색 비용으로 활용될 수 있어, 최단 초문자열 문제(Superstring)와 같은 전통적인 조합 최적화 문제에도 바로 적용 가능하다.

한계점으로는 압축 구조가 정적이라는 점이다. 그래프에 새로운 리드가 추가되거나 기존 리드가 삭제될 경우 전체 재구성이 필요하며, 이는 실시간 스트리밍 어셈블리에는 부적합할 수 있다. 또한, λ가 크게 설정될 경우 비트 수가 급격히 증가해 메모리 절감 효과가 감소한다. 향후 연구에서는 동적 업데이트를 지원하는 변형 구조와, λ 선택을 자동화하는 데이터‑드리븐 방법을 모색할 필요가 있다.