인공 참조 서열 구축으로 유전체 상대 압축 효율 극대화

본 논문은 대규모 유전체 데이터베이스에서 효율적인 저장과 빠른 랜덤 접근을 제공하는 상대 압축(relative compression) 기법의 핵심인 “참조 서열(reference sequence)” 선택 문제를 다룬다. 기존 연구에서는 동일 종 내 여러 개체를 압축할 때 임의의 게놈을 참조로 삼아도 충분히 좋은 압축률을 얻을 수 있었지만, 서로 다른 균주 혹은 종 간 데이터셋에서는 하나의 실제 게놈이 전체 데이터의 반복 구조를 충분히 반영하지 못한다는 한계가 있었다. 이러한 문제를 해결하고자 저자들은 사전 압축(dictionary‑compression) 알고리즘이 자동으로 생성하는 반복 문자열 사전을 활용해 인공적인 참조 서열을 구축하는 방식을 제안한다. 먼저, 데이터셋에 포함된 모든 서열을 대상으로 세 가지 사전 압축기인 Re‑pair, Comrad, Dna‑x를 적용한다. Re‑pair은 가장 빈도가 높은 심볼 쌍을 반복적으로 교체해 비터미널 규칙을 생성하고, 이 규칙들을 재귀적으로 전개하면 원본 문자열 내 모든 중복 구간을 얻을 수 있다. Comrad은 DNA 전용 버전으로, 일정 길이 L의 서브스트링을 빈도 기준으로 교체하며, 빈도 임계값 F 이하가 될 때까지 여러 라운드에 걸쳐 진행한다. Dna‑x는 해시 기반 단일 패스 알고리즘으로, B‑mer 해시 테이블을 이용해 현재 위치에서 가장 긴 매치를 찾고 이를 인코딩한다. 세 알고리즘 모두 “반복 문자열 → 비터미널 규칙” 형태의 사전을 출력한다. 다음 단계에서는 사전에서 중복을 최소화하고 효율적인 인공 참조 서열을 만들기 위해 비터미널 규칙을 위계적으로 탐색한다. 높은 번호(후에 생성된 규칙)부터 낮은 번호 순으로 전개하면서, 이미 다른 규칙에 포함된 하위 규칙은 비트벡터로 표시해 건너뛴다. 전개된 문자열을 차례대로 연결하면, 데이터셋 전체에 걸친 대표적인 반복 패턴을 포함하는 인공 참조 서열이 완성된다. 이 과정은 중복된 서브스트링을 여러 번 추가하지 않도록 설계되어, 최종 참조 서열의 길이를 적절히 제어한다. 구축된 인공 참조 서열을 RLZ 기반 상대 압축기에 적용한다. 저자들은 RLZ‑std와 RLZ‑opt(look‑ahead 및 short‑factor encoding 포함) 두 변형을 사용해 세 개의 실제 데이터셋(39개 S. cerevisiae, 36개 S. paradoxus, 33개 E. coli)에서 압축률을 비교하였다. 실험 결과는 다음과 같다. 1. **S. cerevisiae** 데이터셋: 기존에 REF(표준 게놈)를 참조로 사용했을 때 17.89 MB의 압축 결과를 얻었으며, Comrad 혹은 Re‑pair 기반 인공 참조를 사용하면 16.65 MB 수준으로 약 7% 개선되었다. 2. **S. paradoxus** 데이터셋: 유사한 경향이 나타나며, 인공 참조 사용 시 약 5~8% 압축률 향상이 관찰되었다. 3. **E. coli** 데이터셋: 기존 K‑12 게놈을 참조로 사용했을 때 24.42 MB였으나, Comrad 기반 인공 참조를 적용하면 12.2 MB 수준으로 압축 비율이 거의 2배 개선되었다. 이는 K‑12가 데이터셋 전체를 대표하지 못함을 보여준다. 또한, 랜덤 접근 실험에서는 인공 참조가 기존 참조와 동일한 인덱스 구조를 사용하므로 접근 시간에 차이가 없었으며, 압축·해제 속도 역시 기존 RLZ와 비슷하거나 약간 향상되는 결과를 보였다. 이러한 결과는 “전역적인 반복 패턴을 포착한 사전”이 상대 압축에서의 참조 역할을 충분히 대체할 수 있음을 증명한다. 인공 참조 서열을 한 번 생성하면 여러 압축 파이프라인에 재사용 가능하므로, 대규모 유전체 데이터베이스의 저장·전송 비용을 크게 절감할 수 있다. 또한, 사전 압축 단계가 디스크 기반(Comrad) 혹은 메모리 기반(Re‑pair, Dna‑x)으로 구현될 수 있어 다양한 규모와 환경에 적용 가능하다. 결론적으로, 본 연구는 사전 압축 알고리즘을 활용한 인공 참조 서열 구축이 기존의 단일 실제 게놈을 참조로 삼는 방식보다 압축 효율을 크게 향상시키면서도 랜덤 접근 성능을 유지한다는 중요한 통찰을 제공한다. 향후 연구에서는 클러스터링 기반 다중 참조 전략과 결합하거나, 사전 압축 단계에서 더 정교한 반복 패턴 필터링을 적용해 더욱 최적화된 인공 참조를 생성하는 방안을 탐색할 수 있다.