유전체 데이터베이스 차등 압축을 위한 손실 없는 차이 코드 알고리즘

초록

본 논문은 동일 계통에 속하는 유전체 서열들을 하나의 기준 서열과 차이(삽입·삭제·치환) 정보만 저장함으로써 손실 없이 압축하는 방법을 제안한다. op‑code 표를 이용해 차이를 정량화하고, 차이 코드와 위치 정보를 각각 Huffman 및 ZLIB 압축기로 처리한다. 인간 미토콘드리아(56 MB) 데이터는 195배, 인플루엔자 바이러스(601 KB)와 마우스(1 MB) 데이터는 각각 3배와 11배의 압축률을 달성하였다.

상세 분석

이 연구는 유전체 데이터베이스 압축에 있어 ‘차등 압축(differential compression)’이라는 접근을 채택한다는 점에서 의미가 크다. 기존의 일반 텍스트 압축기(gzip, bzip2 등)는 DNA 서열의 특성인 긴 반복 패턴이 드물고, 염기당 2비트라는 고정 길이 코딩 때문에 효율이 떨어진다. 논문은 먼저 전체 데이터셋 중 하나를 기준(reference) 서열로 선정하고, 각 대상 서열과의 정렬을 통해 삽입·삭제·치환을 식별한다. 여기서 핵심은 08까지의 op‑code를 정의한 표(표 1, 2)이다. 동일 염기일 경우 ‘0’, 치환은 ‘13’, 삭제는 ‘4’, 삽입은 ‘5~8’로 구분한다. 이렇게 코딩된 차이 시퀀스는 매우 낮은 엔트로피를 가지므로 Huffman 코딩으로 압축하면 추가적인 비트 절감이 가능하고, 차이 위치는 연속적인 거리값으로 변환해 ZLIB Deflator로 압축한다.

알고리즘 흐름은 크게 (1) 로컬 정렬, (2) 차이 기록, (3) 차이·위치 압축의 세 단계로 구성된다. 정렬 단계에서 사용된 구체적인 알고리즘(예: Smith‑Waterman, Needleman‑Wunsch 등)은 명시되지 않아 재현성이 떨어진다. 또한 기준 서열 선택 방법이 ‘Cambridge reference sequence’ 등 사전 정의된 서열을 그대로 사용했으며, 자동 선택이나 최적화 전략에 대한 논의가 부족하다.

성능 평가에서는 인간 미토콘드리아(3615개 서열), 인플루엔자 H1N1 바이러스(500개), 마우스(100개) 데이터셋을 대상으로 압축률을 보고하였다. 미토콘드리아 데이터는 56 MB → 0.294 MB(≈195배)로 가장 높은 압축률을 보였으며, 이는 서열 간 99 % 이상의 동질성에 기인한다. 바이러스와 마우스 데이터는 각각 3배, 11배 압축에 그쳤는데, 이는 변이율이 높고 삽입·삭제가 빈번해 차이 코드가 복잡해지기 때문이다.

비교 대상 압축기(GenCompress, DNACompress 등)와의 정량적 비교가 부재하고, 압축·해제 속도, 메모리 사용량 등에 대한 실험이 누락돼 실용성을 판단하기 어렵다. 또한 차이 코드 자체가 9가지에 불과해 복잡한 변이를 충분히 표현하지 못할 가능성이 있다. 향후 연구에서는 (① 자동 기준 서열 선택 알고리즘, ② 고차원 변이(전위, 역보완) 지원, ③ 압축·해제 시간 및 리소스 프로파일링) 등을 보완하면 차등 압축의 적용 범위가 확대될 것이다.