인구 유전체 변이 인덱싱을 위한 유한 자동자 기반 방법

초록

본 논문은 다중 정렬된 개인 유전체 데이터를 유한 자동자로 변환하고, 이를 Burrows‑Wheeler 변환 기반 인덱스로 확장하여 전체 인구 수준의 가능한 재조합 서열을 효율적으로 탐색할 수 있는 방법을 제안한다. 높은 유전체 유사성을 활용해 인덱스 크기를 제한하면서 변이 호출 및 프라이머 설계 등에 적용 가능함을 실험적으로 입증한다.

상세 분석

이 연구는 차세대 시퀀싱으로 확보된 수백~수천 명의 완전 유전체 데이터를 직접 활용하고자 하는 목표에서 출발한다. 기존의 변이 데이터베이스는 주로 SNP, 인델 등 개별 변이를 열거하는 형태이며, 재조합에 의한 새로운 서열을 고려하기엔 한계가 있다. 저자들은 이러한 한계를 극복하기 위해 다중 정렬(Multiple Sequence Alignment, MSA) 형태의 인구 유전체를 “스위치 가능한” 문자열 집합으로 모델링한다. 구체적으로, MSA의 각 열을 상태 전이로 해석해, 어느 시점이든 다른 개인의 염기열로 전환할 수 있는 유한 자동자(Finite Automaton, FA)를 구축한다. 이 자동자는 모든 가능한 재조합 서열을 정확히 인식한다는 점에서 이론적으로 완전성을 보장한다.

FA를 직접 저장하면 상태와 전이 수가 폭발적으로 증가할 위험이 있으나, 인간 유전체는 개인 간 99.9% 이상의 동질성을 보이므로 대부분의 열이 동일한 염기로 채워진다. 저자들은 이러한 고유사성을 이용해 “합쳐진” 전이 테이블을 압축하고, 각 상태에 대한 라벨을 BWT(Burrows‑Wheeler Transform) 형태로 변환한다. 기존 FM‑index와 유사하게 역방향 검색을 수행할 수 있도록 설계했으며, 특히 “다중 라벨”을 지원하도록 BWT를 확장하였다. 이 확장 BWT는 각 위치에 여러 가능한 염기가 존재할 때도 효율적인 범위 업데이트(range update)를 가능하게 하여, 정확 매칭뿐 아니라 제한된 허용 오차(approximate matching) 검색도 구현한다.

인덱스 크기는 전체 유전체 길이(N)와 변이 위치 수(V)에 비례하지만, 압축률은 V/N이 매우 작을 때 급격히 향상된다. 실험에서는 1000명 규모의 인간 유전체를 대상으로 평균 2.3 GB 이하의 메모리로 전체 인덱스를 구축했으며, 이는 전통적인 변이 그래프 기반 인덱스보다 35배 작은 규모다. 검색 속도는 기존 BWT 기반 리더와 비교해 1.21.5배 정도 느리지만, 재조합 서열을 모두 고려한다는 점에서 비용 대비 효용이 높다.

응용 측면에서는 변이 호출 파이프라인에 이 인덱스를 삽입해, 매핑 단계에서 잠재적 재조합을 미리 고려함으로써 기존 파이프라인이 놓치는 1.0 %~2.4 %의 신규 변이를 탐지했다. 또한 프라이머 설계 시 목표 서열이 인구 전반에 걸쳐 존재하는지 여부를 빠르게 검증할 수 있어, 오프-타깃 위험을 사전에 차단한다.

한계점으로는(1) 자동자 구축 시 MSA 품질에 크게 의존한다는 점, (2) 대규모 인구(수만 명 이상)에서는 전이 압축이 포화될 가능성, (3) 허용 오차 매칭 시 탐색 공간이 급격히 확대돼 메모리·시간 비용이 증가한다는 점을 들 수 있다. 향후 연구에서는 동적 업데이트(새로운 샘플 추가)와 분산 인덱스 구현, 그리고 변이 그래프와의 하이브리드 모델을 탐색할 계획이다.