저렴한 시퀀싱으로 개인 이형접합성 추정 방법

초록

본 논문은 저커버리지(낮은 깊이) 유전체 시퀀싱 데이터만으로도 개별 유전체의 이형접합성 비율을 직접적인 유전체형 호출 없이 추정하는 새로운 통계적 방법을 제시한다. 대상 개인과 동일한 좌위에서 시퀀싱된 다수의 패널 샘플을 이용해 공동으로 대립유전자 분포, 시퀀싱 오류, 레퍼런스 바이어스를 학습한다. 시뮬레이션 및 실제 인간 데이터에 적용한 결과, 저커버리지에서도 고커버리지 결과와 일치하는 이형접합성 비율을 얻을 수 있음을 보이며, 특히 깊이에 따른 편향을 보정하는 필터링 전략과 비율 기반 해석이 실용적임을 강조한다.

상세 분석

이 연구는 고통량(고coverage) 시퀀싱이 필요했던 전통적인 이형접합성 추정 방식을 근본적으로 바꾸는 접근법을 제시한다. 핵심 아이디어는 “유전체형을 직접 호출하지 않고, 관측된 염기 서열 데이터를 통해 확률적 모델을 구축한다”는 것이다. 구체적으로, 저커버리지 개인의 각 위치에 대해 관측된 염기 카운트를 다항분포로 모델링하고, 이때 대립유전자(allele) 빈도는 동일 좌위에서 시퀀싱된 패널 샘플들의 데이터와 공동으로 추정한다. 이는 베이즈적 프레임워크 안에서 기대-최대화(EM) 알고리즘을 활용해 반복적으로 파라미터를 업데이트함으로써 구현된다.

모델은 세 가지 주요 파라미터를 동시에 학습한다. 첫째, 공유 대립유전자 분포(shared allele frequency distribution)로, 이는 특정 좌위에서 실제 존재하는 두 대립유전자의 비율을 의미한다. 둘째, 시퀀싱 오류 분포(sequencing error distribution)로, 각 염기(A, C, G, T)가 실제와 다른 염기로 읽히는 확률을 추정한다. 셋째, 레퍼런스 바이어스(reference bias)로, 레퍼런스 염기가 실제보다 과대표집되는 현상을 보정한다. 특히 레퍼런스 바이어스는 저커버리지 상황에서 유전체형 호출 오류를 크게 증폭시킬 수 있기 때문에, 이를 명시적으로 모델에 포함시킨 점이 혁신적이다.

시뮬레이션 실험에서는 다양한 커버리지(1×~10×)와 오류율(0.1%~1%)를 가정해, 기존 방법(단순히 최소 빈도 기준으로 이형접합성을 판정)과 비교하였다. 제안 방법은 평균 절대 오차가 0.001 이하로, 특히 2× 이하 커버리지에서도 안정적인 추정치를 제공했다. 실제 인간 데이터(1000 Genomes Project)에서는 동일 개인을 5×와 30× 두 수준으로 다운샘플링한 후, 저커버리지에서 얻은 이형접합성 비율이 고커버리지 결과와 0.98 이상의 상관계수를 보였다.

또한, 저자는 커버리지와 실제 이형접합성 간의 복합 의존성을 발견했다. 특정 유전체 구간에서는 실제 이형접합성이 높음에도 불구하고, 낮은 로컬 커버리지 때문에 관측된 이형접합성 비율이 인위적으로 낮아지는 현상이 나타났다. 이를 해결하기 위해, 로컬 커버리지를 기준으로 필터링(예: 최소 3× 이상)하고, 커버리지-이형접합성 관계를 회귀 모델로 보정하는 절차를 도입하였다. 이러한 보정 후에는 전역적인 이형접합성 비율뿐 아니라 비율(relative ratios) 역시 기존 고커버리지 연구와 일치하였다.

마지막으로, 절대적인 이형접합성 추정치보다 비율을 활용하는 것이 실용적이라는 결론을 내렸다. 인구 집단 간 비교에서는 절대값보다 비율이 샘플링 편차와 오류에 덜 민감하기 때문이다. 이 점은 인구 유전학 연구에서 다양한 데이터셋을 통합할 때 중요한 전략으로 작용한다.

전반적으로, 이 논문은 저커버리지 시퀀싱 데이터를 활용한 이형접합성 추정에 있어 통계적 모델링과 공동 학습 프레임워크를 성공적으로 적용했으며, 실제 데이터와 시뮬레이션을 통해 그 타당성을 충분히 검증하였다.