RNA Seq 기반 전사체 재구성을 위한 mTim 방법

본 연구는 차세대 시퀀싱 기술인 RNA‑Seq를 활용해 전사체 구조를 고해상도로 복원하는 새로운 방법론, mTim(margin‑based transcript inference method)을 제안한다. 전통적인 전사체 재구성 접근법은 크게 두 가지로 나뉜다. 첫 번째는 읽기 자체를 조립해 전사체를 재구성하는 ‘조립 기반’ 방법이며, 두 번째는 먼저 읽기를 유전체에 정렬한 뒤 정렬 정보를 이용해 전사체를 추론하는 ‘정렬 기반’ 방법이다. 후자는 정렬 품질에 크게 의존하지만, 고품질 정렬이 확보될 경우 낮은 발현량 전사체까지 정확히 복원할 수 있다는 장점이 있다. mTim은 정렬 기반 접근법에 기계학습을 접목한 것으로, 전사체 재구성 문제를 ‘라벨 시퀀스 학습’으로 정의한다. 구체적으로, 유전체의 각 염기 위치를 ‘intergenic(비유전자 영역)’, ‘exonic(엑손)’, ‘intronic(인트론)’ 중 하나의 라벨로 할당하는 작업을 수행한다. 이를 위해 다음과 같은 특징을 추출한다. 첫째, 해당 위치에 정렬된 읽기의 수(커버리지)와 그 기울기, 둘째, 스플라이스된 읽기가 해당 위치를 가로지르는 횟수, 셋째, donor와 acceptor 스플라이스 사이트를 지원하는 스플라이스 리드 수, 넷째, 페어엔드 읽기의 삽입이 해당 위치를 포함하는 경우의 수(전사체 연결성 지표)이다. 추가적으로, 유전체 서열에서 스플라이스 사이트를 예측하는 SVM 기반 모델을 사용해 서열 기반 특징도 결합한다. 상태 모델은 기본적인 3상태(Exon, Intron, Intergenic)를 시작으로, (1) 양방향 스트랜드를 구분하는 스트랜드‑특이 구조, (2) 발현 수준에 따라 여러 서브모델을 두어 낮은 발현량과 높은 발현량 전사체에 각각 최적화된 파라미터를 학습하도록 설계하였다. 전이 구간을 명시적으로 모델링함으로써 exon‑intron 경계와 전사 시작·종료 지점을 정확히 포착한다. 학습 과정에서는 기존 주석(annotated) 전사체를 라벨 시퀀스로 변환하고, 대안 전사체가 존재할 경우 가장 많이 지원되는 isoform을 정답 라벨로 선택한다. 대안 영역은 별도 마스크를 두어 학습 시 과도한 패널티가 부여되지 않도록 한다. mTim은 숨은 마코프 서포트 벡터 머신(HM‑SVM)을 사용해 판별적 학습을 수행한다. 목표 함수는 정답 라벨 시퀀스와 모든 오류 라벨 시퀀스 사이의 마진을 최대화하는 구조화된 SVM 형태이며, 정규화 항 Ω와 슬랙 변수 ξ를 포함한다. 목표 함수 최적화는 기존의 컷팅 플레인 방식보다 빠른 수렴을 보이는 ‘번들 메소드’를 적용한다. 이 방법은 서브그라디언트를 이용해 비부드한 손실 함수를 효율적으로 다루며, 매 반복마다 제한된 수의 컷팅 플레인을 유지하면서 전체 손실에 대한 하한을 점진적으로 강화한다. 따라서 대규모 학습 데이터에서도 안정적인 최적화를 달성한다. 실험은 C. elegans, A. thaliana, D. melanogaster 세 모델 생물의 RNA‑Seq 데이터를 이용해 수행되었다. 정렬은 스플라이스 인식 정렬기 PalMapper를 사용했으며, 정렬 품질을 높이기 위해 필터링 전·후 두 가지 정렬 세트를 준비하였다. mTim 파이프라인은 (1) 읽기 커버리지를 기반으로 유전체 청크를 정의하고, (2) 교차 검증을 위해 청크를 훈련·테스트 집합으로 분할, (3) 알려진 주석 전사체를 사용해 모델을 학습, (4) 테스트 청크에 모델을 적용해 전사체를 예측한다. 동일한 정렬 데이터를 입력으로 Cufflinks를 기본 파라미터로 실행해 비교하였다. 평가 지표는 전사체 수준의 정밀도, 재현율, F‑Score이며, 주석 전사체와 예측 전사체 간의 겹침을 기준으로 계산하였다. 결과는 다음과 같다. (가) mTim은 정렬 오류에 대해 Cufflinks보다 높은 정밀도와 재현율을 유지했으며, 특히 저발현 전사체에서 그 차이가 두드러졌다. (나) 필터링된 고품질 정렬을 사용할 경우 두 방법 모두 성능이 향상되었지만, mTim의 상대적 우위가 더욱 확대되었다. (다) mTim은 스플라이스 사이트 서열 특징을 활용함으로써 경계 인식 정확도가 향상되었으며, 이는 전사체 시작·종료 위치를 정확히 예측하는 데 기여했다. 핵심 기여는 다음과 같다. 첫째, 전사체 재구성을 판별적 라벨 시퀀스 학습 문제로 전환함으로써 기존 HMM 기반 방법보다 높은 정확도와 강인성을 확보했다. 둘째, 발현 수준별 서브모델과 경계 전이 상태를 도입해 복잡한 유전자 구조와 다양한 발현 양상을 효과적으로 모델링했다. 셋째, 번들 메소드를 활용한 효율적인 구조화 SVM 최적화 알고리즘을 구현해 대규모 데이터에서도 실용적인 학습 시간을 제공했다. 이러한 설계는 기존 조립 기반 혹은 단순 HMM 기반 전사체 재구성 도구가 겪는 정렬 오류 민감성을 크게 완화하고, 저발현 전사체까지 포괄적으로 탐지할 수 있게 한다. 결론적으로, mTim은 RNA‑Seq 기반 전사체 재구성 분야에서 높은 정확도와 정렬 오류에 대한 강인성을 동시에 제공하는 새로운 도구이며, 오픈소스로 제공되어 Galaxy 기반 Oqtans 파이프라인에도 통합되어 있다. 향후에는 더 다양한 생물종에 대한 적용과, 단일 세포 RNA‑Seq와 같은 저입력 데이터에 대한 확장 연구가 기대된다.