빠르고 정확한 메타게놈 분류를 위한 Taxator‑tk

초록

Taxator‑tk는 메타게놈 서열을 빠르게 분류하기 위해 진화적 이웃을 근사적으로 찾는 알고리즘을 제시한다. 로컬 정렬 결과를 기반으로 쿼리 서열을 세그먼트로 나누고, 각 세그먼트에 대해 최소 두 개의 가장 가까운 참조 세그먼트를 이용해 선형 시간 안에 최저 공통 조상을 추정한다. 이를 통해 6 GB/일의 처리량을 달성하면서도 종·속·과 수준에서 90 % 이상 높은 정밀도를 유지한다.

상세 분석

Taxator‑tk는 메타게놈 데이터의 대규모 분류 문제를 “진화적 이웃 근사”라는 새로운 패러다임으로 해결한다. 기존의 유사도 기반 분류기(예: MEGAN, CARMA)는 단순히 최고 점수 매치를 이용해 종을 지정하지만, 계통수 정보를 충분히 활용하지 못한다. 반면, PhyloPplacer와 같은 확률적 계통배치 방법은 정확도가 높지만, 전체 메타게놈에 대해 MSA와 트리 재구성을 수행해야 하므로 계산 비용이 폭발한다. Taxator‑tk는 이 두 접근법의 장점을 절충한다.

첫 단계에서는 BLAST 혹은 LAST와 같은 로컬 정렬 엔진을 이용해 쿼리 서열과 참조 데이터베이스(예: RefSeq) 사이의 고품질 매치를 찾는다. 겹치는 매치를 병합해 “세그먼트”를 만든 뒤, 매치가 없는 구간은 무시한다. 이렇게 하면 재배열이나 큰 구조 변이가 있는 경우에도 핵심 보존 영역만을 대상으로 분석할 수 있다.

두 번째 단계가 핵심 알고리즘이다. 각 세그먼트 q에 대해 가장 높은 정렬 점수를 가진 참조 세그먼트 s를 선택하고, s와 q 사이의 편집 거리를 기준으로 임계값을 설정한다. 첫 번째 패스에서는 모든 참조 세그먼트를 s와 정렬해 거리 ≤ distance(s,q) 인 세그먼트를 집합 M에 추가한다. 그 후, distance(s,q)보다 큰 첫 번째 세그먼트 o를 외부 그룹(outgroup)으로 정의하고, 두 번째 패스에서는 o와 정렬해 distance(o,q) 이하인 세그먼트를 추가한다. 전체 과정은 2 × n 번의 정렬만 필요하므로 선형 시간 복잡도를 갖는다.

집합 M에 포함된 세그먼트들의 종 정보를 기반으로 NCBI Taxonomy에서 최소 공통 조상(LCA)을 계산한다. M이 너무 다양하거나 외부 그룹을 찾지 못하면 할당을 보류한다. 이 LCA 기반 할당은 “보수적”인 전략을 채택해 잘못된 저위계 할당을 최소화한다.

세 번째 단계에서는 동일 쿼리의 여러 세그먼트 결과를 가중 평균해 최종 할당을 결정한다. 가중치는 각 세그먼트가 매치한 위치 수이며, 기본값은 70 % 이상의 가중치가 동일한 상위 분류에 모일 때 채택한다. 최소 매치 길이(기본 50 bp)와 같은 필터도 제공한다.

성능 평가에서는 16S rRNA, 짧은 읽기, 조립된 메타게놈, 실제 소 반추위 샘플 등 다양한 데이터셋을 사용했다. 교차 검증을 통해 종, 속, 과 수준에서 각각 92 % 이상, 전체 수준에서 95 % 이상의 매크로 정밀도를 기록했다. 특히, 참조 데이터베이스에 동일 종이 없을 때도 상위 계통에서 정확히 할당하는 능력이 뛰어났다. 처리 속도는 10코어 머신에서 하루에 6 GB의 시퀀스를 처리할 수 있어, 대규모 프로젝트에 실용적이다.

한계점으로는 (1) 거리 추정이 편집 거리 기반이므로 복잡한 구조 변이나 고도 진화적 변이를 완전히 반영하지 못할 수 있다, (2) 외부 그룹을 찾지 못하면 할당이 보류돼 데이터 손실이 발생한다, (3) 현재는 NCBI Taxonomy에 의존하므로 최신 분류 체계와의 동기화가 필요하다. 향후에는 가중 거리 모델 도입, 멀티‑레벨 LCA 전략, 그리고 메타게놈 전용 참조 트리 구축을 통해 정확도와 적용 범위를 확대할 여지가 있다.