대용량 파이로시퀀싱 리드 정렬을 위한 효율적 다중 서열 정렬 시스템

초록

본 논문은 파이로시퀀싱으로 생성된 수만~수십만 개의 짧고 오류가 많은 리드를, 각 리드가 참조 게놈 상에 갖는 정확한 위치 정보를 활용하여 빠르고 정확하게 다중 서열 정렬하는 ‘pyro‑align’ 알고리즘을 제안한다. 도메인 분할과 위치 기반 클러스터링을 통해 연산량을 크게 감소시키고, 기존의 전통적 MSA 방법보다 수십 배 빠른 속도와 높은 합의 정확도를 달성한다. 실험 결과는 합의 서열이 실제 참조와 높은 일치도를 보이며, 제안 방법이 대규모 파이로시퀀싱 데이터 처리에 실용적임을 입증한다.

상세 분석

파이로시퀀싱은 1회 실험당 10만 개 이상의 짧은(read 길이 30~400 bp) 시퀀스를 생성하지만, 화학적 반응 특성상 삽입·삭제 오류와 특히 ‘homopolymer’ 구간에서의 과다·과소 호출이 빈번히 발생한다. 이러한 오류는 전통적인 다중 서열 정렬(MSA) 알고리즘이 가정하는 균일한 오류 모델과는 크게 다르며, 특히 각 리드가 이미 알려진 참조 게놈 상의 특정 좌표에 매핑된다는 사실을 활용하지 못한다는 근본적인 한계가 있다. 기존 방법은 (1) 단순 페어와이즈 정렬을 적용해 정확도는 낮지만 속도는 빠른 경우와, (2) 순차적 갭 전파(sequential gap propagation)와 같은 복잡한 동적 계획법을 사용해 정확도는 높지만 계산 비용이 급증하는 경우로 나뉜다.

‘pyro‑align’은 이러한 문제점을 해결하기 위해 두 가지 핵심 아이디어를 도입한다. 첫째, 도메인 분할(domain decomposition) 전략으로 전체 리드 집합을 참조 좌표에 따라 여러 구간(domain)으로 나눈다. 각 구간은 길이 L(예: 1 kb) 이하의 연속적인 게놈 구간을 포함하며, 이 구간 내의 리드들은 서로 겹치는 영역을 공유한다는 점에서 정렬 시 상호 의존성이 강하다. 둘째, 위치 기반 클러스터링을 통해 같은 구간에 속하는 리드들을 그룹화하고, 각 그룹에 대해 독립적인 로컬 MSA를 수행한다. 로컬 정렬 단계에서는 오류가 높은 파이로시퀀스 특성을 반영한 가중 스코어 매트릭스와, 삽입·삭제에 대한 높은 패널티를 적용해 실제 변이를 보존하도록 설계하였다.

각 구간별 로컬 정렬이 완료되면, 갭 병합(gap merging) 단계에서 구간 경계에 존재하는 겹치는 부분을 기준으로 정렬 결과를 연결한다. 이때, 겹치는 영역의 합의 서열을 기준으로 최적의 갭 위치를 선택하고, 전체 정렬의 일관성을 유지한다. 알고리즘 전체 복잡도는 N(리드 수)·L·log N 수준으로, 전통적인 O(N·M·L) (M은 평균 리드 길이) 방식에 비해 크게 개선된다.

실험에서는 시뮬레이션 데이터와 실제 파이로시퀀싱 데이터를 사용해 속도와 정확도를 평가하였다. 속도 측면에서 ‘pyro‑align’은 MUSCLE, MAFFT 등 기존 MSA 툴에 비해 20배50배 빠른 실행 시간을 보였으며, 메모리 사용량도 30 % 이하로 감소하였다. 정확도는 합의 서열과 알려진 참조 서열 간의 일치율(percentage identity)로 측정했을 때, 기존 페어와이즈 기반 방법보다 평균 58 % 높은 값을 기록하였다. 특히 homopolymer 구간에서의 오류 복구가 크게 향상되어, downstream variant calling 및 assembly 단계에서의 오류 전파를 최소화한다.

한계점으로는 구간 크기 L을 어떻게 최적화하느냐에 따라 정렬 정확도와 속도 간의 trade‑off가 존재한다는 점이다. 또한, 매우 높은 변이율을 가진 메타게놈 샘플에서는 구간 간 경계에서의 정렬 불일치가 발생할 가능성이 있다. 향후 연구에서는 동적 구간 크기 조정 및 머신러닝 기반 오류 모델을 도입해 이러한 문제를 보완하고, GPU 가속을 통한 추가 속도 향상을 모색할 계획이다.