머신러닝 기반 RNASeq 차등발현 분석 워크플로우 리뷰

논문은 머신러닝이 현대 생물학 연구, 특히 차등발현 분석에 어떻게 깊게 통합되고 있는지를 서론에서 강조한다. DNA→RNA→단백질이라는 중앙 흐름을 소개하고, NGS 기술이 대용량 시퀀싱 데이터를 생성함에 따라 자동화된 데이터 처리와 해석이 필수적임을 설명한다. 저자들은 두 개의 공개 마우스 RNA‑Seq 데이터셋(GSE56933, GSE60450)을 선택해 전체 분석 파이프라인을 구현한다. 파이프라인은 크게 실험 설계, 시퀀싱, 전처리(QC·어댑터 트리밍), 정렬, 차등발현 분석, 시각화·검증의 5단계로 구성된다. 전처리 단계에서는 FastQC를 이용해 베이스 품질, GC 비율, 오버리프 시퀀스 등을 평가하고, 어댑터 존재를 확인한다. 이후 cutadapt을 사용해 오류 허용 기반 세미글로벌 매칭으로 어댑터를 제거한다. 정렬 단계에서는 HISAT2를 선택했으며, 이는 Burrows‑Wheeler 변환과 Karkkainen의 블록‑와이즈 인덱싱을 결합해 스플라이스 인식을 지원한다. 정렬 결과는 SAM 형식으로 저장된 뒤 BAM으로 변환·인덱싱되어 저장 공간을 절감한다. 정렬 품질은 IGV와 UCSC Genome Browser를 통해 시각적으로 검증한다. 차등발현 단계에서는 DESeq2와 edgeR을 적용해 음이항 일반화 선형 모델을 구축하고, p‑값 보정 후 유의미한 유전자를 도출한다. 저자들은 각 도구의 실행 시간, 메모리 사용량, CPU 부하를 측정해 표와 그래프로 제시한다. 결과적으로 어댑터 트리밍과 스플라이스 인식 정렬이 전체 파이프라인 효율에 큰 영향을 미치며, 머신러닝 기반 파라미터 자동 튜닝이 처리 시간을 평균 30 % 단축시키고 디스크 사용량을 20 % 절감한다는 것을 확인한다. 논문 말미에서는 전체 코드와 스크립트를 부록에 제공하고, GitHub 저장소에 공개함으로써 재현성을 보장한다. 또한, 모듈형 설계가 새로운 머신러닝 알고리즘(예: 딥러닝 기반 변이 탐지)이나 클라우드 환경 배포에 용이함을 강조하며, 향후 연구에서는 메타데이터 통합과 멀티오믹스 분석을 위한 확장 가능성을 제시한다.