파이로시퀀싱 양성 신호 수의 확률분포와 평균‑분산 특성

본 논문은 차세대 시퀀싱 기술 중 하나인 파이로시퀀싱(pyrosequencing)의 핵심 데이터 형태인 pyrogram에서 나타나는 양성 신호(positive signals)의 개수가 어떻게 분포하는지를 이론적으로 분석한다. 파이로시퀀싱은 네 종류의 dNTP(A, C, G, T)를 미리 정해진 순서(a‑b‑c‑d)로 순차적으로 흐르게 하여, 템플릿 DNA와 상보적인 경우에만 빛 신호가 발생한다. 양성 신호는 실제 염기 삽입을 의미하고, 0 신호는 배경 잡음에 해당한다. 양성 신호를 연속된 동일 염기의 ‘런(run)’으로 압축하면 원본 서열의 r‑seq(런 서열)를 얻으며, r‑seq의 길이 r가 바로 pyrogram에서 관측되는 양성 신호 수와 동일하다. 연구는 두 가지 확률 모델을 설정한다. 첫 번째는 ‘고정 r‑seq 길이 모델(Fixed r‑seq Length Model, FRLM)’으로, 양성 신호 수 r를 미리 정하고 흐름 사이클 f가 랜덤하게 결정되는 상황을 다룬다. 여기서 L_i(f,r) (i∈{a,b,c,d})를 “r‑seq가 길이 r이며 마지막 염기가 i이고, r번째 런이 흐름 사이클 f에서 합성된 경우의 비정규화 확률”로 정의한다. 네 개의 재귀식(식 6)은 각 염기의 이전 상태와 µ_i = p_i/(1‑p_i) (p_i는 염기 i의 출현 확률) 를 이용해 L_i를 전이시킨다. 직접적인 해는 존재하지 않지만, 생성함수 G_i(x,y)=∑_{f,r}L_i(f,r)x^f y^r 를 도입하면 폐쇄형 해를 얻는다. G_i는 µ_i와 대칭 함수 S_k(µ) (k=1~4) 로 표현되며, 네 개를 합산한 전체 생성함수 G(x,y)=G_a+G_b+G_c+G_d (식 9)는 µ_i에 대해 완전 대칭성을 가진다. 정규화는 필수적이다. L_i(f,r) 자체는 확률이 아니므로, x=1 혹은 y=1을 대입해 각각 u(r)=∑_f L(f,r)와 v(f)=∑_r L(f,r) 를 구한다. u(r)와 v(f)는 각각 r 고정, f 고정 상황에서 전체 확률 질량을 제공한다. 논문은 u(r)≈½e², v(f)≈e² (e₁=1) 라는 근사식을 제시한다. 균등 염기 확률(p_a=p_b=p_c=p_d=¼)일 때는 정확하고, 비균등일 경우에도 r·f가 충분히 크면 오차가 무시될 정도로 수렴한다. 두 번째 모델은 ‘고정 흐름 사이클 모델(Fixed Flow Cycle Model, FFCM)’이다. 여기서는 흐름 사이클 수 f를 고정하고 r을 랜덤 변수로 본다. FRLM에서 얻은 정규화된 분포를 이용해, r의 평균과 분산을 f에 대한 함수로 변환한다. 핵심 결과는 평균 r̄ ≈ 2f (식 17a, 23a) 로, 흐름 사이클당 평균 두 개의 양성 신호가 발생한다는 직관적이면서도 일반적인 사실이다. 이는 염기 출현 확률 p_i와 무관하게 성립한다. 분산 역시 선형적으로 f에 비례하지만, FRLM과 FFCM 사이에 비전(variance non‑transitivity)이 존재함을 논문은 강조한다. 통계적 특성은 모두 가우시안 근사로 수렴한다. 즉, f가 커질수록 r의 분포는 평균 2f, 분산 σ²·f (σ²는 염기 확률에 따라 달라짐) 를 갖는 정규분포에 가까워진다. 이는 중심극한정리와 일치하며, 논문은 시뮬레이션을 통해 이론적 분포와 실험적 결과가 거의 일치함을 확인한다. 실용적 의미는 크게 두 가지로 정리된다. 첫째, 베이스콜러 알고리즘에 새로운 기준을 제공한다. 기존 콜러는 고정 임계값을 사용해 양성/음성 신호를 구분하지만, 이론적 r 분포를 활용하면 현재 관측된 양성 신호 수와 기대값 사이의 차이를 최소화하도록 임계값을 동적으로 조정하는 부트스트랩 방식이 가능해진다. 이는 삽입·삭제 오류를 감소시킬 수 있다. 둘째, 실제 데이터에서 r 분포가 이론과 크게 벗어난다면 염기 간 상관관계(예: GC‑bias, 구조적 변이) 존재를 시사하는 검정 도구로 활용될 수 있다. 결론적으로, 논문은 파이로시퀀싱 데이터의 통계적 구조를 정확히 규명하고, 생성함수와 정규화 기법을 통해 평균·분산을 포함한 전체 확률분포를 제공한다. 이러한 이론적 프레임워크는 시퀀싱 장비 설계, 소프트웨어 최적화, 오류 모델링 및 데이터 품질 평가 등에 직접 적용 가능하며, 차세대 시퀀싱 기술 전반에 걸친 통계적 분석의 토대를 마련한다.