유전체 구조변이(SV)는 50bp 이상의 염색체 변화로 질병 감수성과 밀접하게 연관되며 개인 간 유전체 차이의 상당 부분을 차지하지만, 반복서열이나 복잡한 구조 영역에서는 정확한 검출이 어려운 문제가 지속되어 왔다. 단거리 시퀀싱(SRS)은 비용과 처리량 측면에서 대규모 코호트 연구에 여전히 널리 쓰이지만 읽기 길이의 한계로 반복서열 내 삽입 변이 등을 놓치기 쉽고, 장거리 시퀀싱(LRS)은 더 완전한 SV 발견이 가능하지만 비용과 데이터 요구량이 크다는 한계가 있다. 기존 SV 검출 도구들은 정렬 신호의 클러스터링과 통계 모델링, 또는 로컬 어셈블리 기반 접근을 활용했으나, 반복영역이나 복잡한 SV에서는 신호가 약하고 이질적이며 왜곡되는 문제가 있었다. 연구팀은 이를 해결하기 위해 읽기 길이에 구애받지 않는 SV 검출 도구인 HitSV를 개발했으며, 이 도구는 국소 유전체 맥락이 정렬 신호에 미치는 영향을 명시적으로 모델링하고 점진적 클러스터링과 반수체(haplotype) 분해 로컬 어셈블리를 결합했다. HitSV는 SV 부위 인식, 신호 클러스터링, SV 재구성 및 유전자형 판별이라는 핵심 단계를 반복서열 밀도와 신호 강도 간 상호작용을 고려해 재설계했다. 이를 위해 HPRC와 1000 유전체 프로젝트(1KGP)에서 공유된 40개 샘플의 LRS·SRS 참조 데이터를 활용해 반복서열 정도별 SV 신호 밀도에 대한 경험적 분포를 구축했다. 연구팀은 HitSV를 대규모 중국인 코호트에 적용해 탠덤-이동성 유전요소 배열로 특징지어지는 복합 반복 구조를 확인했으며, 이러한 복합 반복 구조화가 기존에 잘 인식되지 못했던 인간 유전체의 보편적 구조적 특징임을 제시했다. 해당 접근법은 다양한 시퀀싱 기술에서 높은 검출 수율을 유지하면서도 LRS 데이터 요구량을 줄이고 SRS 데이터로부터의 SV 발견을 극대화하는 결과를 보였다.
- HitSV는 장거리·단거리·하이브리드 시퀀싱 데이터를 모두 지원하는 SV 검출 도구
- HPRC와 1KGP의 공유 샘플 40개를 참조 데이터로 활용해 반복서열 맥락별 신호 분포를 구축
- 반수체 분해 로컬 어셈블리(dBG 기반)를 통해 복잡한 SV 재구성 정밀도를 개선
- 대규모 중국인 코호트 적용 결과 탠덤-이동성 유전요소 배열의 복합 반복 구조 확인
BioPulse 해설
원문에 없는 배경 설명입니다 · AI 작성 · 기사의 사실관계가 아닙니다
- 구조 변이(Structural Variant)
- 염색체에서 삽입, 결실, 역위, 중복 등 비교적 큰 단위로 일어나는 유전체 변화를 의미한다.
- 시퀀싱 기술(Sequencing Technology)
- DNA나 RNA의 염기서열을 읽어내는 다양한 실험적 방법론을 통칭한다.
- 숏리드/롱리드 시퀀싱
- 읽어내는 염기서열 조각의 길이에 따라 구분되는 두 가지 대표적 시퀀싱 방식이다.
- 리퍼런스 지놈(Reference Genome)
- 시퀀싱 결과를 비교·정렬하기 위한 표준 유전체 서열 데이터를 의미한다.
구조 변이는 단일 염기 변이보다 크기가 커서 검출이 까다�운데, 이는 시퀀싱 기술의 읽기 길이와 오류율, 정렬 알고리즘의 특성에 따라 결과가 달라지기 때문이다. 숏리드 방식은 비용이 낮고 정확도가 높지만 반복서열이나 큰 변이 구간에서 한계가 있고, 롱리드 방식은 이런 구간을 더 잘 포착하는 대신 상대적으로 높은 오류율을 보완하는 분석 기법이 필요하다. 이에 따라 여러 플랫폼 간 결과를 비교하고 표준화하려는 연구가 꾸준히 이루어지고 있으며, 이는 유전질환 진단이나 암 유전체 분석 등 임상 응용의 신뢰도와 직결되는 기초 과제로 다뤄진다.
Why it matters구조 변이 검출의 정확도는 유전질환 원인 규명이나 정밀의료 기반 진단 체계의 신뢰성을 좌우하는 기초 기술 요소로 간주된다.
원문을 확인하세요
BioPulse는 원문을 저장하거나 전재하지 않습니다. 위 글은 공개된 보도를 요약한 것이며, 수치·일정·인용은 요약 과정에서 빠지거나 달라질 수 있습니다. 판단이 필요한 사안은 반드시 원문에서 확인하세요.
Nature Biotechnology 원문 보기원문 보도의 저작권은 Nature Biotechnology에 있습니다.