WGS 분석 실습 환경 구축

 

실습을 하며 작성한 내용은 맥 기준

---

사용 데이터: NA12878 (HG001) — chr20 subset

 

이번 WGS 분석 실습에 사용하는 샘플은 NA12878의 20번 염색체.

 

NA12878은 미국 유타주 출신 북유럽계 백인 여성의 세포주.

1980년대에 CEPH(Centre d'Etude du Polymorphisme Humain)라는 유전자 연구기관이 가족 단위로 수집한 샘플 중 하나인데,  게놈이 워낙 많이 연구되고 데이터가 쌓이다 보니 나중에 NIST/GIAB이 공식 벤치마크 샘플로 선정한 유전자라고 함.
한마디로 "파이프라인 검증용 정답지가 딸려있는 표준 인간 게놈 샘플"

 

이 유전자는 전 세계 파이프라인 검증에 쓰이는 황금 표준이라고 해서 사용함.

여성 샘플이라 X 염색체가 2개고 Y가 없어서, 나중에 성염색체 관련 분석할 때 이 점 염두.

세포주(cell line)라서 실제 혈액 샘플이 아니고 배양된 세포에서 DNA를 뽑은 거라 체세포 돌연변이가 일부 섞여있을 수 있음.

가장 큰 이유는 정답 VCF(truth set)가 있다.

분석을 실습하며 생성한 VCF를 NIST가 공개한 정답이랑 비교해서 파이프라인이 제대로 돌아가는지 검증할 수 있음.

 

전체 WGS를 다 받으면 FASTQ만 100GB 넘어서 무거우니까 chr20만 실습에 활용.

 

65Mb짜리 염색체라 FASTQ 기준 ~2GB, BAM은 ~500MB 정도로 로컬에서도 부담 없이 돌아감.

선정 이유

---

실습을 위한 폴더 구조 설계

wgs_practice/
├── raw/
│   ├── SRR062634_1.fastq.gz    # Read 1
│   └── SRR062634_2.fastq.gz    # Read 2
├── ref/
│   └── chr20.fa                # Reference
├── truth/
│   └── HG001_highconf.vcf.gz   # 정답 VCF
├── qc/                         # FastQC 결과 저장
├── trimmed/                    # Trimmomatic 출력 FastQ
├── aligned/                    # BWA-MEM 출력 BAM + BAI
├── variants/                   # GATK 출력 VCF
└── logs/                       # 각 단계 로그 파일

---

로컬에 받는 데이터

# 1. Raw reads (시작점)
FASTQ: SRR062634_1.fastq.gz + _2.fastq.gz  → paired-end, chr20만 subset
크기: ~2GB

# 2. Reference genome (정렬 기준)
hg38_chr20.fa                               → chr20만 잘라서 사용
크기: ~65MB

# 3. 정답 VCF (검증용)
HG001_GRCh38_GIAB_highconf.vcf.gz          → NA12878 공식 truth set
크기: ~500MB (chr20 region만 쓰면 소량)

 

Raw reads는 SRA에서 SRR062634로 받음.

 

Illumina paired-end 30x 데이터고 _1.fastq.gz, _2.fastq.gz 두 파일로 나눠져 있음.

 

Reference genome은 UCSC에서 hg38 chr20만 단독으로 받을 수 있음 (파일명: chr20.fa.gz).

 

Truth set은 NIST FTP에서 HG001_GRCh38_GIAB_highconf_...v3.3.2.vcf.gz를 받아야 함. (BED 파일도 같이 받아야 해: BED가 고신뢰도 영역 정의해주는 거라 검증할 때 필요함.)

 

---

데이터 다운로드

# 1. 분석용 툴 설치 (맥 기준)

brew install sratoolkit samtools bwa
pip install multiqc   # FastQC 리포트 합치는 툴

# 2. FASTQ 다운로드 (SRA에서)

# 먼저 config 설정 (최초 1회)
vdb-config --interactive

 

코드를 실행하면 밑과 같은 화면이 나오는데 정상적으로 화면이 켜지면 기본 설정으로 잘 설정이 된 것이니 x를 누르고 나오면 됨.

vdb-config -a

 

위 명령어를 통해 config 파일을 확인해 잘 설정되었는지 확인 가능.

# NA12878 30x WGS 다운로드 (파일이 너무 커서 chr20 region만 직접 스트리밍으로 받기)

fastq-dump --split-files --gzip \
  --minSpotId 1 --maxSpotId 1000000 \
  SRR062634 --outdir ~/bioinfo/bi_study/wgs_practice/raw/ # 본인 경로 입력

# 3. Reference genome chr20만 받기 

# UCSC에서 hg38 chr20 단독 다운로드
curl -O https://hgdownload.soe.ucsc.edu/goldenPath/hg38/chromosomes/chr20.fa.gz
gunzip chr20.fa.gz

# 4. GIAB truth set 받기 (정답 VCF (검증용))

# NIST FTP에서 NA12878 VCF
curl -O https://ftp-trace.ncbi.nlm.nih.gov/ReferenceSamples/giab/release/NA12878_HG001/NISTv3.3.2/GRCh38/HG001_GRCh38_GIAB_highconf_CG-IllFB-IllGATKHC-Ion-10X-SOLID_CHROM1-X_v.3.3.2_highconf_PGandRTGphasetransfer.vcf.gz

# 검증용 BED 파일도 받아두기
curl -O https://ftp-trace.ncbi.nlm.nih.gov/ReferenceSamples/giab/release/NA12878_HG001/NISTv3.3.2/GRCh38/HG001_GRCh38_GIAB_highconf_CG-IllFB-IllGATKHC-Ion-10X-SOLID_CHROM1-X_v.3.3.2_highconf_nosomaticdel_noCENorHET7.bed

---

분석 파이프라인

FASTQ 구조 해체  →  SRR062634_1.fastq.gz 열어서 4줄 구조 직접 확인
     ↓
FastQC 실행     →  품질 보고서 해석
     ↓
BWA 정렬        →  chr20.fa 기준으로 BAM 생성
     ↓
SAM/BAM 파싱    →  samtools view로 플래그 해석
     ↓
VCF 생성        →  GATK으로 변이 호출
     ↓
결과 검증       →  HG001 truth set이랑 비교 (정답 채점!)