FASTQ, 날것(Raw)의 시퀀싱 데이터란 무엇인가? 🧬💻

안녕하세요!

지난 포스팅까지는 세포 내에서 DNA가 어떻게 복제되고 조절되는지 분자생물학적 메커니즘을 살펴보았습니다.

 

오늘은 생명 현상을 '컴퓨터'로 분석하는 진짜 생물정보학(Bioinformatics)의 영역의 내용을 다루려고 합니다.

그 전환점의 첫 단추로, 생물정보학 분석 파이프라인의 가장 첫 관문이자 모든 염기서열 데이터의 출발점인 FASTQ 데이터 포맷에 대해 가볍지만 깊이 있게 노트를 정리해 보려고 합니다.

본격적인 데이터 명세를 해부하기 전, 이 데이터가 도대체 무엇이고 왜 날것(Raw)이라고 부르는지 예고편 형태로 파헤쳐 보겠습니다.

---

1. FASTQ의 정의: 시퀀싱 장비가 뱉어내는 가장 원천적인 데이터 🖨️

생물체의 세포에서 추출한 DNA를 컴퓨터가 읽을 수 있는 디지털 텍스트로 변환해 주는 기계를 시퀀서(Sequencer, 염기서열 분석 장비)라고 합니다.

💡 FASTQ 파일이란? 시퀀싱 장비가 서열을 해독한 직후, 생물학적·통계적 필터링이나 가공을 거치지 않고 내뱉는 가장 가공되지 않은 날것의 원천(Raw) 데이터 파일입니다.

 

쉽게 말해, 유전체 분석실에서 장비를 마구 돌려 나온 '최종 결과물'이자, 생물정보학자가 분석을 시작하기 위해 받아드는 '최초의 입력물'이 바로 이 FASTQ입니다.

2. 왜 FASTQ가 생물정보학의 시작점일까? 🎯

우리가 흔히 뉴스에서 보는 "유전자 변이 발견", "암 유전자 정밀 진단" 같은 화려한 결과물은 결코 시퀀싱 장비에서 한 번에 튀어나오지 않습니다.

장비가 주는 데이터는 수많은 한계를 가지고 있기 때문입니다.

1. 조각난 데이터 (Short Reads): 현존하는 가장 주류 시퀀싱 기술(예시: Illumina short-read sequencing)은 DNA를 한 번에 통째로 읽지 못합니다. 수십에서 수백 염기쌍(bp) 크기로 아주 잘게 부순 뒤 읽어내는데, 이 잘게 쪼개진 서열 조각들을 '리드(Read)'라고 부릅니다.
2. 엄청난 데이터 양: 하나의 샘플을 시퀀싱하면 수천만 개에서 수십억 개의 리드(Read)들이 들어있는 거대한 FASTQ 파일이 생성됩니다. 용량만 해도 수십 기가바이트(GB)에 달하죠.

결국 FASTQ는 "어마어마하게 많고 잘게 쪼개진 DNA 서열 조각들의 모음집"인 셈입니다.

3. FASTQ 이름의 유래와 FASTA와의 결정적 차이 🔍

생물정보학을 공부하다 보면 FASTA라는 포스팅과 FASTQ라는 포스팅을 자주 보게 됩니다. 이 둘은 이름은 비슷하지만 결정적인 차이가 있습니다.

• FASTA: 단순히 표준 염기서열(A, T, G, C) 정보만 담고 있는 텍스트 포맷입니다. (예: 인간 표준 유전체 지도)
• FASTQ: 염기서열 정보 뒤에 'Q'가 붙어 있습니다. 이 Q는 바로 Quality(품질)를 의미합니다.

시퀀싱 장비는 완벽하지 않습니다. 장비가 "이 자리는 A인 것 같아!"라고 읽으면서도 스스로 확률적인 계산을 합니다. "방금 읽은 A는 99.9% 정확해" 혹은 "이 장비 센서에 일시적 노이즈가 있어서 이건 50% 확률로 틀릴 수도 있어" 같은 판단을 내리죠.

FASTQ는 이 염기서열 데이터(ATGC)뿐만 아니라, 각 염기를 장비가 얼마나 정확하게 읽었는지에 대한 신뢰도 점수(Quality Score)를 세트로 묶어서 저장하는 포맷입니다.

4. 맛보기: FASTQ 파일은 어떻게 생겼을까? (4줄의 법칙) 📊

자세한 분석은 나중에 다루겠지만, FASTQ 파일의 가장 중요한 핵심 규칙은 하나의 리드(Read)당 정확히 '4줄'의 구조를 가진다는 점입니다.

 

@SEQ_ID (리드의 고유 이름 및 장비 정보)
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGTAAATCCATTTGTTCAACTCACAGTTT (실제 읽어낸 염기서열)
+ (구분자, 보통 플러스 기호만 있거나 리드 이름이 반복됨)
!''*((((***+))%%%++)(%%%%).1***-+*''))**55CCF>>>>>>CCCCCCC65 (각 염기의 품질 점수)

 

여기서 네 번째 줄의 정체불명의 기호들(!, *, C, >)이 바로 장비가 계산한 품질 점수(Phred Quality Score)를 컴퓨터가 인식하기 좋게 아스키(ASCII) 코드 문자로 암호화해 둔 것입니다.

이 4줄짜리 세트가 파일 안에 수천만 번 반복되어 쌓여 있는 구조가 바로 FASTQ 파일입니다.

5. 생물정보학 시선에서 본 FASTQ 💻

우리가 앞서 배운 DNA 복제나 조절 영역의 지식은 이 FASTQ 데이터를 다루기 시작하면서 진가를 발휘합니다.

• 예를 들어, 시퀀싱 장비 안에서 DNA를 복제(PCR 증폭)하는 과정에서 특정 서열에 바이어스(Bias)가 생기거나 오류가 발생할 수 있습니다.
• 우리는 FASTQ 파일을 받자마자 QC(Quality Control, 품질 관리) 프로세스를 돌려, 4번째 줄의 품질 점수가 떨어지는 쓰레기 리드(Read)들을 잘라내거나(Trimming) 필터링하는 전처리 작업을 수행해야 합니다.

날것의 데이터는 거짓말을 하지 않지만, 정제되지 않은 가공의 리스크를 안고 있습니다.

이 데이터의 퀄리티를 정확히 평가하고 걸러내는 눈을 가지는 것이 유전체 데이터 분석가(Bioinformatician)의 가장 첫 번째 역량입니다.

---

[포스팅 요약 노트]

• FASTQ는 시퀀싱 장비가 해독한 직후의 가장 가공되지 않은 날것(Raw)의 데이터이다.
• 잘게 쪼개진 수천만 개의 리드(Read) 단위로 구성되어 있다.
• 서열 데이터(ATGC)와 각 염기의 품질 점수(Quality Score)를 모두 포함하는 4줄 구조가 핵심이다.