In Silico Note

[RNA-seq 분석 개념] Central Dogma 심화: 전사의 3단계와 RNA Polymerase II

데이터로 읽는 생명 — Tue, 14 Jul 2026 20:00:39 +0900

이 글은 앞서 배운 전사(Transcription)를 한 단계 더 들어가서, 실제로 그 안에서 몇 단계가 일어나는지, 그리고 각 단계가 왜 발현 조절의 지점이 되는지를 다룹니다.

1. 전사는 한 번에 일어나지 않는다: 4단계 구조

전사는 크게 이렇게 나뉩니다.

개시(Initiation) → 일시정지(Promoter-proximal Pausing) → 신장(Elongation) → 종결(Termination)

기본편에서는 "개시 → 신장 → 종결"만 얘기했는데, 사실 개시 직후에 일시정지라는 별도 단계가 끼어 있다는 것이 최근 20~30년 사이 밝혀진 중요한 사실입니다.

이게 왜 중요한지는 아래에서 설명하겠습니다.

2. 개시(Initiation): RNA Pol II 혼자서는 시작 X

RNA Polymerase II(Pol II)는 혼자서 DNA의 프로모터를 찾아가 전사를 시작하지 못합니다.

일반전사인자(General Transcription Factors, GTF)라고 불리는 여러 단백질(TFIIA, TFIIB, TFIID 등)이 먼저 프로모터에 결합해서 전사 전 개시 복합체(Pre-Initiation Complex, PIC)를 조립해야 Pol II가 자리를 잡을 수 있습니다.

TFIID가 프로모터의 특정 서열(TATA box 등)을 인식하며 조립을 시작합니다.
이 GTF들이 모여야 Pol II가 DNA에 정확히 자리 잡고 전사를 시작할 수 있습니다.
Pol II의 꼬리 부분(C-terminal Domain, CTD)에 특정 위치가 인산화되는지 여부가 "지금이 개시 단계인지 신장 단계인지"를 구분하는 화학적 신호로 쓰입니다.
(세부 인산화 코드까지는 기본 이해에 필요 없지만, "Pol II 꼬리의 화학적 변형이 단계마다 다르다"라는 개념 알아두기)

3. 일시정지(Promoter-proximal Pausing): 숨어있던 조절 지점

Pol II는 전사를 시작한 직후, 약 30~60개 염기 정도만 합성하고 일시적으로 멈춥니다.
이 현상을 Promoter-proximal Pausing이라고 부릅니다.

이 멈춤은 DSIF와 NELF라는 두 단백질 복합체가 Pol II를 붙잡아서 일어납니다.
멈춰있던 Pol II는 P-TEFb(핵심 성분: CDK9라는 인산화 효소)가 와서 Pol II, DSIF, NELF를 인산화시켜야 풀려나서 본격적인 신장 단계로 넘어갑니다.

왜 이게 중요한가

예전에는 "유전자 발현 조절은 전사가 시작되느냐 마느냐(개시 단계)에서 결정된다"고 생각했습니다.
그런데 실제로는 많은 유전자에서 Pol II가 이미 프로모터 근처에 대기하고 있다가, "재개(release)" 신호를 받았을 때만 본격적으로 발현되는 방식으로 조절됩니다.
즉 조절 지점이 "시작하느냐"뿐 아니라 "이미 시작한 걸 풀어주느냐"에도 있다는 것입니다.
이 개념은 유전자 발현 조절에서 전사인자/신호전달과 연결되는 핵심 배경입니다.

4. 신장(Elongation) — RNA가 실제로 합성되는 구간

재개 신호를 받은 Pol II는 이제 유전자를 따라 이동하며 RNA를 계속 합성합니다.

이 단계에서 눈여겨볼 것 하나: 스플라이싱은 전사가 다 끝난 뒤 일어나는 게 아니라, Pol II가 아직 유전자를 읽고 있는 도중에(신장 단계와 동시에) 일어나는 경우가 많습니다.
이걸 동시전사 스플라이싱(Co-transcriptional Splicing)이라고 부릅니다.
즉 "전사 → (끝나고) → 스플라이싱"이 아니라, "전사와 스플라이싱이 겹쳐서 진행"되는 그림에 더 가깝다.

5. 종결(Termination) — 어떻게 멈추는가 (Torpedo 모델)

Pol II가 유전자의 끝부분(polyA 신호 서열)을 지나가면 전사가 종결되는데, 이 메커니즘이 흥미롭습니다.

Pol II가 polyA 신호를 지나가면, 그 지점에서 RNA가 절단됩니다.
절단되고 남은, Pol II에 여전히 붙어있는 RNA 조각의 끝을 Rat1-Rai1이라는 효소(사람에게서는 XRN2)가 분해하기 시작합니다.
이 효소가 RNA를 분해하면서 Pol II를 "쫓아가서" 결국 따라잡으면, Pol II가 DNA에서 떨어져 나가며 전사가 끝납니다.

이 모델을 토피도(Torpedo, 어뢰) 모델이라고 부른다.

효소가 어뢰처럼 RNA를 따라가며 분해하다가 Pol II를 "명중"시켜 떨어뜨린다는 비유입니다.

여기서 나온 polyA 신호가 다음 주제 목록의 9번(mRNA 3' 말단 처리, APA)과 바로 연결됩니다.

정리 — 여기까지 이해했다면

전사가 개시-일시정지-신장-종결의 4단계로 이루어진다는 것을 설명할 수 있다
왜 일반전사인자(GTF)가 필요한지, PIC가 무엇인지 설명할 수 있다
Promoter-proximal Pausing이 무엇이고, 왜 이게 "숨어있던 조절 지점"으로 불리는지 설명할 수 있다
스플라이싱이 전사와 동시에 일어날 수 있다는 것을 알고 있다
Torpedo 모델이 전사 종결을 어떻게 설명하는지 대략적인 그림을 그릴 수 있다

[RNA-seq 분석 개념] Central Dogma

데이터로 읽는 생명 — Tue, 14 Jul 2026 03:00:51 +0900

1. Central Dogma란 무엇인가

Central Dogma(중심원리)는 1958년 Francis Crick이 제안한 개념으로, 세포 안에서 유전정보가 흐르는 방향을 설명합니다.

DNA  →  RNA  →  Protein
(저장)   (전달)   (기능 수행)

DNA: 유전정보를 장기 저장하는 매체. 세포핵 안에 안전하게 보관됨.
RNA: DNA의 정보를 복사해서 필요한 곳(리보솜)까지 전달하는 매개체.
Protein: 실제로 세포의 구조를 만들고 기능(효소 작용, 신호 전달 등)을 수행하는 최종 산물.

이 흐름에서 DNA→RNA를 전사(Transcription), RNA→Protein을 번역(Translation)이라고 부릅니다.

왜 "중심"이라는 이름이 붙었나:
이게 생명체 대부분에서 공통으로 적용되는 정보 흐름의 기본 골격이기 때문입니다. 세균이든 사람이든 이 방향 자체는 동일합니다.

2. DNA의 구조 — 정보가 저장되는 방식

DNA는 이중나선(Double Helix) 구조입니다.
두 가닥이 서로 꼬여있는 형태.
각 가닥은 뉴클레오타이드(nucleotide)가 길게 이어진 사슬이고, 뉴클레오타이드는 당(디옥시리보스) + 인산 + 염기로 구성됩니다.
염기는 4종류: A(아데닌), T(티민), G(구아닌), C(사이토신)
두 가닥은 염기쌍 규칙(Base Pairing Rule)에 따라 서로 마주보고 결합합니다:
A-T, G-C.
(이 규칙 덕분에 한쪽 가닥의 서열만 알아도 반대쪽 가닥의 서열을 알 수 있습니다 — 이게 나중에 시퀀싱 read를 레퍼런스에 매핑할 때도 핵심 원리로 다시 등장합니다.)
DNA 가닥에는 방향성이 있습니다:
5' 말단 → 3' 말단.
이 방향 표기는 앞으로 계속 나오니 익숙해지는 게 좋습니다 (예: "5'UTR", "3' 말단 처리" 등).

3. RNA의 구조 — DNA와 무엇이 다른가

RNA도 뉴클레오타이드로 이루어진 사슬이지만, DNA와 세 가지가 다릅니다.

구분	DNA	RNA
가닥 수	이중가닥 (두 가닥이 꼬여있음)	단일가닥 (한 가닥)
당(sugar)	디옥시리보스 (Deoxyribose)	리보스 (Ribose)
염기	A, T, G, C	A, U(우라실), G, C — T 대신 U 사용

RNA가 단일가닥이라는 점이 중요합니다.

단일가닥이기 때문에 스스로 접혀서(fold) 다양한 입체구조를 만들 수 있고, 이게 tRNA나 rRNA가 특정 기능을 수행할 수 있는 이유이기도 합니다.

4. 전사(Transcription) — DNA에서 RNA로

DNA의 특정 구간(유전자)을 주형(template)으로 삼아, 그와 상보적인(A-U, G-C 규칙에 따른) RNA 가닥을 합성하는 과정입니다.

이 반응을 촉매하는 효소가 RNA 중합효소(RNA Polymerase)입니다.
DNA 두 가닥 중 한쪽만 주형으로 사용됩니다(어느 쪽을 쓸지는 유전자마다 정해져 있음).
결과물로 만들어진 RNA를 1차 전사체(Pre-mRNA, 진핵생물의 경우)라고 부르고, 이후 스플라이싱 등의 가공을 거쳐 성숙한 mRNA가 됩니다.

기본 수준에서 꼭 알아야 할 것:
전사는 "DNA 정보를 RNA라는 이동 가능한 형태로 복사하는 과정"이라는 것.

5. 번역(Translation) — RNA에서 단백질로

성숙한 mRNA가 세포질의 리보솜(Ribosome)으로 이동하면, 리보솜이 mRNA 서열을 읽어서 그에 맞는 아미노산을 하나씩 연결해 단백질을 만듭니다.

mRNA는 3개 염기(코돈, Codon) 단위로 읽힙니다. 예: AUG, GCU 등
각 코돈은 특정 아미노산 하나를 지정합니다. (예: AUG는 메티오닌이면서 동시에 "번역 시작" 신호)
총 64개의 코돈 조합이 가능한데, 아미노산은 20종류뿐입니다.
그래서 여러 코돈이 같은 아미노산을 지정하는 경우가 많습니다 — 이걸 유전암호의 축퇴성(Redundancy/Degeneracy)이라고 부릅니다.
tRNA(transfer RNA)가 코돈에 맞는 아미노산을 리보솜으로 운반해오는 "택배기사" 역할을 합니다.
특정 코돈(UAA, UAG, UGA)은 아미노산을 지정하지 않고 "번역 종료" 신호로 작동합니다(정지 코돈, Stop codon).

6. Central Dogma의 "예외" — 완벽한 법칙은 아니다

기본 개념을 정확히 잡기 위해, 이 흐름이 100% 일방통행은 아니라는 것도 알아두면 좋습니다.

역전사(Reverse Transcription): 일부 바이러스(레트로바이러스, 대표적으로 HIV)는 RNA→DNA 방향으로도 정보를 옮깁니다. 역전사효소(Reverse Transcriptase)가 이 역할을 합니다.
- 왜 RNA-seq에서 이게 중요한가: 실험실에서 RNA를 직접 시퀀싱하는 게 아니라, 역전사효소를 이용해 RNA를cDNA(complementary DNA)로 먼저 바꾼 다음 시퀀싱합니다.
  즉 RNA-seq 실험 자체가 이 "예외 경로"를 인위적으로 이용하는 셈입니다.
RNA 바이러스: 일부 바이러스는 DNA 단계 없이 RNA만으로 증식합니다 (예: 코로나바이러스).

이 예외들은 "법칙이 깨졌다"는 뜻이 아니라, 정보가 흐르는 경로가 상황에 따라 확장될 수 있다는 뜻으로 이해하면 됩니다.

7. 이 개념이 RNA-seq과 어떻게 연결되는가

DNA는 모든 세포에서 동일하지만, 어떤 유전자를 전사해서 RNA로 만들지는 세포/조건마다 다릅니다.
이 "다름"을 측정하는 게 RNA-seq의 목적입니다. ( DNA는 정적, RNA는 동적)
RNA-seq 실험은 세포 안의 RNA를 직접 읽는 게 아니라, 역전사를 거쳐 cDNA로 바꾼 뒤 시퀀싱합니다.
그래서 "역전사"라는 예외 경로가 사실 RNA-seq 실험 설계의 첫 단추입니다.
번역 단계(코돈, 리보솜)까지는 RNA-seq에서 직접 측정하지 않습니다.
RNA-seq은 "RNA가 얼마나 만들어졌는가"까지만 보고, "그 RNA가 실제로 단백질로 얼마나 잘 번역됐는가"는 별개의 문제입니다 (이건 Ribo-seq이라는 다른 기법의 영역입니다 — 참고).

정리 — 여기까지 이해했다면

Central Dogma의 방향(DNA→RNA→Protein)과 각 단계의 이름(전사/번역)을 설명할 수 있다
DNA와 RNA의 구조적 차이 세 가지(가닥 수, 당, 염기)를 말할 수 있다
염기쌍 규칙(A-T/A-U, G-C)이 무엇이고 왜 중요한지 설명할 수 있다
코돈이 무엇이고, 왜 64개 코돈이 20개 아미노산만 지정하는지 설명할 수 있다
역전사가 무엇이고, 이게 왜 RNA-seq 실험의 전제조건인지 설명할 수 있다

[서열분석개론] 서열 분석 - 주석 및 임상 해석

데이터로 읽는 생명 — Sun, 12 Jul 2026 19:00:21 +0900

변이 목록(VCF)만 있어서는 그게 병원성인지 아닌지 알 수 없습니다.

각 변이에 기능적 의미, 알려진 임상적 의미, 집단 내 빈도 정보를 붙이는 과정이 주석(annotation)이고, 이걸 종합해서 병원성 여부를 판단하는 국제 기준이 ACMG 가이드라인입니다.

SnpEff — 기능 영향 예측

SnpEff는 각 변이가 어느 유전자·전사체에서 어떤 효과(effect)를 내는지, 그리고 그게 얼마나 중요한지(impact)를 예측해서 붙여주는 도구입니다.

effect: missense, nonsense, splice_region, frameshift 등 SO term으로 표기
impact: HIGH / MODERATE / LOW / MODIFIER
HGVS c./p. 표기도 자동으로 계산해서 붙여줍니다

예를 들어 AIRE 유전자의 어떤 변이에 대해 SnpEff가 다음과 같이 주석을 붙였다고 하겠습니다.

missense_variant & splice_region_variant
| MODERATE | AIRE | NM_000383.4
| c.463G>A | p.Gly155Ser

이 한 줄만 봐도 어떤 유전자의 몇 번째 코돈이 어떻게 바뀌었고, impact가 어느 정도인지 바로 파악할 수 있습니다.

SnpSift — 필터링과 DB 주석

SnpSift는 VCF를 조건(IMPACT, DP, AF 등)으로 걸러내고, 외부 DB 정보를 붙이는 역할을 합니다.

변이가 수천 건씩 나오는 게 보통이라, 실제로 의미 있는 후보로 좁히려면 이 필터링 단계가 필수입니다.

ClinVar와 gnomAD

ClinVar

변이의 병원성 분류(CLNSIG)와 관련 질환명(CLNDN)을 담고 있는 DB입니다.

"이 변이가 이미 알려진 변이인가, 알려져 있다면 병원성으로 분류돼 있는가"를 확인하는 용도로 씁니다.

gnomAD

대규모 인구집단의 대립빈도(AF)를 제공하는 DB입니다.

여기서 핵심 논리는 이렇습니다.

어떤 변이가 인구집단에서 흔하게 관찰된다는 건, 그 변이를 가진 사람들이 생존과 번식에 큰 지장 없이 후대로 물려줬다는 뜻입니다.

그러니 흔한 변이일수록 병원성일 가능성은 낮아집니다.

반대로 집단 내에서 극히 희귀한 변이라면 병원성 후보로서의 가능성이 높아집니다.

정리하면 변이 해석은 세 축을 겹쳐서 좁혀나가는 과정입니다.

기능 영향 (SnpEff) — 이 변이가 단백질에 어떤 영향을 주는가
알려진 병원성 (ClinVar) — 이미 보고된 변이인가
집단 내 희귀도 (gnomAD) — 얼마나 드문 변이인가

이 세 축을 동시에 만족하는 변이(기능적으로 유의미하고, 병원성으로 보고된 적 있고, 집단에서 매우 희귀한)가 병원성 후보로 좁혀집니다.

ACMG 분류 체계

ACMG(American College of Medical Genetics and Genomics)는 여러 근거(빈도, 기능, 유전 양상 등)를 규칙으로 조합해서 변이를 5단계로 분류하는 국제 가이드라인을 제시했습니다(Richards et al., 2015).

분류	약자	의미
Pathogenic	P	병원성
Likely Pathogenic	LP	병원성 가능성 높음
Variant of Uncertain Significance	VUS	의미가 불명확한 변이
Likely Benign	LB	양성 가능성 높음
Benign	B	양성

이 분류는 PVS1(null variant, 기능 상실이 확실한 변이), PM2(gnomAD 기준 희귀도), PP3(in silico 예측 도구 결과) 같은 근거 코드들을 정량 점수로 환산해서 최종 등급을 매기는 방식입니다.

Tavtigian(2018)이 이 근거 코드들을 베이지안 프레임워크로 정량화한 논문도 참고할 만합니다.

다만 여기서 다루는 수준은 개념 이해 정도입니다.

실제 임상 진단은 이보다 훨씬 엄격한 기준과 검토 절차(랩 SOP, 임상팀 검토)를 거치기 때문에, 실습 수준의 분류와 실제 진단은 별개라는 점을 분명히 해둘 필요가 있습니다.

전체 흐름

VCF (정규화 완료)
  → SnpEff (기능 영향 예측: effect, impact, HGVS)
  → SnpSift filter (품질 조건으로 1차 필터링)
  → SnpSift annotate + ClinVar (병원성 분류 주석)
  → SnpSift annotate + gnomAD (집단 빈도 주석)
  → 필터링 (품질 + ClinVar 병원성 + gnomAD 희귀도)
  → 병원성 후보 변이

수천 건의 변이가 이 과정을 거치면서 몇 건, 심하면 단 하나로 좁혀지는 경우도 있습니다.

예를 들어 depth와 대립빈도 기준으로 1차 필터링한 뒤, ClinVar에서 병원성으로 등록된 것만 남기고, gnomAD에서 극히 희귀한 것만 남기면 최종적으로 병원성 후보 변이 한 건이 남는 식입니다.

이 단계가 DNA-seq 파이프라인의 마지막 단계입니다.

FASTQ에서 시작해 매핑, 전처리, 변이 호출, 정규화를 거쳐 여기까지 도달하면 "이 사람은 어떤 유전자의 어떤 변이 때문에 이런 표현형이 나타났을 가능성이 있다"는 결론에 이르게 됩니다.

다만 이 결론은 어디까지나 분석 파이프라인의 산출물이고, 최종 임상적 판단은 별도의 검토 과정을 거쳐야 한다는 점을 늘 염두에 둬야 합니다.

[서열분석개론] 서열 분석 - 변이 호출 파이프라인

데이터로 읽는 생명 — Sun, 12 Jul 2026 18:00:00 +0900

정렬이 끝난 BAM이 있다고 바로 변이를 부를 수 있는 건 아닙니다.

전처리를 거쳐야 신뢰도 높은 변이 목록(VCF)을 얻을 수 있고, 그렇게 얻은 VCF도 표기를 통일해야 다른 DB와 비교가 가능해집니다.
이 단계를 순서대로 정리합니다.

GATK Best Practices 흐름

sorted BAM → MarkDuplicates → BQSR → Variant Caller → VCF

GATK(Genome Analysis Toolkit)는 Broad Institute에서 만든 변이 검출 툴킷으로, 여기서 다루는 MarkDuplicates, BaseRecalibrator, HaplotypeCaller/Mutect2가 모두 이 안에 포함되어 있습니다.
변이 호출 분야의 golden standard로 통합니다.

MarkDuplicates — PCR 중복 표시

라이브러리를 만드는 과정에서 PCR 증폭을 거치는데, 이때 같은 원본 DNA 조각이 여러 개의 read로 복제됩니다.
문제는 이 중복 read들이 독립적인 관측이 아니라는 점입니다.
그대로 세면 특정 변이의 depth나 대립빈도(AF)가 실제보다 부풀려져서, 가짜 변이가 진짜처럼 보일 수 있습니다.

MarkDuplicates는 같은 시작 좌표를 가진 read들을 찾아서 duplicate 플래그(FLAG 0x400/1024)로 표시합니다.

여기서 중요한 건 "제거"가 아니라 "표시"라는 점입니다.

이후 변이 검출기가 이 플래그를 보고 중복 read를 한 번만 세도록 만드는 게 목적입니다.

BQSR — 염기 품질 재보정

시퀀서가 자체적으로 매기는 Phred 품질 점수(Q)는 완벽하지 않습니다.

BQSR(Base Quality Score Recalibration)은 실제 오류율을 다시 계산해서 이 점수를 보정하는 과정입니다.

read와 레퍼런스가 다른 위치를 셉니다.
단, 알려진 SNP(mills, known_indels 등)는 오류가 아니라 진짜 변이일 수 있으니 카운트에서 제외합니다.
예를 들어 "Q30(1/1000 확률로 틀림)"이라고 표시된 염기가 실제로는 1/500 확률로 틀렸다면, 진짜 실력은 Q27인 셈이라 점수를 낮춥니다.
read 내 위치(cycle), 앞뒤 염기 배열(context) 같은 조건별로 그룹을 나눠서 각각 따로 보정합니다.

정리하면 BQSR은 "시퀀서가 자기 실력을 과대평가한 부분을 실측 데이터로 바로잡는" 과정입니다.

Germline vs Somatic

어떤 변이 검출기를 쓸지는 찾으려는 변이의 성격에 따라 달라집니다.

구분	Germline (생식세포)	Somatic (체세포)
변이 특성	유전됨, 모든 세포에 공통	후천적으로 생김, 일부 세포에만 존재 (예: 암)
대립빈도(AF)	~0.5(이형접합) / ~1.0(동형접합)	다양하고 낮을 수 있음
대표 도구	HaplotypeCaller	Mutect2

희귀질환처럼 유전되는 변이를 찾을 때는 germline 표준 도구인 HaplotypeCaller를 씁니다.

정식 germline 파이프라인은 GVCF를 만들고 joint genotyping을 거치는 과정까지 포함하는 게 일반적입니다.

Mutect2는 원래 종양 조직에서 정상 조직 대비 후천적으로 생긴 변이를 찾는 somatic caller입니다.

다만 tumor-only 모드로 쓰면 스텝이 단순해져서(Mutect2 → FilterMutectCalls 2단계), 교육이나 실습 목적으로 germline 변이를 빠르게 훑는 용도로 쓰기도 합니다.

실제 진단용 germline 분석에서는 HaplotypeCaller를 쓰는 게 표준이라는 점은 구분해서 알아둘 필요가 있습니다.

VCF 구조

VCF(Variant Call Format)는 변이를 담는 표준 텍스트 포맷입니다.

##fileformat=VCFv4.2
##INFO=<ID=DP,...>
#CHROM  POS       ID  REF  ALT  QUAL  FILTER  INFO       FORMAT       HG002
chr21   44287133  .   G    A    .     PASS    DP=73;...  GT:AF:DP     0/1:0.468:72

##로 시작하는 줄은 헤더로, 포맷 버전과 INFO/FORMAT 필드 정의, 레퍼런스 정보 등이 담깁니다
POS는 변이 위치(1-based), REF→ALT가 실제 서열 변화(G→A)
FILTER가 PASS면 필터를 통과했다는 뜻. INFO는 변이 수준의 주석 정보
FORMAT은 샘플별로 어떤 값이 들어있는지 정의. GT(유전형, 0/1은 이형접합), AF(대립빈도), DP(depth) 순서로 값이 붙습니다.

왜 정규화가 필요한가

같은 변이도 표기 방식이 여러 가지일 수 있습니다.

표기를 통일해야 ClinVar, gnomAD 같은 DB와 정확히 매칭됩니다.

이 작업을 vt라는 도구가 담당하고, 크게 두 단계로 나뉩니다.

decompose

다중대립(multiallelic) 변이를 개별 줄로 분해합니다.

# 분해 전 (한 줄에 ALT가 2개)
chr1  100  A  G,T  GT:AD  1/2:0,15,20

# 분해 후 (각각 별도 줄)
chr1  100  A  G  GT:AD  ...
chr1  100  A  T  GT:AD  ...

normalize

indel을 left-align하고 가장 간결한 형태로 통일합니다.

# 정규화 전 (레퍼런스: ...G A A A T... A가 반복되는 구간)
chr1  102  AA  A

# 정규화 후 (같은 1bp 결실이지만 가장 왼쪽·최소 표현으로 통일)
chr1  100  GA  G

이렇게 표기를 통일해야 같은 변이인데도 표기 방식이 달라서 DB 매칭에서 놓치는 일을 막을 수 있습니다.

[서열분석개론] 서열 분석 - 변이의 종류와 표기법

데이터로 읽는 생명 — Sat, 11 Jul 2026 18:00:45 +0900

BAM까지 만들었으면 이제 레퍼런스와 비교해서 어디가 다른지 찾아야 합니다.

그 전에 변이가 어떤 종류로 나뉘는지, 놓치기 쉬운 함정은 뭐가 있는지, 그리고 그 변이를 어떻게 표기하는지 먼저 정리해두었습니다.

변이 분류: SNV/Indel vs SV/CNV

레퍼런스 대비 서열 차이는 규모에 따라 크게 둘로 나뉩니다.

Sequence variants (작은 규모, 정렬로 검출)

SNV(Single Nucleotide Variant): 단일 염기 치환
Small indel: 수 bp 단위의 삽입/결실

Structural variants(SV) (큰 규모, kb~Mb)

insertion, deletion
inversion(역위)
duplication(중복)
translocation(전좌)

CNV(Copy Number Variant)는 SV 중에서 카피 수가 변하는 경우를 말합니다.

duplication이면 카피 수 증가, deletion이면 감소입니다.

small indel은 정렬(CIGAR)로 바로 검출되지만, CNV/SV는 read depth의 변화 패턴을 봐야 검출된다는 점에서 검출 방법 자체가 다릅니다.

서열만으로 안 보이는 변이

DNA 서열(A/C/G/T) 자체는 정상인데도 유전 양상이나 발현이 달라지는 경우가 있습니다.
표준 변이 검출 파이프라인(FASTQ→VCF)으로는 이런 변이를 놓치기 때문에 따로 알아둘 필요가 있습니다.

UPD (Uniparental Disomy)

한 쌍의 염색체를 양쪽 부모에게서 하나씩 받는 게 정상인데, 어떤 이유(예: trisomy rescue)로 한쪽 부모에게서만 두 카피를 물려받는 경우입니다.
서열 자체는 정상으로 보이지만, Prader-Willi 증후군처럼 imprinting이 관여하는 질환에서는 유전 양상이 달라집니다.
ROH(runs of homozygosity)나 LOH(loss of heterozygosity) 패턴으로 검출한다.

메틸화(Methylation)

서열 변화 없이 CpG 메틸화로 유전자 발현을 켜고 끄는 후성유전 현상입니다.
표준 시퀀싱으로는 안 보이고, long-read 시퀀싱으로 검출하는 경우가 많습니다.

Paralog / Pseudogene 함정

유전체에는 서로 거의 똑같은 복제본(paralog, pseudogene)이 존재하는 유전자들이 있습니다.

read가 원래 유전자에서 왔는지 paralog에서 왔는지 구분이 안 되면 문제가 생깁니다.

read가 어느 카피에서 왔는지 모호해서 MAPQ가 낮게 나옴
실제로는 없는 변이를 있는 것처럼 잘못 부르거나(false positive), 반대로 진짜 변이를 놓침(masking)
gene conversion(유전자 변환)으로 카피 수 자체가 달라지기도 함

대표적인 예로 SMA(척수성 근위축증)와 관련된 SMN1/SMN2, Lynch 증후군과 관련된 PMS2/PMS2CL이 있습니다.

이런 영역은 short-read만으로는 한계가 있어서 long-read, paralog 특이적 분석, MLPA 같은 별도 방법을 병행하거나 MAPQ와 정렬 결과를 수동으로 검토해야 합니다.

앞서 매핑 파트에서 다뤘던 "반복 영역에서 MAPQ가 0으로 떨어지는 이유"가 바로 이 문제와 이어집니다.

read가 여러 카피에 똑같이 붙어서 위치를 하나로 특정하지 못하는 것입니다.

SO term: 변이의 기능적 영향

변이가 코돈을 바꾸면 단백질도 바뀔 수 있습니다.

이 영향을 표준화된 용어로 기술하는 게 Sequence Ontology(SO) term입니다.

SnpEff, VEP 같은 도구들이 이 용어를 공통으로 써서 서로 다른 도구·DB 간에도 같은 이름으로 소통할 수 있게 합니다.

SO term	설명	Impact
synonymous_variant	코돈이 바뀌어도 같은 아미노산 (침묵)	LOW
missense_variant	아미노산 1개가 다른 아미노산으로 치환	MODERATE
stop_gained	조기 종결코돈 발생, 단백질 절단	HIGH
frameshift_variant	indel로 코돈 프레임이 밀림	HIGH
splice_region_variant	엑손-인트론 경계 교란	다양
intron_variant	인트론 내부 변이	대체로 낮음

synonymous vs missense

코돈은 3개 염기(triplet)가 아미노산 하나를 지정하는데, 여러 코돈이 같은 아미노산을 코딩하는 경우가 많습니다(코돈 축퇴). 3번째 염기 같은 데가 바뀌어도 아미노산이 그대로면 synonymous, 다른 아미노산으로 바뀌면 missense입니다.

frameshift

3의 배수가 아닌 길이의 indel이 생기면 그 지점부터 코돈을 나누는 틀 자체가 밀립니다.
그 결과 하류의 아미노산 서열 전체가 뒤바뀝니다.

대개 조기 종결로 이어져 기능 상실(LOF)이 되지만, 드물게 새로운 기능을 얻거나(GOF) 비정상적으로 안정된 단백질이 만들어지기도 합니다.

stop_gained

아미노산 코돈이 종결코돈(STOP)으로 바뀌어서 단백질이 중간에서 끊기는 경우입니다.
대개 HIGH impact로 분류되고, 잘린 mRNA가 NMD(nonsense-mediated decay)로 분해되기도 합니다.

splicing variant

인트론을 잘라내고 엑손끼리 이어붙이는 경계(보통 GT...AG)에 변이가 생기면 exon skipping, intron retention, cryptic splice site 사용 같은 문제가 생깁니다.
엑손 구성 자체가 바뀌기 때문에 기능 영향이 큰 편입니다.

intron variant

대개 인트론(non-coding) 변이는 단백질 서열에 영향을 안 줘서 영향이 작습니다.
다만 스플라이스 부위 근처나 enhancer 같은 조절요소를 건드리면 발현량이 달라질 수 있습니다.
검출은 되지만 의미 해석이 상대적으로 어려운 부분입니다.

HGVS 표기법

같은 변이를 어느 좌표계 기준으로 표기하느냐에 따라 형태가 달라집니다.

g. (genomic): 염색체 상의 절대 좌표 기준. 예) chr21:44287133 G>A
c. (coding DNA): cDNA(전사체) 기준. 예) c.463G>A
p. (protein): 아미노산 변화. 예) p.Gly155Ser

genomic 좌표는 절대적이지만, coding DNA 기준 번호는 어떤 전사체를 쓰느냐에 따라 달라집니다.

그래서 c./p. 표기를 쓸 때는 반드시 기준 전사체 번호(NM_000383.4 같은 형태)를 함께 적어야 합니다.

같은 변이라도 기준 전사체가 다르면 번호가 달라질 수 있기 때문에, 여러 전사체 중 어떤 걸 표준으로 삼을지 정한 MANE 같은 프로젝트가 있는 이유이기도 합니다.

정리하면, 변이 자체를 규모로 나누는 축(SNV/indel vs SV/CNV)과 그 변이가 단백질에 미치는 영향을 나누는 축(SO term)은 서로 다른 층위의 분류입니다.

여기에 표기 방식(HGVS)까지 합쳐지면 하나의 변이를 여러 각도에서 설명할 수 있게 됩니다.

다음 단계인 변이 호출(VCF 생성)과 주석 과정에서 이 개념들이 그대로 쓰입니다.

[서열분석개론] 서열 분석 - 매핑과 SAM/BAM

데이터로 읽는 생명 — Sat, 11 Jul 2026 02:00:08 +0900

FASTQ에는 수백만 개의 read가 들어있지만, 이 자체로는 각 read가 유전체 어디서 왔는지 알 수 없습니다.

이 위치를 찾는 과정이 매핑(mapping/alignment)이고, 그 결과를 담는 표준 포맷이 SAM/BAM입니다.

레퍼런스 기반 정렬

전체 흐름은 이렇습니다.

FASTQ (위치 미상 read) + Reference(GRCh38) → BWA-MEM → SAM/BAM (정렬 위치 포함)

수백만 개의 read 각각을 레퍼런스 유전체 전체와 비교해서 가장 잘 맞는 위치를 찾아주는 작업입니다.

브루트포스로 비교하면 시간이 너무 오래 걸리기 때문에, 실무에서는 레퍼런스를 미리 인덱싱해두고 빠르게 검색하는 알고리즘을 씁니다.

BWA-MEM

BWA(Burrows-Wheeler Aligner)는 short-read 매핑의 사실상 표준 도구입니다(Heng Li & Durbin, 2009).

레퍼런스를 BWT(Burrows-Wheeler Transform)로 압축·인덱싱해서, 적은 메모리로도 수억 개의 read를 빠르게 검색할 수 있게 만든 게 핵심입니다.

동작 방식은 "Seed and Extend"라고 부릅니다.

Seed: read 안에서 레퍼런스와 정확히 일치하는 조각(MEM, Maximal Exact Match)을 FM-index로 초고속 탐색
Chaining: 가까이 있는 seed들을 묶어서 후보 위치를 선정
Extend: 후보 위치 주변을 Smith-Waterman 알고리즘으로 정밀하게 정렬 (mismatch, indel 허용)
MAPQ: 이 위치가 얼마나 유일하고 확실한지 점수화. 반복 영역이면 여러 후보 위치가 비슷하게 나와서 MAPQ가 낮게 매겨진다

옵션 중 -M은 짧게 갈라진 정렬(split hit)을 secondary로 표시해서 Picard/GATK와 호환되게 만들어줍니다.

SAM/BAM 구조

SAM은 텍스트 포맷이고 BAM은 이를 바이너리로 압축한 것입니다.

용량이 작고 처리 속도가 빨라서 실무에서는 BAM을 표준으로 씁니다.

@HD  VN:1.6  SO:coordinate
@SQ  SN:chr21  LN:46709983
D00360:...:31843  163  chr21  44286640  60  250M  =  44286890  498

@로 시작하는 줄이 헤더입니다.

@SQ에는 레퍼런스 서열 이름과 길이가 들어있습니다.

그 아래부터는 read 한 줄당 11개 필드로 구성됩니다.

필드	예시 값	의미
QNAME	D00360:...:31843	read 이름
FLAG	163	read 상태 (비트 조합)
RNAME	chr21	매핑된 레퍼런스 서열명
POS	44286640	1-based 매핑 시작 좌표
MAPQ	60	매핑 신뢰도, BWA 최대치는 60
CIGAR	250M	정렬 관계 문자열
RNEXT/PNEXT	=, 44286890	짝 read의 위치
TLEN	498	template 길이

FLAG

read의 여러 상태를 비트로 켜고, 그 합을 하나의 10진수(0~4095)로 표기한 필드입니다.

비트(hex)	의미	비트(hex)	의미
1 (0x1)	paired — 짝 있음	64 (0x40)	first in pair (R1)
2 (0x2)	proper pair — 정상 짝	128 (0x80)	last in pair (R2)
4 (0x4)	read unmapped	256 (0x100)	secondary alignment
8 (0x8)	mate unmapped	512 (0x200)	QC fail
16 (0x10)	read 역방향(reverse)	1024 (0x400)	PCR/optical duplicate
32 (0x20)	mate 역방향(reverse)	2048 (0x800)	supplementary

FLAG 읽는 법

숫자를 2진수로 풀어보면 read 상태가 그대로 드러납니다.

정상적으로 짝지어진 paired-end read는 흔히 99와 147 조합으로 나타납니다.

99  = 1 + 2 + 32 + 64    → paired, proper pair, mate reverse, R1
147 = 1 + 2 + 16 + 128   → paired, proper pair, read reverse, R2

매번 비트를 손으로 분해할 필요는 없고 samtools flags 99 명령으로 바로 해석할 수 있습니다.

실무에서 자주 쓰는 건 4번 비트(unmapped) 필터링 정도입니다.

정렬 실패한 read를 걸러낼 때 이 값을 확인합니다.

CIGAR

read와 레퍼런스의 정렬 관계를 연산자 문자열로 압축 표현한 필드다.

연산자	의미
M	alignment match — 일치/불일치 모두 포함 (정렬은 됨)
I	Insertion — read에만 있는 삽입 서열
D	Deletion — 레퍼런스 대비 결실
N	skip — 레퍼런스 구간 건너뜀 (RNA-seq splice)
S	Soft clip — 정렬 안 된 양끝, 서열은 유지됨
H	Hard clip — 잘려나가서 서열이 아예 없음

예를 들어 199M1D6M1I43M이라는 CIGAR는 다음과 같이 읽습니다.

199M → 199개 염기 정렬 (일치/불일치 포함)
1D   → 1개 결실 (레퍼런스 대비)
6M   → 6개 정렬
1I   → 1개 삽입 (read에만 있음)
43M  → 43개 정렬

CIGAR 연산자만 봐도 어떤 변이 신호가 있는지 대략 짐작할 수 있습니다.

M 안에서 서열이 다르면 SNV(점 돌연변이), I/D가 있으면 indel, S/H/N이 있으면 구조변이나 splice 신호일 가능성을 의심해볼 수 있습니다.

Clipping

read가 레퍼런스에 부분적으로만 맞을 때, 안 맞는 끝을 잘라내고 표시하는 게 clipping입니다.

read 전체를 버리지 않고 맞는 부분만이라도 살리기 위한 처리입니다.

CIGAR: 35S215M

read  ╌╌╌35╌╌╌[====215 정렬====]
ref        [================]

clip이 생기는 원인은 보통 어댑터가 덜 제거됐거나, read 말단 품질이 낮거나, 구조변이/splice 경계에 걸렸을 때입니다.

Soft clip(S): 잘린 부분의 서열을 그대로 보존합니다.
나중에 재정렬하거나 구조변이 breakpoint 분석에 재활용할 수 있어서, 대표(primary) 정렬에서 주로 쓰입니다.
Hard clip(H): 잘린 부분의 서열을 아예 제거합니다. 하나의 read가 여러 곳에 나뉘어 붙는 supplementary 정렬에서, 조각마다 전체 서열을 중복 저장하지 않으려고 이 방식을 씁니다.

samtools

BAM 파일을 다루는 핵심 도구 모음입니다.

명령	기능
view	SAM↔BAM 변환, FLAG/영역/MAPQ 조건으로 read 필터링
sort	좌표순 정렬 — 인덱싱과 변이 검출의 전제조건
index	.bai 인덱스 생성 — 특정 영역 즉시 접근(IGV 등에서 필요)
flagstat	총 read 수, 매핑률, 중복률, proper pair 비율 요약
depth / coverage	위치별·영역별 depth 계산
markdup	PCR 중복 표시 (변이 호출 전처리에서 사용)

실무 순서로 보면 bwa mem 결과를 파이프로 바로 samtools sort에 넘겨서 정렬된 BAM을 만들고, samtools index로 .bai를 생성한 뒤, samtools flagstat으로 매핑이 잘 됐는지 확인하는 흐름이 일반적입니다.
이렇게 만든 sorted BAM(+.bai)이 이후 변이 호출 단계의 입력이 됩니다.

[서열분석개론] 서열 분석 - 파일 포맷 (FASTA, FASTQ, BED)

데이터로 읽는 생명 — Sat, 11 Jul 2026 01:00:59 +0900

시퀀싱으로 얻은 데이터를 다루려면 파이프라인 각 단계에서 쓰이는 표준 텍스트 포맷을 알아야 합니다.
FASTA, FASTQ, BED는 생김새가 비슷해 보여도 담고 있는 정보와 용도가 완전히 다르니 헷갈리지 않게 정리했습니다.

FASTA

품질 정보 없이 서열만 담는 가장 단순한 포맷입니다.
주로 레퍼런스 유전체를 표현할 때 씁니다.

>chr21
GATCACAGGTCTATCACCCTATTAACCAC
TCACGGGAGCTCTCCATGCATTTGGTATT
TTCGTCTGGGGGGTATGCACGCGATAGCA

구조는 두 부분입니다.

헤더: >로 시작하고 그 뒤에 서열 이름(염색체명, 유전자명 등)이 온다.
서열: A/C/G/T/N으로 구성되고, 보통 60~80자마다 줄바꿈된다.

레퍼런스 파일은 그대로 두고 쓰기보다 인덱스를 만들어서 쓰는 경우가 많습니다.
samtools faidx로 만든 .fai 인덱스가 있으면 파일 전체를 훑지 않고도 원하는 영역에 바로 접근할 수 있습니다.

FASTQ

서열과 품질 정보를 함께 담는 NGS의 기본 단위입니다.
read 하나가 정확히 4줄로 구성됩니다.

@A00984:1:1101:2356:1000 1:N:0:ATCG
GATTTGGGGTTCAAAGCAGTATCGATCAAATAGT
+
!''*((((***+))%%%++)(%%%%).1***-+*

줄	내용
1	Sequence ID — instrument, lane, tile, 좌표 정보. @로 시작
2	Sequence — 실제 염기서열 (A/C/G/T/N)
3	Separator — + (뒤에 ID를 다시 적기도 하지만 보통 생략)
4	Quality — 2번째 줄과 같은 길이, 염기별 Phred 점수를 ASCII 문자로 인코딩

FASTQ 파일의 read 개수는 전체 줄 수를 4로 나눈 값과 같습니다.

Paired-end라면 R1, R2 파일의 read 개수가 서로 일치해야 합니다.

Phred Quality Score

FASTQ 4번째 줄의 ASCII 문자가 나타내는 값이 Phred 품질 점수입니다.

여기서 P는 그 염기가 틀렸을 확률입니다. Q가 높을수록 신뢰도가 높습니다.

Phred Q	오류 확률(P)	정확도	의미
Q10	1/10	90%	낮음
Q20	1/100	99%	허용 하한선 부근
Q30	1/1000	99.9%	일반적인 품질 기준
Q40	1/10000	99.99%	매우 높음

실무에서는 Q30 이상을 신뢰할 수 있는 염기의 기준선으로 보는 경우가 많습니다.

read의 3′ 끝으로 갈수록 품질이 떨어지는 게 일반적인 패턴이라, 이 부분을 트리밍(trimming) 도구로 잘라내는 전처리를 거칩니다.

BED

관심 영역을 좌표 구간으로 표현하는 포맷입니다.

타깃 패널, 엑손 영역처럼 "어디서부터 어디까지"를 나타낼 때 씁니다.

chr21   5010000   5010500
chr21   5011200   5011800   exon2
chr21   45705700 45706000   AIRE

탭으로 구분된 3열(chrom, start, end)이 최소 형식이고, 4번째 열에 이름을 추가로 붙일 수 있습니다.

BED 좌표계에서 꼭 기억해야 할 두 가지가 있습니다.

0-based: 시작 좌표가 0부터 시작. VCF나 GFF는 1-based라서 서로 다르다
half-open: [start, end) 구간이라 end 좌표 자체는 포함하지 않는다

이 좌표계 차이 때문에 포맷 간 변환 시 off-by-one 오류가 자주 발생합니다.

예를 들어 GFF(1-based)에서 BED(0-based)로 변환할 때는 start 값에서 1을 빼야 합니다.

반대로 잊고 그대로 옮기면 영역이 한 칸씩 밀리는 문제가 생깁니다.

영역 계산이나 필터링에는 bedtools가 표준 도구로 쓰입니다.

구간 교집합, 병합, 커버리지 계산 등을 여기서 처리합니다.

세 포맷을 한 줄로 정리하면:

FASTA는 서열 자체, FASTQ는 서열+품질(read 단위), BED는 좌표 구간 정보입니다.

파이프라인에서 이 세 가지가 각각 어느 단계에 쓰이는지 구분해두면 이후 매핑·변이호출 단계를 이해하기가 훨씬 수월합니다.

[서열분석개론] 서열 분석 - 시퀀싱 원리

데이터로 읽는 생명 — Wed, 8 Jul 2026 21:00:23 +0900

DNA-seq 파이프라인을 이해하려면 가장 먼저 raw read가 어떻게 만들어지는지부터 알아야 합니다.

시퀀싱 방식에 따라 read의 길이, 정확도, 비용이 달라지고 이게 이후 분석 전략(어떤 caller를 쓸지, depth를 얼마나 잡을지)에 그대로 영향을 줍니다.

Sanger vs NGS

Sanger 시퀀싱

1977년 개발된 1세대 시퀀싱 방법입니다.

원리는 chain termination입니다.

DNA를 합성하다가 형광 표지된 ddNTP(dideoxynucleotide)가 끼어들면 그 자리에서 합성이 멈춥니다.

이 과정을 무작위로 반복하면 길이가 1bp씩 다른 조각들의 ladder가 만들어집니다.

이걸 전기영동으로 길이순 분리하면 짧은 조각일수록 빨리 이동하고, 각 위치의 형광색을 크로마토그램으로 읽으면 서열이 순서대로 나옵니다.

읽는 길이는 ~1kb 정도로 짧지만 정확도가 매우 높습니다.

그래서 지금도 완전히 사라지지 않고, NGS로 넓게 스크리닝한 후보 변이를 특정 부위만 다시 확인하는 confirmation 용도로 쓰입니다.

부모-자녀 segregation을 확인해서 de novo 여부를 판단할 때도 Sanger가 자주 등장합니다.

NGS (Next Generation Sequencing)

Illumina가 2006년에 상용화한 SBS(Sequencing by Synthesis) 방식이 사실상 표준입니다.

핵심은 대규모 병렬 시퀀싱, 즉 수억 개의 read를 동시에 읽는 것입니다.

동작 순서는 다음과 같습니다.

Library 준비: 유전체를 잘게 자르고 어댑터를 붙여 flow cell 표면에 부착
Cluster 생성: bridge amplification(PCR)으로 각 조각을 수천 카피로 증폭.
단분자 신호는 너무 약해서 카메라로 못 찍기 때문에 증폭이 필요하다
합성하며 촬영: 형광 표지된 염기가 하나 붙을 때마다 카메라로 촬영하고, 다시 이어서 합성하는 걸 반복.
Sanger처럼 영구히 멈추는 게 아니라 가역적으로 종결과 재합성을 반복한다는 게 차이점이다

사이클이 길어질수록 위상이 어긋나거나(phasing) 신호가 약해져서 정확도가 떨어집니다.

그래서 보통 150bp 안팎에서 끊는다. 이게 short-read라고 불리는 이유입니다.

구분	Sanger	NGS
방식	모세관 전기영동, 한 번에 한 조각	대규모 병렬 시퀀싱
처리량	~1kb/read, 저처리량	Gb~Tb/run
비용/염기	높음	매우 낮음
정확도	매우 높음 (표준)	read당 정확도는 낮은 편, depth로 보완
용도	단일 변이 확정	WGS/WES/패널 대규모 탐색

Read, Paired-end, Depth, Coverage

Read와 Paired-end

Read는 시퀀서가 읽어낸 하나의 연속된 염기 조각입니다. (보통 150bp 전후)

Single-end(SE): fragment의 한쪽 끝만 읽음
Paired-end(PE): fragment의 양쪽 끝을 각각 R1, R2로 읽음

PE로 읽으면 R1과 R2 사이 거리(insert size)를 매핑 위치 검증에 쓸 수 있고, 반복 서열이나 구조변이를 해석할 때도 SE보다 유리합니다. 요즘 실무에서는 PE가 기본값이라고 봐도 됩니다.

Depth와 Coverage

이 둘을 헷갈리기 쉬운데 구분해서 알아두는 게 좋습니다.

Depth(깊이): 특정 위치를 덮는 read의 수. 예를 들어 "30×"라고 하면 그 위치를 평균 30번 읽었다는 뜻
Coverage(범위): 목표 영역 중에서 일정 depth 이상으로 읽힌 비율

depth가 낮으면 진짜 변이인지 시퀀싱 오류인지 구분하기 어려워집니다.

read 한두 개에서만 다르게 나온 염기는 신뢰하기 힘들지만, 30개 read 중 15개에서 일관되게 다르게 나온다면 진짜 변이일 가능성이 높아진다.

목적에 따라 요구되는 depth 기준도 다릅니다.

분석 목적	일반적인 depth
WGS (전장 유전체)	~30×
WES (전장 엑솜)	~100×
암 패널	수백~수천×

암 패널처럼 depth를 높게 잡는 이유는, 암은 종양 내 여러 클론이 섞여 있어서(tumor heterogeneity) 변이 대립빈도(AF)가 낮게 나올 수 있고, 이런 낮은 빈도의 변이를 잡아내려면 훨씬 많은 read가 필요하기 때문입니다.

Short-read vs Long-read

Illumina 계열이 short-read를 대표하고, PacBio SMRT(2011)와 Oxford Nanopore(2014)가 long-read를 대표합니다.

PacBio SMRT는 웰 바닥에 고정된 중합효소가 형광 표지 염기를 붙일 때 나오는 빛을 실시간으로 검출해서 서열을 읽습니다.

Oxford Nanopore는 막에 박힌 나노포어로 DNA 가닥을 통과시키면서, 염기마다 달라지는 이온 전류 변화를 측정해 전류 패턴을 서열로 해독합니다.

구분	Short-read (Illumina)	Long-read (PacBio, ONT)
Read 길이	~100-300bp	수 kb ~ 수백 kb
정확도	매우 높음 (Q30 이상)	플랫폼별로 다름, 최근 크게 개선됨
강점	SNV·small indel 검출, 비용 대비 정확도	구조변이, 반복영역, phasing, isoform

Long-read의 강점이 특히 잘 드러나는 두 가지 상황이 있습니다.

Short tandem repeat(STR)

짧은 반복 서열이 여러 번 반복되는 영역은 short-read(150bp)로는 반복 횟수를 정확히 세기 어렵습니다.

read가 반복 구간을 통째로 통과하지 못하고 어디서 끊겼는지 애매해지기 때문입니다.

long-read는 반복 전체를 한 번에 통과하므로 반복 횟수를 정확히 셀 수 있습니다.

Phasing(haplotype 구분)

한 사람은 부모로부터 각각 하나씩 염색체를 물려받는데, 어떤 변이들이 같은 염색체(같은 haplotype)에 있는지 구분하는 게 phasing입니다.

short-read는 read 길이가 짧아서 멀리 떨어진 변이들 사이의 연결 관계를 못 잡고 끊기지만(phasing break), long-read는 하나의 read가 두 변이 위치를 모두 커버할 수 있어서 haplotype을 이어서 조립할 수 있습니다.

이런 이유로 반복영역이나 구조변이가 중요한 케이스에서는 long-read를 보조적으로 활용하는 경우가 늘고 있습니다.

다만 비용과 처리량 면에서는 여전히 short-read가 대량 스크리닝에 유리합니다.

[코딩테스트 연습] 수열과 구간 쿼리 2 (프로그래머스)

데이터로 읽는 생명 — Tue, 7 Jul 2026 20:40:20 +0900

문제

정수 배열 arr와 2차원 정수 배열 queries이 주어집니다. queries의 원소는 각각 하나의 query를 나타내며, [s, e, k] 꼴입니다.

각 query마다 순서대로 s ≤ i ≤ e인 모든 i에 대해 k보다 크면서 가장 작은 arr[i]를 찾습니다.

각 쿼리의 순서에 맞게 답을 저장한 배열을 반환하는 solution 함수를 완성해 주세요.

단, 특정 쿼리의 답이 존재하지 않으면 -1을 저장합니다.

제한사항

1 ≤ arr의 길이 ≤ 1,000
- 0 ≤ arr의 원소 ≤ 1,000,000
1 ≤ queries의 길이 ≤ 1,000
- 0 ≤ s ≤ e < arr의 길이
- 0 ≤ k ≤ 1,000,000

주어진 코드

def solution(arr, queries):
    answer = []
    return answer
    
# 입출력 예
      arr       |              queries             |    result
[0, 1, 2, 4, 3] |  [[0, 4, 2],[0, 3, 2],[0, 2, 2]] |  [3, 4, -1]

입출력 예 설명

입출력 예 #1

첫 번째 쿼리의 범위에는 0, 1, 2, 4, 3이 있으며 이 중 2보다 크면서 가장 작은 값은 3입니다.
두 번째 쿼리의 범위에는 0, 1, 2, 4가 있으며 이 중 2보다 크면서 가장 작은 값은 4입니다.
세 번째 쿼리의 범위에는 0, 1, 2가 있으며 여기에는 2보다 큰 값이 없습니다.
따라서 [3, 4, -1]을 return 합니다.

답

def solution(arr, queries):
    answer = []
    
    for s, e, k in queries:
        con = []
        for i in arr[s:e+1]:
            if i > k:
                con.append(i)
        answer.append(-1 if not con else min(con))
    return answer

[코딩테스트 연습] 수열과 구간 쿼리 3 (프로그래머스)

데이터로 읽는 생명 — Tue, 7 Jul 2026 20:30:33 +0900

문제

정수 배열 arr와 2차원 정수 배열 queries이 주어집니다. queries의 원소는 각각 하나의 query를 나타내며, [i, j] 꼴입니다.

각 query마다 순서대로 arr[i]의 값과 arr[j]의 값을 서로 바꿉니다.

위 규칙에 따라 queries를 처리한 이후의 arr를 return 하는 solution 함수를 완성해 주세요.

제한사항

1 ≤ arr의 길이 ≤ 1,000
- 0 ≤ arr의 원소 ≤ 1,000,000
1 ≤ queries의 길이 ≤ 1,000
- 0 ≤ i < j < arr의 길이

주어진 코드

def solution(arr, queries):
    answer = []
    return answer
    
# 입출력 예
      arr       |        queries          |      result
[0, 1, 2, 3, 4] | [[0, 3],[1, 2],[1, 4]]  |  [3, 4, 1, 0, 2]

입출력 예 설명

입출력 예 #1

각 쿼리에 따라 arr가 다음과 같이 변합니다.

arr

[0, 1, 2, 3, 4]

[3, 1, 2, 0, 4]

[3, 2, 1, 0, 4]

[3, 4, 1, 0, 2]

• 따라서 [3, 4, 1, 0, 2]를 return 합니다.

답

def solution(arr, queries):
    x, y = 0, 0
    
    for i in range(len(queries)):
        x = queries[i][0]
        y = queries[i][1]
        
        arr[x], arr[y] = arr[y], arr[x]
        
    return arr