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 구조전사는 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 XRNA Polymerase II..

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 예측SnpEff는 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 표기impact: HIGH / MODERATE / LOW / MODIFIERHGVS c./p. 표기도 자동으로 계산해서 붙여줍니다예를 들어 AIRE..

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 흐름sorted 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.Mark..

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/CNV레퍼런스 대비 서열 차이는 규모에 따라 크게 둘로 나뉩니다.Sequence variants (작은 규모, 정렬로 검출)SNV(Single Nucleotide Variant): 단일 염기 치환Small indel: 수 bp 단위의 삽입/결실Structural variants(SV) (큰 규모, kb~Mb)insertion, deletioninversion(역위)duplication(중복)translocation(전좌)CNV(Copy Number Variant..

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 정렬전체 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-MEMBWA(Burrows-Wheeler Aligner)는 short-read..

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.FASTA품질 정보 없이 서열만 담는 가장 단순한 포맷입니다. 주로 레퍼런스 유전체를 표현할 때 씁니다.>chr21GATCACAGGTCTATCACCCTATTAACCACTCACGGGAGCTCTCCATGCATTTGGTATTTTCGTCTGGGGGGTATGCACGCGATAGCA 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 만들..

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 NGSSanger 시퀀싱1977년 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 서..

들어가며바이오테크 데이터는 성격이 크게 두 가지로 나뉘곤 합니다.하나는 임상시험 기록이나 규제 문서처럼 정확성과 감사 추적이 생명인 데이터, 다른 하나는 유전체 시퀀싱 결과처럼 페타바이트 단위의 대용량 분석이 필요한 데이터입니다. 이 두 가지 요구가 근본적으로 다르기 때문에, 바이오테크 기업들은 단일 DBMS로 모든 걸 해결하려 하지 않는다고 합니다.용도에 따라 DB를 나눠 쓰는 구조가 일반화되어 있다고 합니다. 1. 운영 DB — PostgreSQL이 다시 주목받는 이유운영 데이터(환자 메타데이터, 실험 기록, LIMS 연동 등)를 담는 OLTP 영역에서는 PostgreSQL이 사실상 업계 표준으로 자리잡고 있습니다. 흥미로운 건 이 흐름이 최근 대형 플랫폼들의 행보로 더 확실해졌다는 점입니다.2025..

지금까지 본 포맷들은 전부 게놈 좌표를 다루는 포맷이었습니다.H5AD는 다릅니다. 좌표가 아니라 단일세포 분석에서 나오는 거대한 행렬과 그에 딸린 메타데이터를 통째로 저장하는 포맷입니다. scRNA-seq 분석을 하면 결과물이 "세포 수천~수만 개 × 유전자 2만 개" 크기의 발현량 행렬이 됩니다.여기에 각 세포가 어떤 클러스터인지, 어떤 환자에서 왔는지, UMAP 좌표는 어디인지 같은 정보가 줄줄이 따라붙습니다.이 모든 걸 하나의 파일에 정리해서 담는 게 H5AD입니다.왜 필요한지 (scRNA-seq 데이터의 특징)scRNA-seq 데이터를 행렬로 생각하면 이렇습니다. 유전자1 유전자2 유전자3 ... 유전자20000세포1 0 3 ..

지금까지 본 BED, GTF는 게놈의 특정 구간을 "여기부터 저기까지"로 표시하는 포맷이었습니다.BigWig는 BED, GTF와 다르게 구간이 아니라 게놈의 모든 위치마다 연속적인 숫자 값을 저장합니다. RNA-seq에서 어느 위치에 리드가 얼마나 쌓였는지, ChIP-seq에서 어느 위치의 신호가 얼마나 강한지 같은 데이터를 시각화할 때 씁니다. IGV나 UCSC Genome Browser에서 산 모양의 신호 그래프를 본 적 있다면, 그 데이터가 BigWig입니다.기본 개념 — wig에서 시작BigWig를 이해하려면 먼저 원형인 wig 포맷을 알아야 합니다.wig는 텍스트 형식으로, 게놈 위치마다 값을 나열합니다.fixedStep chrom=chr1 start=10001 step=11215182022....

BED는 게놈의 특정 구간을 지정하는 데 쓰는 포맷입니다.GTF가 유전자 구조를 세세하게 표현한다면, BED는 그보다 훨씬 단순하게 "이 위치부터 저 위치까지"만 표시합니다. WES에서 어느 영역을 시퀀싱했는지, ChIP-seq에서 어디에 피크가 있는지, 어떤 영역끼리 겹치는지 같은 작업에서 BED를 씁니다.구조탭으로 구분된 컬럼이고, 처음 3개만 필수입니다.chr1 10000 10500 region_A 500 + │ │ │ │ │ │ │ │ │ │ │ └─ strand (가닥) │ │ │ │ └────── score (점수..

FASTA가 게놈 서열 자체를 담는다면, GFF3와 GTF는 그 서열 위에 어디가 유전자인지, 어디가 엑손인지를 표시하는 지도 역할을 합니다. 이 정보를 게놈 주석(annotation)이라고 합니다. RNA-seq에서 유전자 발현량을 계산할 때, 변이가 어떤 유전자의 어떤 영역에 있는지 확인할 때, 모두 이 파일을 참조합니다.왜 두 포맷이 존재하는지GFF(General Feature Format)가 먼저 만들어졌고, 이후 개선된 버전이 GFF3입니다.GTF(Gene Transfer Format)는 GFF2를 기반으로 Ensembl이 RNA-seq 분석에 맞게 변형한 포맷입니다. 결과적으로 지금은 이렇게 쓰입니다.GTF → RNA-seq 발현량 분석에서 표준 (featureCounts, STAR, Sa..