NGS 검사로 먹고 살 수 있을까?

오늘은 간만에 업계 관련 얘기를 살짝 얘기해보는걸로 하겠습니다.

뉴스를 보게되면 NGS 검사에 대한 진보성과 편의성에 대해서 수시로 들을 수 있을 겁니다. 

거기다 저 같은 경우는 업으로 하고 있으니 당연히 좋다고 얘기하겠죠

근데 진짜 그만큼 사람들은 많이 사용하고 있는가?

그래서 통계를 내봤습니다.

NGS 패널 검사 진료금액과 유전체 회사 별로 NGS 패널 검사로 매출을 일으킨 금액되겠습니다.

대단한 유료 보고서를 구매해야 볼 수 있는 숫자는 아니고요

그냥 클릭질을 많이 하면 확인 할 수 있습니다. :)

이 자료는 HIRA 빅데이터개방포털과 각 회사들의 사업보고서를 뒤적여서 그려본 그래프 입니다. NGS 패널 검사관련된 자료는 HIRA 빅데이터 개방 포털 에서 확보하였고, 선그래프와 우측 축의 금액은 NGS패널의 진료금액 되겠습니다. 이 진료 금액이 환자가 납부한 금액은 아닌거 같고 HIRA 데이터니깐 건강보험청구한 금액이지 않을까 합니다. 그리고 회사들은 좌측 축의 금액을 기준으로 보시면됩니다. 약간 bias가 들어가있는데, 이는 사업보고서를 바탕으로 NGS 패널 검사와 관련된 매출액을 정확하게 구분하기 어려워서 랩지노믹스 같은 경우는 과대 포장되어 있는 경향이 있습니다. 참고해서 봐주시면 좋을것 같습니다.

(아.. 금액은 모두 천원이 단위입니다.)

20년도부터 NGS 패널 검사로 사용되는 금액이 대략 400억정도되고 23년도를 추정하면 대략 600억은 넘겠네요 

그리고 유전체로 밥벌어먹고 사는 회사들을 중심으로 정리해봤는데 랩지노믹스 때문에 다소 과대포장 되어 있기는 하지만 100억대의 매출을 보여주고 있습니다.

근데 NGS 패널 검사의 비용과 각 회사들의 매출금액과 좀 차이가 있어보입니다.

NGS 패널 검사 비용은 소비자가이고, 회사들의 매출금액은 NGS 패널 검사를 하는 곳에서는 원재료가 금액이니 아무래도 좀 차이가 있는게 당연하겠지요.

그래서 제가 조사한 6개 기업이외에도 몇몇 회사들이 더 있을 것으로 생각되나 개인적으로 지금의 그래프와 큰 차이는 없어 보일듯합니다.

이 그래프를 보면 많은 생각이 들긴합니다.

왜 유전체 회사나 검사 회사들이 해외, 특히 미국, CLIA랩 확보에 열을 올리는지 알 수 있고, 그러는 유전체를 업으로 하는 나님은 언제까지 월급 받아가면서 일을 할 수 있을지도 걱정이고..

"주린이가 가장 알고 싶은 최다질문 top 77 2 염승환" 책을 읽은 기념으로 사업보고서도 읽어보고, NGS가 미래가 장비빛인지, 장비및으로 바라보고 싶은건지 돌아보고자 한번 끄적여 봤습니다.

다시 또 이런 저런 흥미롭거나 도움이 될 만한 논문을 들고와보도록 하겠습니다. :)

출처: @ye._.vely618

QIIME2의 q2-feature-classifier는 과연 쓸만한가?

QIIME2가 출시된지도... 5년 밖에 안됐군요.  꽤 된줄알았는데..

여튼 오늘은 QIIME2 내부에 있는 classifier에 대한 논문이 있어 gemini에게 한번 읽혀봤습니다.

논문 제목은 "Optimizing taxonomic classification of marker-gene amplicon sequences with QIIME 2’s q2-feature-classifier plugins" 되겠습니다.

DOI: 10.1186/s40168-018-0470-z

연구 목적과 배경

미생물 군집 분석은 다양한 분야에서 사용되는 중요한 기술입니다. 미생물 군집의 구성을 이해하면 질병, 환경, 식품 등의 분야에서 중요한 정보를 얻을 수 있습니다.

마커 유전자 증폭 서열은 미생물 군집 분석에서 널리 사용되는 방법입니다. 이 방법은 미생물의 특정 유전자를 증폭하여 그 유전자의 서열을 분석하는 것입니다.

마커 유전자 증폭 서열의 계통 분류는 미생물 군집 분석의 중요한 단계입니다. 계통 분류를 통해 미생물의 종을 식별할 수 있습니다.

그러나 마커 유전자 증폭 서열의 계통 분류는 몇 가지 어려움이 있습니다. 첫째, 마커 유전자 증폭 서열은 짧기 때문에 계통 분류가 어렵습니다. 둘째, 마커 유전자 증폭 서열에는 오류가 있을 수 있습니다.

연구 방법

이 연구에서는 QIIME 2의 q2-feature-classifier 플러그인을 사용하여 마커 유전자 증폭 서열의 계통 분류를 최적화하는 방법을 연구했습니다.

q2-feature-classifier 플러그인은 다양한 계통 분류 방법을 제공합니다. 이 연구에서는 머신 러닝 기반 방법, 정렬 기반 방법, 그리고 두 가지 방법을 결합한 방법을 평가했습니다.

연구에서는 마커 유전자 증폭 서열을 사용하여 생성한 가상 미생물 군집과 실제 미생물 군집을 사용하여 계통 분류 방법의 성능을 평가했습니다.

결과와 논의

연구 결과, q2-feature-classifier 플러그인은 다른 일반적으로 사용되는 방법보다 더 정확한 계통 분류를 제공하는 것으로 나타났습니다. 특히, 종 수준의 정확도는 90% 이상으로 나타났습니다.

연구진은 계통 분류 방법의 성능을 최적화하기 위해 매개변수 조정을 중요하게 강조했습니다. 또한, 계통 분류 방법의 성능을 평가하기 위한 프레임워크인 tax-credit를 개발했습니다.

결론

이 연구는 q2-feature-classifier 플러그인이 마커 유전자 증폭 서열의 계통 분류를 위한 강력한 도구임을 보여주었습니다. 이 플러그인은 생명공학 전공자가 아닌 분들도 쉽게 사용할 수 있도록 설계되었습니다.

추가적으로 q2-feature-classifier를 사용하는 이유와 다른 classifier와 비교도 한번 요청해보았습니다.

1. 높은 정확도: q2-feature-classifier는 다양한 계통 분류 알고리즘을 제공하며, 이는 다른 일반적으로 사용되는 도구들보다 높은 정확도를 제공하는 것으로 입증되었습니다. 특히, 종 수준(species level)의 정확도는 90% 이상을 달성할 수 있습니다.

2. 사용 편의성: q2-feature-classifier는 QIIME 2 프레임워크에 완벽하게 통합되어 있어 사용하기 매우 편리합니다. 명령줄 인터페이스(command-line interface) 또는 QIIME 2 GUI를 통해 쉽게 사용할 수 있습니다.

3. 다양한 기능: q2-feature-classifier는 다양한 기능을 제공합니다. 

 - 다양한 계통 분류 알고리즘 지원:

    * 정렬 기반(alignment-based) 방법: BLAST, VSEARCH

    * 머신 러닝 기반(machine learning-based) 방법: naive Bayes classifier, support vector machine (SVM), random forest

    * 두 가지 방법을 결합한 하이브리드(hybrid) 방법

 - 분류 결과 시각화:

    * 종류-풍부도 막대 그래프(taxa bar charts)

    * 계통발생학적 나무(phylogenetic trees)

 - 분류 결과 필터링 및 워크플로 통합:

    * 신뢰도(confidence) 기반 필터링

    * 계통 분류 수준(taxonomic level) 기반 필터링

    * 다른 QIIME 2 플러그인과의 통합

4. 활발한 커뮤니티: QIIME 2는 활발한 사용자 커뮤니티를 가지고 있으며, 이는 q2-feature-classifier 사용에 대한 도움과 지원을 제공합니다. 

5. 지속적인 개발: q2-feature-classifier는 지속적으로 개발되고 있으며, 새로운 기능과 개선된 성능을 제공합니다.

- 다른 Classifier와 비교

| Classifier  |              알고리즘              |   장점    |   단점    |

|-------------|-----------------------------------|----------|----------|

|q2-feature-  | 다양한 알고리즘 지원 (BLAST, VSEARCH,|높은 정확도,|알고리즘   |

|classifier   | naive Bayes classifier, SVM,      |다양한 기능,|선택에 따른|

|             | random forest, 하이브리드)         | 사용 편의성|성능 차이   | 

|Kraken        | k-mer 기반                       | 빠른 속도 |낮은 정확도,|

|              |                                 |          |종 수준 분류|

|              |                                 |         |어려움      |

| Centrifuge   | FM-index 기반                    |빠른 속도 |낮은 정확도,|

|              |                                 |         |종 수준 분류|

|              |                                 |         |어려움      |

| CLARK        | BLAST 기반                      |높은 정확도 |느린 속도   |

└--------------┴---------------------------------┴----------┴----------┘

결론적으로, q2-feature-classifier는 높은 정확도, 다양한 기능, 사용 편의성, 활발한 커뮤니티, 지속적인 개발 등의 장점을 가진 강력하고 다목적적인 플러그인입니다. 마커 유전자 증폭 서열의 계통 분류를 위한 최고의 선택입니다.

그렇다고합니다. :)

출처: @ye._.vely618

생명정보를 끄집어 내는 나노포어!!

음.. 21년도에 옥스포드 나노포어에 관련하여 잘 설명한 글이 있었네요

"Beyond sequencing: machine learning algorithms extract biology hidden in Nanopore signal data"

DOI: 10.1016/j.tig.2021.09.001

그래서 당연히 이것도 gemini에게 블로그에 게재할 요약 글 하나 적어달라고 해봤습니다.

제목: 나노포어 시퀀싱, 숨겨진 생명 정보를 끄집어내는 미래 기술

나노포어에 대해 잘 모르는 분들을 위한 블로그 글을 쓰고 싶다고 하셨네요. 좋은 선택이에요! 이 글에서는 나노포어 시퀀싱 기술이 어떻게 작동하고, 어떤 흥미로운 활용 방식이 있는지 알아볼 예정입니다.

나노포어 시퀀싱의 기본 원리

먼저 나노포어 시퀀싱이 무엇인지 알아볼까요? 간단히 말하면 DNA나 RNA를 작은 구멍(나노포어)을 통과시켜 염기 서열 정보를 읽는 기술입니다. DNA/RNA 가닥이 나노포어를 통과하며 발생하는 전류 변화를 분석하여 염기 서열을 추측합니다. 하지만 이 전류 변화 패턴은 복잡하고 해석하기 어렵죠.

머신러닝과 나노포어의 만남

여기서 머신러닝이 중요한 역할을 합니다! 머신러닝 알고리즘은 대量の 나노포어 전류 데이터를 분석하여 이 패턴을 알파벳 코드(A, C, T, G)로 변환하는 방법을 배우게 됩니다. 이를 베이스 콜링(base calling)이라고 합니다. 

초기에는 단순한 통계적 방법과 규칙 기반 알고리즘이 사용되었지만, 최근에는 머신러닝 기반 알고리즘이 주목받고 있습니다. 이 알고리즘은 실험 데이터를 대량 학습하여 전류 패턴과 염기 사이의 복잡한 관계를 파악합니다. 대표적인 알고리즘으로는 히든 마르코프 모델 (Hidden Markov Model, HMM)과 신경망 (Neural Network)이 있습니다.

 - HMM: 각 염기마다 고유한 상태를 가정하고, 전류 패턴의 변화를 통해 상태 이동을 예측합니다. 이를 통해 전체 염기 서열을 추측합니다.

 - 신경망: 복잡한 전류 패턴을 직접 분석하여 염기 예측 확률을 계산합니다. 최근에는 딥러닝 기반의 신경망 모델들이 우수한 성능을 보여주고 있습니다.

이러한 알고리즘은 지속적으로 발전하고 있으며, 베이스 콜링 정확도는 점점 향상되고 있습니다. 하지만 아직 완벽하지 않으며, 특히 동일한 전류 패턴을 유발하는 modified base 구분은 어려움이 있습니다. 연구는 지속적으로 진행되고 있으며, 더 정확하고 신뢰할 수 있는 베이스 콜링 알고리즘 개발이 활발히 이루어지고 있습니다.

또한 베이스 콜링을 통해 염기 서열을 얻었지만, 이것만으로는 충분하지 않습니다. 마치 흩어진 퍼즐 조각처럼 이 염기 서열을 참고 게놈 전체에 위치를 정확하게 매핑해야 합니다. 이 과정을 시퀀스 매핑(sequence mapping)이라고 합니다.

시퀀스 매핑 알고리즘은 크게 두 가지 방법이 있습니다.

 - 참조 게놈 기반 매핑: 이미 알려진 참조 게놈을 사용하여 읽은 염기 서열과 유사한 부분을 찾아 매핑합니다. 빠르고 정확하지만 돌연변이가 있는 경우 정확도가 떨어질 수 있습니다.

 - De novo 매핑: 참조 게놈 없이 읽은 염기 서열 자체를 조합하여 전체 게놈을 재구성합니다. 돌연변이가 있어도 정확하게 매핑할 수 있지만, 계산량이 많고 어렵습니다.

최근에는 이 두 방법을 결합하여 정확도와 속도를 높이는 하이브리드 방식도 사용되고 있습니다. 또한 롱 리드 시퀀싱 기술인 나노포어는 다른 시퀀싱 기술에 비해 더 긴 염기 서열을 읽을 수 있어 매핑 과정의 정확도를 높이는 데 유리합니다. 머신러닝 알고리즘은 이 과정에도 활용되어, 정확한 매핑을 위해 지속적으로 발전하고 있습니다.

나노포어 활용의 무한 가능성

이제 흥미로운 부분, 나노포어를 활용하여 무엇을 할 수 있는지 알아볼까요? 기존 시퀀싱 기술에 비해 장점이 많은 나노포어는 다양한 분야에서 혁신을 가져올 것으로 기대됩니다.

 - DNA 메틸화 분석: DNA에 달린 메틸 그룹은 유전자 발현을 조절합니다. 나노포어는 이 메틸화 정보를 전류 패턴에서 직접 읽을 수 있어 유전자 발현 연구에 유용합니다.

 - 단백질-DNA 상호 작용 분석: DNA와 상호 작용하는 단백질을 나노포어를 통해 직접 확인할 수 있습니다. 이는 질병 유발 기작 연구 등에 활용될 수 있습니다.

 - RNA 구조 분석: RNA는 독특한 구조를 가지고 있으며, 나노포어는 이 구조 정보도 전류 패턴에서 추측할 수 있습니다. 이는 RNA 기능 연구에 중요한 정보를 제공합니다.

이 외에도 나노포어는 미생물 동정, 식물 연구, 개인 맞춤 의료 등 다양한 분야에서 활용 가능성이 높습니다.

결론

나노포어 시퀀싱은 빠르게 발전하는 기술이며, 머신러닝과의 결합은 더욱 강력한 생명 과학 연구 도구로서 활약할 것입니다. 이 글을 통해 나노포어에 대한 기본적인 이해를 얻고, 앞으로의 발전 가능성에 대해 기대를 갖게 되었기를 바랍니다!

참고

* 이 글은 생명공학 분야 기초 지식을 가진 독자를 대상으로 이해하기 쉽게 설명했습니다.

* 논문 원본은 영어이지만, 주요 내용을 한국어로 요약했습니다.

* 더 자세한 정보는 제공된 논문 링크를 참조하세요.

저도 나노포어 기술의 발전을 지켜볼 예정이니, 앞으로 더 흥미로운 소식을 공유하도록 하겠습니다!

응? 왜 니가 나노포어 기술의 발전을 지켜볼 예정이니? ㄴ(°0°)ㄱ 내가 블로그에 작성하는 글이라고 하니 사람이 쓰는 것처럼 소식을 공유하겠다는 멘트도 깨알같이 놓치지 않았네요.   

그럼 다음에도 어딘가에 제가 아직 보지 못한 논문들을 찾아서 AI를 활용하여 글을 또 써보도록 하겠습니다. 물론 AI가 글을 쓰겠지요 :)

출처: @ye._.vely618

WGS 데이터를 활용하여 어떤 방법이 환자에게 보다 효과적인지 확인해보자

바다 건너 영국에서 진행하고 있는 WGS를 활용한 암환자들에 대한 치료 기회에 대한 내용에 대한 논문을 한번 bar..아니 gemini에게 물어봤습니다.

논문 제목은 "Insights for precision oncology from the integration of genomic and clinical data of 13,880 tumors from the 100,000 Genomes Cancer Programme"

doi: 10.1038/s41591-023-02682-0

입니다.

이번 프롬프트는 간결하게 "https://www.nature.com/articles/s41591-023-02682-0 이 연구를 하게 된 이유와 연구에 사용된 분석 방법, 그리고 결과에 대한 내용에 대해서 블로그에 게시할 수 있도록 정리해서 작성해줘" 라고 넣어봤습니다.

제목: 암 치료를 위한 개인화된 접근 방식

요약:

암은 전 세계적으로 사망 원인 1위입니다. 암 치료는 종종 화학 요법, 방사선 요법 및 수술을 포함하는 복잡한 과정입니다. 그러나 이러한 치료법은 모든 환자에게 효과적이지 않으며 종종 부작용을 유발할 수 있습니다.

연구 배경:

최근 몇 년 동안 암 치료에 대한 개인화된 접근 방식에 대한 관심이 높아졌습니다. 개인화된 치료는 환자의 특정 유전적 특성에 맞게 조정된 치료법입니다.

연구 방법:

이 연구는 100,000 게놈 프로젝트의 암 프로그램의 데이터를 사용했습니다. 이 프로젝트는 암 환자의 전체 게놈을 시퀀싱하는 것을 목표로 합니다. 연구원들은 33가지 암 유형의 13,880개 종양을 분석했습니다. 그들은 이 데이터를 실제 치료 및 결과 데이터와 연결했습니다.

연구 결과:

연구 결과는 WGS가 많은 암 유형에서 유용한 도구가 될 수 있음을 보여줍니다. WGS는 환자의 치료 반응에 영향을 미칠 수 있는 유전적 변화를 식별하는 데 사용할 수 있습니다. 이 정보는 더 개인화된 암 치료법을 개발하는 데 사용될 수 있습니다.

연구 결론:

이 연구는 WGS가 암 치료를 위한 개인화된 접근 방식을 개발하는 데 중요한 도구가 될 수 있음을 보여줍니다. WGS는 환자의 치료 반응을 예측하고 더 효과적이고 안전한 치료법을 개발하는 데 도움이 될 수 있습니다.

이 연구가 암 치료에 미치는 잠재적 영향:
- WGS는 암 치료의 성공률을 높이고 부작용을 줄이는 데 도움이 될 수 있습니다.
- WGS는 암 환자에게 더 나은 치료 옵션을 제공할 수 있습니다.
- WGS는 암 치료의 비용을 절감하는 데 도움이 될 수 있습니다.

이 연구의 한계:
이 연구는 100,000 게놈 프로젝트의 데이터를 사용했습니다. 이 데이터는 영국과 미국의 환자를 대상으로 합니다. 다른 국가의 환자에게도 WGS가 유용한 도구가 될지는 확실하지 않습니다.
이 연구는 WGS가 암 치료에 미치는 잠재적 영향을 평가했습니다. 그러나 WGS가 실제로 암 치료의 성공률을 높이고 부작용을 줄이는 데 도움이 되는지 여부는 더 많은 연구가 필요합니다.

 

개별 암종별 변이 종류에 따른 설명이 많이 생략되어 있긴하지만, 프롬프트를 잘 작성하면 필요에 맞는 내용을 잘 요약해서 정리해 줄 것으로 생각되고, 결국 깨작깨작 패널대신 걍 WGS를 하고 더불어 methylation, proteomics, RNAseq 등의 정보들도 조합하면 우리가 꿈꾸는 예후 예측이나 더 나은 환자의 치료를 제공할 수 있지 않겠냐고 잘 마무리하고 있는 논문 되겠습니다.

그리고 물론 위에 것을 하려면 아직 돈은 많이 든다. 언젠가 그렇듯이 이 또한 해결 할 수 있는 그 날이 오면 좋겠다. 라고 합니다. 

그럼 설 연휴 잘 마무리하는 걸로 :)

출처: @ye._.vely618