숏리드 RNA 분석, 42개 연구실이 벌인 대규모 채점표

RNA 분석 이야기로 가볍게 시작해 볼게요.

우리 몸은 하나의 유전자 설계도에서 상황에 따라 여러 가지 조합으로 단백질을 만들어내요. 이를 대체 스플라이싱이라고 부르는데, 이 과정에 탈이 나면 암이나 뇌 질환 같은 무서운 병으로 이어질 수 있죠. 그래서 세포 속 RNA 조합을 정확히 읽어내는 게 정말 중요해요.

그런데 최근에 네이처 커뮤니케이션즈에 실린 연구를 보니, 그동안 우리가 널리 쓰던 짧은 조각 읽기(srRNA-seq) 기술을 두고 전 세계 42개 연구소가 모여 대대적인 실력 검증을 벌였더라고요. 207개나 되는 컴퓨터 분석 방법을 총동원해서 뭐가 진짜 정답인지 비교해 본 거죠.

결과를 보면 "쓰레기가 들어가면 쓰레기가 나온다"는 평범한 진리가 유전체 분석에서도 그대로 통했어요. 실험 데이터 품질이 나쁘거나 분석 도구를 엉뚱하게 고르면 결과가 완전히 빗나간다는 걸 보여줬거든요. 다행히 어떤 시약을 쓰고 어떤 프로그램을 조합해야 가장 정확한지 명확한 가이드라인도 함께 제시되었답니다.

새로운 장비가 비싸서 기존의 짧은 조각 읽기 기술을 계속 써야 하는 연구자들에게는 아주 실용적이고 반가운 이정표가 되지 않을까 싶어요 :)

DOI: 10.1038/s41467-026-76380-z

gemini

의학, 생물학 및 유전체 데이터 분석 분야의 박사 학위와 현장 실무 경험을 바탕으로, 이번 논문(Wang et al., *Nature Communications*, 2026)의 핵심 연구 결과를 누구나 이해하기 쉽게 정리하여 드립니다.

---

# DNA 스위치(대체 스플라이싱)를 정확하게 읽어내는 최선의 방법

우리 몸의 세포는 유전자라는 '설계도'를 바탕으로 다양한 단백질을 만들어 생명을 유지합니다.

그런데 신기하게도 인간은 하나의 유전자 설계도에서 여러 종류의 단백질을 상황에 따라 조합하여 만들어낼 수 있습니다.

이를 대체 스플라이싱(Alternative Splicing)이라고 부릅니다.

유전자라는 하나의 책에서 문장을 어떻게 조합해 읽느냐에 따라 서로 다른 내용의 책(RNA isoform)이 완성되는 원리입니다.

이 과정에 에러가 생기면 암이나 뇌 질환 같은 중증 질환이 발생하기 때문에, 세포 안에서 어떤 조합의 RNA가 만들어졌는지 정확히 해독하는 일은 매우 중요합니다.

---

### 1. 연구 배경: 읽기 기술은 발전했지만, "얼마나 정확한가?"

최근 수십 년간 과학자들은 숏리드 숏-시퀀싱(srRNA-seq)이라는 기술을 통해 세포 내 RNA 조합을 읽어왔습니다.

이 기술은 RNA를 아주 짧은 조각으로 잘라 읽은 뒤, 컴퓨터로 원래의 긴 문장을 재구성하는 방식입니다.

하지만 분석 도구와 연구소마다 쓰는 방법이 너무 다르고 표준 기준표가 없어, 이 짧게 읽는 기술이 얼마나 정확한지에 대해 의견이 분분했습니다.

특히 최근에는 RNA를 잘라내지 않고 한 번에 길게 읽어내는 **롱리드 시퀀싱(lrRNA-seq)** 기술이 등장하면서, "기존의 짧게 읽는 방식으로 정밀 진단이나 연구를 계속해도 괜찮을까?"라는 의문이 커졌습니다.

---

### 2. 연구 목적: 해독 정확도의 표준 정립

본 연구의 목적은 글로벌 연구 현장에서 사용되는 다양한 실험 방법과 분석 알고리즘 조합 중 **어떤 방식이 가장 정확한 지표를 제공하는지 밝혀내는 표준 가이드라인(Best Practice)을 구축**하는 것입니다.

---

### 3. 연구 방법: 42개 연구소와 207개 분석 파이프라인의 대해부

본 연구팀은 정확한 정답지(Ground Truth)를 마련하기 위해 **쿼텟(Quartet) 및 MAQC 표준 물질**을 활용했습니다.

롱리드 시퀀싱 데이터와 추가적인 정밀 실험(RT-qPCR)을 종합하여 약 1만 개 이상의 RNA 조합과 6천 개 이상의 스플라이싱 사건에 대한 완벽한 '정답 데이터셋'을 확보했습니다.

이어 전 세계 42개 실제 연구소에서 각자의 방식으로 데이터를 생산하게 한 뒤, 207개의 컴퓨터 분석 조합(파이프라인)을 동원해 정답과 비교 분석을 진행했습니다.

```

[연구 규모 및 설계]

· 실험 참여: 전 세계 42개 연구실 (다양한 시약, 장비 사용)[cite: 1]

· 데이터 분석: 207개 분석 파이프라인 조합 비교[cite: 1]

· 데이터 규모: 15.28 TB에 달하는 대용량 시퀀싱 데이터 분석[cite: 1]

```

---

### 4. 연구 결과: 쓰레기가 들어가면 쓰레기가 나온다 (품질과 깊이의 중요성)

실험 결과, 연구소 간 분석 결과의 정확도 차이가 매우 컸습니다.

분석 결과의 품질을 결정짓는 가장 핵심적인 요소는 '데이터의 품질'과 '시퀀싱 깊이(데이터량)'였습니다.

* **실험 방법의 차이**: RNA 추출 시 Poly(A) 선택법을 사용하고 시퀀싱 깊이를 충분히 높였을 때 정밀도가 가장 높았습니다.

* **최적의 소프트웨어 조합**: RNA 조각을 유전체 위치에 맞추는 과정(Aligner)에는 **STAR**와 **HISAT2**가 우수했습니다.

각 RNA 양을 측정하는 데는 **RSEM, eXpress, Cuffdiff** 알고리즘이 뛰어난 성능을 보였습니다.

* **성능 개선 효과**: 최적의 분석 파이프라인을 적용했을 때, 성능이 가장 떨어진 파이프라인 대비 정확도가 **최대 2~3배 이상 크게 향상**되었습니다.

---

### 5. 고찰: 숏리드 기술의 한계와 주의점

이번 연구를 통해 기존 숏리드 기술의 명확한 한계점도 드러났습니다.

1. **발현량이 적은 RNA**: 양이 적거나 구조가 복잡한 RNA 조각은 짧게 읽는 기술로 정밀하게 알아내기 어렵습니다.

2. **새로운 구조 발견의 한계**: 이미 알려진 RNA 구조는 잘 찾아내지만, 기존에 알려지지 않은 완전히 새로운 스플라이싱 구조를 발견할 때는 놓치는 비율(False Negative)이 약 45%에 달했습니다.

3. **도구 간 불일치**: 스플라이싱 현상(AS Event) 자체를 분석하는 도구들(rMATS, SUPPA2, MAJIQ 등)은 서로 다른 알고리즘을 사용하여 결과의 일치도가 낮았으며, 표준화 작업이 시급한 것으로 확인되었습니다.

---

### 6. 의의와 시사점: 실무 현장을 위한 명확한 이정표

이 연구는 단순히 이론적인 평가에 그치지 않고, 연구자와 의료진이 바로 적용할 수 있는 '실험 및 데이터 분석 권장 가이드라인'을 완성했다는 점에서 큰 실무적 의의를 가집니다.

잘못된 분석 알고리즘을 사용하면 생물학적 신호가 실험 오차에 묻혀버리지만, 본 연구가 제시한 최적 알고리즘과 품질 관리(QC) 흐름도를 적용하면 기존 숏리드 데이터만으로도 최상위권의 정밀도를 확보할 수 있습니다.

---

### 💡 이 연구가 왜 중요할까요?

**1. 질병의 정확한 원인 규명과 신약 개발의 기준점 마련**

암을 비롯한 수많은 난치성 질환은 정상적인 RNA 스플라이싱 스위치가 고장 나면서 발생합니다.

잘못된 분석 기법으로 데이터를 해석하면 질병의 원인을 오판하거나 바이오마커를 놓칠 수 있습니다.

이 연구는 전 세계 연구자들이 오류 없이 질병 원인 RNA를 찾아낼 수 있는 '품질 검증 표준'을 제시했습니다.

**2. 기존 유전체 데이터 자원의 재활용성 증대**

새로운 롱리드 시퀀싱 장비는 매우 고가입니다.

본 연구는 기존의 저렴한 숏리드 시퀀싱 기술도 최적의 파이프라인만 거친다면 여전히 정밀 진단과 연구에 신뢰성 있게 활용될 수 있음을 증명하여 연구 비용과 시간을 획기적으로 줄여줍니다.

chatGPT

# RNA 분석, 어떻게 해야 더 정확할까?

### 42개 연구기관과 207개 분석 방법을 비교한 대규모 연구

우리 몸의 세포 안에서는 DNA에 저장된 정보를 이용해 RNA가 만들어지고, RNA를 바탕으로 단백질이 만들어집니다. 그런데 하나의 유전자가 항상 하나의 RNA만 만드는 것은 아닙니다. RNA가 만들어지는 과정에서 여러 가지 방식으로 잘라 붙여지면서 하나의 유전자에서 서로 다른 RNA가 만들어질 수 있는데, 이를 **‘대체 스플라이싱(Alternative Splicing)’**이라고 합니다. 쉽게 말하면 하나의 원재료를 여러 가지 방식으로 조립해 서로 다른 제품을 만드는 것과 비슷합니다. 이렇게 만들어진 RNA의 종류에 따라 세포의 기능도 달라질 수 있습니다. 특히 비정상적인 대체 스플라이싱은 암, 신경퇴행성 질환, 자가면역질환 등 여러 질병과 관련이 있기 때문에 이를 정확하게 찾아내는 것이 중요합니다.

## 연구 배경

현재 대체 스플라이싱을 연구하는 대표적인 방법 가운데 하나가 **RNA-seq**입니다. RNA-seq는 세포 안에 어떤 RNA가 얼마나 존재하는지 대규모로 확인할 수 있는 기술입니다. 그중에서도 ‘짧은 조각’을 읽는 **short-read RNA-seq(srRNA-seq)**가 널리 사용되어 왔습니다.

하지만 문제가 있었습니다. 짧은 RNA 조각들을 컴퓨터로 다시 연결해 원래의 RNA 모습을 추측해야 하기 때문에, RNA가 복잡할수록 정확도가 떨어질 수 있습니다. 특히 어떤 RNA가 실제로 존재하는지, 그리고 특정 대체 스플라이싱이 실제로 일어나는지를 정확하게 판단하는 데 연구기관이나 분석 프로그램에 따라 결과가 달라질 수 있었습니다.

기존 연구에서도 RNA-seq 분석 방법의 차이가 있다는 사실은 알려져 있었지만, 실제 사람의 복잡한 RNA를 기준으로 어느 정도 정확한지, 또 어떻게 하면 가장 정확하게 분석할 수 있는지는 충분히 밝혀지지 않았습니다. 시뮬레이션 자료나 인공적으로 만든 RNA를 이용한 연구는 실제 사람의 복잡한 RNA 환경을 완전히 반영하기 어렵다는 한계도 있었습니다.

## 연구 목적

이 연구의 핵심 질문은 간단합니다.

**“현재 사용하고 있는 short-read RNA-seq를 이용해 대체 스플라이싱을 얼마나 정확하게 분석할 수 있으며, 어떤 실험 방법과 컴퓨터 분석 방법을 사용해야 정확도를 높일 수 있을까?”**

연구진은 이 질문에 답하기 위해 특정 연구실이나 특정 분석 프로그램 하나만 비교한 것이 아니라, 실제 여러 연구기관에서 사용하는 실험과 분석 과정을 대규모로 비교했습니다.

## 연구 방법

연구에는 무려 **42개 연구기관과 207개의 분석 파이프라인**이 참여했습니다. 연구진은 Quartet과 MAQC라는 표준 RNA 시료를 사용했습니다.

특히 Quartet 자료는 여러 차례의 **long-read RNA-seq** 결과를 종합해 만든 기준 자료였습니다. long-read 방식은 RNA를 긴 상태로 읽을 수 있기 때문에 어떤 RNA가 실제로 어떻게 연결되어 있는지 파악하는 데 유리합니다. 여기에 121개의 RNA 형태와 59개의 대체 스플라이싱 사건을 **RT-qPCR**이라는 별도의 실험 방법으로 확인해 또 다른 기준으로 사용했습니다. 또한 RNA 시료를 3:1, 1:3으로 섞은 샘플을 만들어 실제 분석 결과가 예상한 비율을 얼마나 잘 찾아내는지도 확인했습니다.

각 연구기관은 서로 다른 RNA 추출·정제 방법, 라이브러리 제작 방법, 염기서열 분석 장비 등을 사용했습니다. 이후 여러 종류의 컴퓨터 프로그램을 이용해 RNA의 연결 부위를 찾고, RNA 종류의 양을 계산하며, 서로 다른 조건에서 RNA가 어떻게 달라지는지 분석했습니다.

## 연구 결과 ① 데이터의 ‘품질’이 매우 중요했다

가장 먼저 확인된 것은 **좋은 데이터를 얻는 것이 무엇보다 중요하다**는 사실이었습니다.

42개 기관 가운데 연구진이 정한 품질 기준을 모두 만족한 곳은 19개 기관이었고, 나머지 23개 기관은 낮은 품질의 데이터로 분류되었습니다. 낮은 품질의 주요 원인은 불안정한 실험 과정, 낮은 염기서열 분석 품질, 다른 시료가 섞이는 오염 등이었습니다.

또 하나 중요한 요소는 **sequencing depth**, 즉 얼마나 많은 RNA 조각을 읽었느냐였습니다. 더 많은 RNA 조각을 읽을수록 RNA의 연결 부위를 놓치는 경우가 줄어들었고, RNA 종류의 양을 계산하는 정확도도 좋아졌습니다. 실제로 연구에서는 4억 개 이상의 읽기 결과를 얻은 연구기관에서도 분석 성능이 계속 향상되는 경향이 확인되었습니다.

## 연구 결과 ② 짧은 RNA 분석은 복잡한 부분에서 약해졌다

전체적으로 이미 알려진 RNA 연결 부위를 찾는 능력은 상당히 높았습니다. 평균 F1 점수가 0.97에 이르렀습니다. 그러나 아직 알려지지 않은 새로운 연결 부위를 찾는 경우에는 평균적으로 약 **45.1%를 놓치는 것**으로 나타났습니다.

즉, 이미 알고 있는 것을 확인하는 데는 비교적 강하지만, 기존에 알려지지 않은 새로운 RNA 형태를 발견하는 일에는 short-read 방식의 한계가 있다는 뜻입니다. 특히 RNA의 양이 적거나, RNA 구조가 복잡하거나, 읽은 데이터가 충분하지 않은 경우 이런 문제가 더 커졌습니다.

## 연구 결과 ③ 어떤 컴퓨터 프로그램을 쓰느냐도 결과에 영향을 주었다

RNA-seq 분석은 데이터를 얻는 것에서 끝나지 않습니다. 컴퓨터 프로그램이 RNA 조각을 연결하고 각각의 RNA 양을 계산해야 합니다.

연구진은 여러 프로그램을 비교한 결과, RNA 형태를 조립하는 과정에서는 **StringTie**가 기준 자료와 정확하게 일치하는 RNA를 비교적 많이 찾아냈으며, 전체적으로 높은 민감도와 정확도를 보였습니다.

RNA의 양을 계산하는 단계에서는 **RSEM, eXpress, Cuffdiff** 등이 높은 정확도를 보였습니다. 반면 **featureCounts**와 같이 원래 유전자 수준의 분석에 주로 사용되는 방법은 같은 유전자에서 만들어진 서로 다른 RNA를 구분하는 데 한계가 있었습니다. 따라서 연구진은 RNA 형태 자체를 구별해야 하는 분석에서는 이런 유전자 수준의 도구를 사용하는 데 주의해야 한다고 제시했습니다.

## 연구 결과 ④ 대체 스플라이싱 분석은 더 어려웠다

특히 흥미로운 결과는 **유전자 → RNA 형태 → 대체 스플라이싱 사건**으로 분석 수준이 세밀해질수록 정확한 분석이 어려워졌다는 것입니다.

RNA 형태의 양을 분석하는 것보다 특정 스플라이싱 사건을 분석하는 것이 더 어려웠고, 연구기관마다 결과의 차이도 컸습니다. 대체 스플라이싱 사건을 정확하게 찾아내는 능력은 sequencing depth와 밀접하게 관련되어 있었으며, 데이터가 부족할수록 실제 사건을 놓칠 가능성이 커졌습니다.

또한 대체 스플라이싱을 분석하는 프로그램마다 찾아내는 사건의 종류와 개수가 상당히 달랐습니다. 연구진이 비교한 **SUPPA2, rMATS, PSI-Sigma, MAJIQ, Spladder, Whippet** 등은 서로 다른 방식으로 대체 스플라이싱을 찾아내기 때문입니다. 따라서 어떤 프로그램을 사용하느냐에 따라 같은 RNA 데이터를 분석해도 결과가 달라질 수 있다는 점이 확인되었습니다.

## 고찰

이 연구가 보여주는 가장 중요한 내용은 **“RNA-seq는 좋은 기술이지만, 데이터를 얻고 분석하는 모든 과정이 정확해야 좋은 결과가 나온다”**는 것입니다.

연구진은 실험 과정에서 **Poly(A) 선택 방법과 충분한 sequencing depth**가 높은 정확도와 관련되어 있다고 제시했습니다. 컴퓨터 분석에서는 RNA 연결 부위를 찾는 단계에서 **STAR 또는 HISAT2**, RNA 형태의 양을 계산하는 단계에서는 **RSEM, eXpress, Cuffdiff**, RNA 형태가 조건에 따라 달라지는지를 분석하는 단계에서는 **edgeR, DESeq2, limma, Cuffdiff** 등이 좋은 성능을 보였습니다. 대체 스플라이싱 사건 분석에서는 **SUPPA2와 여러 RNA 정량 도구의 조합**이 좋은 결과를 보였습니다.

하지만 이것을 단순히 “어떤 프로그램이 무조건 최고다”라고 이해해서는 안 됩니다. 연구진도 분석 도구와 설정에 따라 결과가 달라질 수 있으며, 이번 연구에서 평가한 도구와 조건의 범위 안에서 이러한 결과를 해석해야 한다고 설명합니다. 또한 실제 RNA가 얼마나 많이 존재하는지, RNA 구조가 얼마나 복잡한지 같은 생물학적인 특성도 정확도에 큰 영향을 미쳤습니다.

## 의의와 시사점

이번 연구의 가장 큰 의미는 특정 프로그램 하나의 성능을 비교한 것이 아니라 **42개 연구기관에서 실제로 얻은 데이터를 대상으로 실험부터 컴퓨터 분석까지 전체 과정을 함께 비교했다는 점**입니다.

연구 결과를 일반적인 연구 현장에 적용한다면 다음과 같이 정리할 수 있습니다.

첫째, RNA-seq를 할 때는 단순히 데이터를 많이 얻는 것보다 **데이터 품질을 먼저 관리해야 합니다.**

둘째, 대체 스플라이싱을 정확하게 분석하려면 **충분한 sequencing depth를 확보하는 것이 중요합니다.**

셋째, 연구 목적에 맞는 분석 프로그램을 선택해야 합니다. 유전자 수준에서 분석하기 좋은 프로그램이 RNA 형태나 대체 스플라이싱을 분석하는 데 반드시 적합한 것은 아닙니다.

넷째, 하나의 프로그램에서 나온 결과만 보고 중요한 생물학적 결론을 내리기보다는 **분석 방법의 특성과 한계를 함께 고려할 필요가 있습니다.**

연구진은 이러한 내용을 바탕으로 RNA-seq 데이터의 품질을 평가하고, 기준 자료와 비교해 성능을 점수화하며, 적절한 분석 파이프라인을 선택할 수 있도록 하는 **ASBench라는 품질관리·분석 도구**도 개발했습니다.

## 이 연구가 왜 중요한가?

대체 스플라이싱은 우리 몸의 세포가 같은 유전자를 가지고도 다양한 RNA와 단백질을 만들어낼 수 있게 하는 중요한 과정입니다. 따라서 암이나 신경계 질환과 같은 질병에서 RNA가 어떻게 달라지는지를 이해하려면 대체 스플라이싱을 정확하게 측정해야 합니다.

그런데 이번 연구는 단순히 “RNA-seq가 좋은 기술이다”라는 데서 끝나지 않습니다. **같은 RNA를 분석하더라도 실험의 품질, 읽은 데이터의 양, 사용하는 컴퓨터 프로그램에 따라 결과가 상당히 달라질 수 있다는 현실을 대규모 실험으로 보여주었습니다.**

특히 이미 알려진 RNA를 확인하는 것과 새로운 RNA 또는 새로운 대체 스플라이싱을 발견하는 것은 난이도가 다르다는 점도 중요합니다. 따라서 RNA-seq 결과를 질병 연구나 바이오마커 개발 등에 활용할 때는 **“분석 결과가 나왔다”는 사실보다 “그 결과가 얼마나 정확한가”를 먼저 확인해야 합니다.**

결국 이 연구가 우리에게 주는 메시지는 명확합니다.

**좋은 RNA 연구는 좋은 데이터에서 시작하고, 연구 목적에 맞는 분석 방법을 선택하며, 결과의 정확도를 검증하는 과정에서 완성됩니다.**

이번 연구는 이러한 기본 원칙을 42개 연구기관과 207개 분석 파이프라인이라는 대규모 자료를 통해 확인했다는 점에서, 앞으로 RNA-seq를 이용해 질병과 생명현상을 연구하는 연구자들에게 실질적인 길잡이가 될 수 있다는 의미가 있습니다.

grok

RNA 서열 분석으로 유전자 조각 맞추기, 얼마나 정확할까?

우리 몸속 유전자는 하나의 유전자에서 여러 가지 단백질을 만들어내곤 합니다. 이 과정을 ‘대체 스플라이싱’이라고 불러요. 유전자의 조각들을 다르게 조합해서 다양한 단백질을 만드는 거죠. 이 과정이 제대로 안 되면 암이나 신경 질환 같은 병이 생길 수 있어서, 정확히 파악하는 게 중요합니다.

최근에 많이 쓰는 방법이 짧은 읽기 RNA 서열분석(srRNA-seq)이에요. 하지만 짧은 조각만 읽다 보니 긴 유전자를 제대로 맞추기 어렵고, 분석 방법도 너무 많아서 얼마나 정확한지 잘 몰랐습니다. 긴 읽기 방법이 더 정확하다는 이야기도 나오면서 “짧은 읽기는 아직도 믿을 만한가?”라는 질문이 커졌죠.

이 연구는 그 질문에 답하려고 했습니다. 중국의 쿼텟(Quartet) 참고 물질과 미국 MAQC 참고 물질을 써서 42개 실험실에서 나온 데이터와 207가지 분석 파이프라인을 한꺼번에 비교한 대규모 평가예요. 긴 읽기 데이터로 만든 정답지, RT-qPCR로 확인한 값, 그리고 일부러 섞어 만든 비율을 기준으로 정확도를 측정했습니다.

먼저 실험 품질을 확인했습니다. 신호 대 잡음 비율이 낮은 실험실은 결과가 들쭉날쭉했어요. 품질이 좋은 19개 실험실만 골라서 자세히 봤더니, 시퀀싱 깊이가 깊을수록 스플라이스 접합 부분도 잘 찾고, 유전자 조각(아이소폼)과 스플라이싱 사건도 더 정확하게 측정할 수 있었습니다. 특히 폴리A 선택 방법으로 RNA를 준비하면 더 좋은 결과가 나왔고, 깊이가 400만 개 이상인 경우에도 계속 정확도가 올라갔습니다.

분석 도구도 중요했습니다. 정렬 도구는 STAR나 HISAT2가 잘 작동했고, 아이소폼 양을 재는 데는 RSEM, eXpress, Cuffdiff가 상대적으로 정확했습니다. 차이가 나는 아이소폼을 찾을 때는 edgeR, DESeq2, limma가 무난했습니다. 스플라이싱 사건 분석에서는 SUPPA2를 좋은 아이소폼 측정 도구와 함께 쓸 때 결과가 나아졌어요. rMATS와 SUPPA2가 전체적으로 균형이 잡힌 성능을 보였습니다.

하지만 한계도 분명했습니다. 발현량이 낮거나, 유전자 구조가 복잡하거나, 주변 스플라이싱 사건이 많은 경우에는 정확도가 떨어졌습니다. 짧은 읽기만으로는 새로운 접합 부위를 많이 놓치기도 했고요. 최적 파이프라인은 아이소폼 수준에서 상관계수 0.79, 사건 수준에서 0.41 정도까지 올라갔지만, 가장 나쁜 파이프라인과는 꽤 큰 차이가 났습니다.

연구팀은 이런 결과를 바탕으로 실험 설계와 분석 도구 선택에 대한 구체적인 권장사항을 정리했고, 품질을 바로 확인할 수 있는 ASBench라는 한 번에 처리하는 파이프라인도 만들었습니다.

이 연구가 중요한 이유는 간단합니다. 지금까지는 “어떤 방법이 더 좋다”는 이야기가 많았지만, 실제 여러 실험실 데이터와 믿을 만한 정답지를 놓고 비교한 경우가 드물었거든요. 이제는 짧은 읽기 RNA 서열분석을 쓸 때 어떤 조건을 지키면 더 믿을 만한 대체 스플라이싱 결과를 얻을 수 있는지 명확한 기준이 생겼습니다. 질병 연구나 진단에 이 기술을 적용할 때 실수를 줄이고, 더 정확한 정보를 얻을 수 있게 된 것이죠.

NotebookLM

안녕하세요! 유전체 분석과 RNA 생물학 분야에서 오랫동안 연구를 이어오며 실제 현장에서 수많은 시퀀싱 데이터를 다뤄온 전문가입니다. 오늘은 2026년 세계적인 국제 학술지 **'네이처 커뮤니케이션즈(Nature Communications)'**에 발표된 유전체 분석 분야의 매우 중요한 연구를 소개해 드리려고 합니다. 어려운 생명과학 용어를 중학생도 쉽게 이해할 수 있는 비유를 들어 친절하게 설명해 드릴 테니 편하게 읽어보세요!

**[블로그 포스팅] 복잡한 유전자 스위치 '대안적 스플라이싱', 가장 정확하게 읽어내는 '최고의 조합'을 찾았습니다!**

우리의 몸속 유전자는 단지 하나의 단백질만 만드는 단조로운 설계도가 아닙니다. 하나의 유전자라는 '원본 영화'에서 필요한 장면만 골라 편집하듯, 다양한 형태의 '편집본 mRNA(이소폼, Isoform)'를 만들어내죠. 이를 생물학에서는 **'대안적 스플라이싱(Alternative Splicing, AS)'**이라고 부릅니다. 이 스플라이싱 과정에 문제가 생기면 암, 신경퇴행성 질환, 자가면역 질환 같은 무서운 병이 발생합니다. 하지만 과학자들이 이 복잡한 편집본들을 정확하게 읽어내는 일은 마치 42개의 서로 다른 정비소에서 각자 다른 연장으로 자동차를 조립하는 것처럼 결과가 천차만별이었습니다.

**1. 연구 배경: "같은 유전자 데이터를 분석했는데 왜 연구실마다 결과가 다를까?"**

그동안 과학자들은 짧은 유전자 조각을 대량으로 읽어내는 '숏리드 RNA 시퀀싱(srRNA-seq)' 기술을 사용해 스플라이싱을 분석해 왔습니다. 문제는 실험실마다 샘플을 만드는 방식(실험 프로토콜)도 다르고, 컴퓨터로 데이터를 분석하는 소프트웨어 프로그램(바이오인포매틱스 파이프라인)도 수백 가지나 된다는 점이었습니다. 어떤 분석 도구가 진짜 올바른 정답을 내놓는지 비교할 수 있는 '표준 정답지'가 없었기 때문에, 분석 결과의 신뢰성에 큰 의문이 제기되어 왔습니다.

**2. 연구 목적: 42개 연구실과 207개 분석 도구의 대대적인 '성능 검사'**

이번 연구의 목적은 아주 명확합니다. 전 세계 실제 연구 현장에서 쓰이는 다양한 시퀀싱 방법과 207가지에 달하는 분석 소프트웨어 조합을 한자리에 모아 대규모 성능 비교(벤치마킹)를 수행하는 것이었습니다. 이를 통해 연구자들이 어떤 실험 기법과 어떤 소프트웨어를 조합해 써야 오차 없이 가장 정확한 유전자 스플라이싱 지도를 그릴 수 있는지 '최선의 가이드라인(Best Practices)'을 제시하고자 했습니다.

**3. 연구 방법: '표준 시약(Quartet)'과 3가지 정답지의 동원**

연구진은 전 세계 42개 연구실에서 제공한 데이터와 207개 분석 파이프라인을 검증하기 위해, 잘 검증된 표준 RNA 시약인 'Quartet'과 'MAQC' 샘플을 사용했습니다. 그리고 분석 결과의 정확도를 확인하기 위해 세 가지 정답지를 준비했습니다. 첫째, 긴 유전자를 통째로 읽어내는 최첨단 '롱리드 시퀀싱(lrRNA-seq)' 기반의 Quartet 참조 데이터셋(10,218개 이소폼, 6,032개 스플라이싱 사건 포함), 둘째, 정밀 분자 실험(RT-qPCR)으로 직접 검증한 데이터셋, 셋째, 샘플을 정확한 비율로 섞어 만든 내장형 정답지입니다.

**4. 주요 연구 결과: 유전자 지도를 완벽하게 그리는 '최강의 파이썬·컴퓨터 조합'**

연구 결과, 어떤 조건에서 유전자 분석이 가장 정확한지 명확한 답이 나왔습니다.

첫째, **실험실 추출법**: RNA를 추출할 때 'Poly(A) 선별법'을 사용하고, 시퀀싱 읽기 깊이(데이터 양)를 높일수록 분석 정확도가 비약적으로 상승했습니다.

둘째, **컴퓨터 분석 소프트웨어**: 유전자 조각을 위치에 맞게 정렬할 때는 **'STAR'**나 **'HISAT2'** 프로그램이 가장 우수했습니다. 이소폼의 양을 측정할 때는 **'RSEM'**, **'eXpress'**, **'Cuffdiff'**가 상위권을 차지했습니다.

셋째, **스플라이싱 변화 분석**: 스플라이싱 사건을 정밀 분석할 때는 **'rMATS'**와 **'SUPPA2'** 프로그램이 가장 안정적이고 균형 잡힌 성적을 보였습니다. 반면, 단순히 유전자 단위로 양을 세는 'featureCounts' 같은 도구를 이소폼이나 스플라이싱 분석에 잘못 가져다 쓸 경우 결과가 엉망이 된다는 사실도 밝혀졌습니다. 최적의 조합을 사용했을 때 엉망인 파이프라인 대비 정확도가 최대 0.67(상관계수 기준)이나 대폭 향상되었습니다.

**5. 고찰: 데이터 품질과 유전자 자체의 복잡성이 만든 한계**

실험실 42곳 중 23곳은 데이터 내 잡음(Signal-to-Noise Ratio)이 심하거나 오염이 발생해 '저품질' 판정을 받았습니다. 이는 아무리 뛰어난 소프트웨어를 써도 초기 실험 데이터의 품질이 나쁘면 정확한 결과를 얻을 수 없음을 보여줍니다. 또한, 길이가 짧거나 expression(발현량)이 낮은 유전자, 혹은 구조가 너무 복잡한 유전자일수록 짧은 읽기 방식(srRNA-seq)만으로는 숨겨진 새로운 스플라이싱(Novel junction)을 찾아내는 데 약 45.1%의 높은 놓침 비율(미발견율)을 보이는 한계도 명확히 확인되었습니다.

**6. 의의와 시사점: 누구나 클릭 한 번으로 검사하는 'ASBench' 도구의 개발**

연구팀은 이번 벤치마킹 결과를 바탕으로 전 세계 연구자들이 자신의 RNA 시퀀싱 데이터 품질을 스스로 검사하고, 가장 적합한 분석 소프트웨어를 추천받을 수 있는 원스톱 품질 관리 프로그램인 **'ASBench'**를 제작하여 무상으로 공개했습니다. 이로써 전 세계 연구소나 병원에서 표준화된 고품질 유전자 분석을 손쉽게 수행할 수 있는 길이 열렸습니다.

**💡 이 연구가 왜 중요한가요?**

이 연구가 중요한 진짜 이유는 **"질병의 원인이 되는 유전자 오작동을 오류 없이 찾아내는 '국제 표준 기준尺'을 만들었기 때문"**입니다. 암 환자의 암세포에서 어떤 변종 mRNA 스플라이싱이 일어나고 있는지 잘못 분석한다면 엉뚱한 치료제를 처방하는 비극이 생길 수 있습니다. 연구진이 밝혀낸 최고의 실험 및 데이터 분석 가이드라인은 잘못된 소프트웨어 사용으로 인한 연구 오류와 낭비를 막아주고, 정밀 의료와 신약 개발 현장에서 환자의 유전자 진단 정확도를 극대화하는 데 결정적인 기여를 할 것입니다.

오늘 포스팅한 최신 유전자 분석 연구 가이드라인에 대해 궁금한 점이 있으시다면 언제든 댓글로 남겨주세요!

Perplexity.ai

# RNA 분석, 많이 읽는 것보다 제대로 읽는 것이 중요하다

우리 몸의 유전자는 단순히 한 가지 방식으로만 사용되지 않는다. 하나의 유전자에서 여러 종류의 RNA와 단백질이 만들어질 수 있는데, 이 과정을 **대체 스플라이싱(alternative splicing)**이라고 한다. 같은 유전자라도 RNA를 이어 붙이는 방식에 따라 서로 다른 기능을 가진 단백질이 만들어지는 것이다. 이 과정에 문제가 생기면 암, 신경퇴행성 질환, 자가면역질환 등과 관련될 수 있어 정확한 분석이 중요하다.

이번 연구는 RNA-seq라는 유전자 분석 방법이 대체 스플라이싱을 얼마나 정확하게 찾아내는지, 그리고 어떤 실험 방법과 분석 프로그램을 사용해야 더 좋은 결과를 얻을 수 있는지를 체계적으로 확인한 연구다. 특히 42개 연구기관과 207개의 분석 파이프라인을 비교했다는 점에서, 실제 연구실에서 RNA 분석이 얼마나 다르게 수행되는지를 보여주는 대규모 평가라고 할 수 있다. 

## 연구 배경과 목적

RNA-seq는 세포 안에 어떤 RNA가 얼마나 있는지 확인하는 데 널리 사용된다. 하지만 일반적으로 사용하는 짧은 조각을 읽는 방식의 RNA-seq(short-read RNA-seq)는 RNA 전체를 한 번에 읽지 못한다. 따라서 여러 RNA 조각이 실제로 어떤 조합으로 연결되어 있었는지 추정해야 한다.

이 과정에서 두 가지 문제가 생긴다. 첫째, 실제로 존재하는 RNA 연결 부위를 놓칠 수 있다. 둘째, 같은 유전자에서 만들어진 여러 RNA 형태를 정확히 구분하지 못할 수 있다. 특히 서로 비슷한 RNA가 많거나, RNA 양이 적거나, 구조가 복잡할수록 오류가 커질 가능성이 있다.

기존 연구는 주로 분석 프로그램끼리 결과가 얼마나 비슷한지를 비교했다. 그러나 결과가 서로 비슷하다고 해서 반드시 정답에 가까운 것은 아니다. 이에 연구진은 실제 정답에 해당하는 기준 자료를 마련하고, 여러 기관의 실험 결과와 분석 방법을 직접 비교했다.

## 연구 방법

연구에는 두 종류의 표준 RNA 자료가 사용됐다. 하나는 가족 구성원에서 얻은 Quartet 표준 자료이고, 다른 하나는 암세포와 뇌 조직에서 얻은 MAQC 자료였다. 또한 RNA를 일정한 비율로 섞은 샘플도 만들어 분석 결과가 실제 혼합 비율을 제대로 반영하는지 확인했다.

연구진은 긴 RNA를 비교적 온전한 형태로 읽을 수 있는 long-read RNA-seq 결과를 이용해 기준 자료를 만들었다. 이 기준 자료에는 약 1만 개의 RNA 형태와 6천 개에 가까운 대체 스플라이싱 사건이 포함됐다. 이 중 일부는 RT-qPCR이라는 별도의 실험으로 다시 확인해 기준 자료의 신뢰성을 높였다. 121개의 RNA 형태와 59개의 스플라이싱 사건을 RT-qPCR로 검증한 결과, 기준 자료와 높은 일치도를 보였다.

이후 42개 기관이 각자의 방식으로 RNA를 분석했다. 실험 과정에서는 RNA 추출과 정제 방식, RNA를 읽는 장비, 라이브러리 제작 방법, 읽은 데이터의 양 등을 비교했다. 분석 과정에서는 STAR와 HISAT2 같은 정렬 프로그램, StringTie와 Scallop2 같은 RNA 조립 프로그램, RSEM·eXpress·Salmon·Kallisto 등의 RNA 양 측정 프로그램, 그리고 SUPPA2·rMATS·MAJIQ 등 대체 스플라이싱 분석 프로그램을 비교했다.

## 주요 결과

가장 먼저 확인된 사실은 실험 데이터의 품질이 결과의 정확도를 크게 좌우한다는 점이다. 42개 기관 가운데 19곳의 데이터는 품질 기준을 충족했지만, 23곳은 낮은 품질로 분류됐다. 낮은 품질의 주요 원인은 불안정한 실험 과정, 낮은 염기서열 판독 품질, 다른 샘플의 오염 등이었다.

일반적으로 이미 알려진 RNA 연결 부위는 비교적 잘 찾았다. 분석 결과, 알려진 연결 부위의 정확도를 나타내는 F1 점수는 평균 0.97로 높았다. 그러나 새롭게 발견해야 하는 연결 부위는 평균적으로 약 45%를 놓쳤다. 즉, 기존에 알려진 RNA를 확인하는 데는 강하지만, 지금까지 알려지지 않은 복잡한 RNA 구조를 새로 찾는 데에는 한계가 있었다.

RNA 형태별 양을 측정하는 분석에서는 기관 간 차이가 매우 컸다. 품질이 좋은 기관의 경우 기준 자료와의 상관관계가 높았으며, 가장 우수한 분석 파이프라인은 RNA 형태의 양을 비교하는 데서 평균 상관계수 0.79를 기록했다. 반면 성능이 낮은 파이프라인과 비교하면 상관계수가 0.21~0.45 정도 향상됐다.

서로 다른 조건에서 RNA 형태가 증가하거나 감소했는지를 찾는 분석에서도 프로그램 선택이 큰 영향을 미쳤다. 가장 좋은 파이프라인은 Matthews 상관계수라는 평가 지표에서 0.68 수준에 도달했지만, 가장 낮은 파이프라인과는 0.51~0.67 정도의 차이가 났다. 같은 RNA 데이터라도 어떤 프로그램을 사용하느냐에 따라 발견되는 결과가 크게 달라질 수 있다는 뜻이다.

대체 스플라이싱 사건 자체를 분석하는 것은 더 어려웠다. RNA 형태 전체를 비교하는 분석보다 특정 엑손이 포함되거나 빠지는 현상을 측정하는 분석에서 정확도가 낮고 기관 간 차이도 컸다. 가장 좋은 파이프라인의 사건 수준 정량화 상관계수는 약 0.41이었다. 대체 스플라이싱 사건이 실제로 달라졌는지를 찾는 분석의 MCC는 약 0.41에 그쳤다.

분석 프로그램 사이의 결과도 많이 달랐다. SUPPA2, rMATS, PSI-Sigma, MAJIQ, Spladder, Whippet 등 6개 프로그램을 비교했을 때, 여러 프로그램이 공통으로 발견한 사건은 많지 않았다. 어떤 프로그램은 대체 스플라이싱의 양을 비교하는 데 강했지만 변화가 발생한 사건을 찾는 데는 약했고, 다른 프로그램은 반대의 특성을 보였다. 연구진은 이러한 차이가 프로그램마다 대체 스플라이싱 사건을 정의하는 방식과 계산 방법이 다르기 때문이라고 설명했다.

## 무엇이 정확도를 높였나

실험 단계에서는 Poly(A) 선택 방식과 충분한 염기서열 판독량이 좋은 결과와 관련이 있었다. Poly(A) 선택은 성숙한 RNA를 비교적 효과적으로 모으는 방법이다. 다만 RNA의 상태가 나쁘거나 분석 목적이 다르면 다른 방법이 필요할 수 있으므로, 모든 상황에서 하나의 방법만 정답이라고 보기는 어렵다.

염기서열을 많이 읽는 것도 중요했다. 데이터가 많을수록 RNA 연결 부위를 놓치는 비율이 줄고, RNA 양과 대체 스플라이싱 변화도 더 정확하게 측정됐다. 특히 RNA 양이 적거나 구조가 복잡한 경우에는 충분한 데이터가 더욱 중요했다.

분석 프로그램으로는 RNA 조각을 유전체에 맞추는 단계에서 STAR와 HISAT2가 좋은 성능을 보였다. RNA 형태의 양을 계산할 때는 RSEM, eXpress, Cuffdiff가 상대적으로 우수했다. RNA 형태의 변화 여부를 분석할 때는 edgeR, DESeq2, limma, Cuffdiff 등이 좋은 결과를 보였다.

반면 featureCounts처럼 원래 유전자 수준의 양을 계산하도록 만들어진 프로그램은 하나의 유전자 안에 있는 여러 RNA 형태를 구분하는 데 적합하지 않았다. 같은 유전자에 속한 RNA들은 엑손 일부를 공유하기 때문에, 유전자 전체의 양은 계산할 수 있어도 각각의 RNA 형태를 정확히 나누기 어렵다.

대체 스플라이싱 사건 분석에서는 SUPPA2와 rMATS가 정량화와 변화 탐지에서 비교적 균형 잡힌 성능을 보였다. PSI-Sigma와 MAJIQ는 사건의 양을 측정하는 데는 좋은 편이었지만, 실제로 변화한 사건을 찾는 능력은 상대적으로 낮았다. 따라서 특정 프로그램 하나만 믿기보다는 연구 목적에 맞는 프로그램을 선택하고, 가능하면 여러 방법의 결과를 함께 확인할 필요가 있다.

## 고찰과 한계

이번 연구는 short-read RNA-seq가 쓸모없는 방법이라는 뜻이 아니다. 오히려 충분한 데이터와 적절한 분석 방법을 사용하면 이미 알려진 RNA 형태를 비교적 정확하게 측정할 수 있고, 비용과 처리 속도 측면에서도 실용성이 있다. 다만 모든 결과가 똑같이 믿을 만한 것은 아니며, 특히 새 RNA 형태의 발견과 복잡한 대체 스플라이싱 사건의 분석에는 주의해야 한다.

정확도는 RNA의 특성에도 영향을 받았다. RNA 양이 적거나, 하나의 유전자에서 만들어지는 RNA 형태가 많거나, 엑손 구조가 복잡하거나, 엑손과 RNA가 짧으면 오류가 증가했다. 대체 스플라이싱 사건이 여러 개 가까이 붙어 있는 경우, GC 함량이 높거나 RNA가 잘 읽히지 않는 영역에 있는 경우에도 분석이 어려웠다.

연구에는 한계도 있다. 주로 특정 기준 유전자 주석에 맞춰 분석했기 때문에, 실제 환자 조직에서 유전자 주석이 불완전하거나 서로 다른 경우의 영향까지 모두 설명하지는 못한다. 또 현재 널리 사용되는 프로그램을 중심으로 평가했기 때문에, 존재하는 모든 분석 도구와 설정을 비교한 것은 아니다.

## 연구의 의의와 시사점

이 연구의 가장 큰 의미는 RNA 분석에서 “데이터를 얻었다”는 사실만으로 결과를 신뢰해서는 안 된다는 점을 분명히 보여준 데 있다. 실험 품질, 데이터 양, 분석 프로그램, RNA 자체의 구조가 모두 결과에 영향을 준다. 연구진은 이런 점을 반영해 데이터 품질을 확인하고, 기준 자료와 비교해 성능을 평가하며, 적절한 분석 파이프라인을 선택할 수 있는 ASBench라는 품질관리 체계도 제시했다.

실무적으로는 다음과 같은 원칙이 중요하다. 먼저 RNA 품질과 염기서열 데이터의 양을 확인해야 한다. 다음으로 유전자 수준 분석용 프로그램을 RNA 형태나 대체 스플라이싱 분석에 그대로 사용하지 않아야 한다. 마지막으로 중요한 질병 관련 결과라면 한 가지 프로그램의 결과만으로 결론을 내리지 말고, 다른 분석법이나 RT-qPCR 같은 별도 실험으로 확인하는 것이 바람직하다.

이 연구가 중요한 이유는 대체 스플라이싱 분석 결과가 암이나 신경질환의 원인을 밝히고, 새로운 바이오마커와 치료 표적을 찾는 데 활용될 수 있기 때문이다. 그러나 분석 과정에서 생긴 오류를 실제 생물학적 차이로 착각하면 잘못된 연구 결론이나 임상 판단으로 이어질 수 있다. 이번 연구는 어떤 RNA 분석 결과를 더 믿을 수 있는지 판단할 수 있는 현실적인 기준을 제공했다는 점에서, 생명과학 연구뿐 아니라 향후 정밀의료와 질병 진단 분야에도 중요한 출발점이 된다. 

Kimi

# 짧은 RNA 조각으로 유전자의 '가위질'을 얼마나 정확하게 볼 수 있을까?

## — 42개 연구실, 207개 분석 파이프라인이 함께 찾아낸 RNA 분석의 정답

### 연구 배경: 하나의 유전자, 여러 개의 설계도

우리 몸의 세포에는 약 2만 개의 유전자가 들어 있습니다. 흥미롭게도 유전자의 개수보다 단백질의 종류가 훨씬 많은데, 그 비밀이 바로 '선택적 스플라이싱(alternative splicing)'입니다. 유전자는 마치 건물의 설계도처럼 필요한 부분(엑손)만 잘라 모아서 메신저 RNA(mRNA)를 만드는데, 같은 설계도에서 부분을 다르게 조합하면 서로 다른 mRNA, 즉 서로 다른 단백질이 만들어집니다. 마치 같은 재료로 아파트도 짓고 학교도 짓는 것과 같습니다.

이 과정이 잘못되면 암, 신경퇴행성 질환, 자가면역질환 등 다양한 질병과 연결됩니다. 그래서 의학 연구에서는 RNA를 분석하는 'RNA 시퀀싱(RNA-seq)' 기술로 어떤 유전자 변형(아이소폼)이 얼마나 만들어졌는지, 스플라이싱이 어떻게 일어났는지를 꼼꼼히 살펴보려 합니다.

문제는 대부분의 RNA-seq이 '짧은 조각(Short-read)'만 읽는다는 점입니다. 책 한 권을 단어 몇 개짜리 조각 수만 개로 찢어 놓은 것을 다시 맞춰야 하는데, 유전자가 복잡하게 겹쳐 있는 부분에서는 어떤 설계도였는지 헷갈리기 쉽습니다. 최근에는 긴 조각을 읽는 'Long-read 시퀀싱'이 등장하면서 더 정확하다는 것이 알려졌고, 이제 사람들은 의문을 품기 시작했습니다. "그럼 짧은 조각 방식은 정말 믿을 수 없는 걸까? 지금 가진 방법으로 최선을 다하면 어느 정도까지 정확해질 수 있을까?"

### 연구 목적: 정답지를 들고 시험 점수를 매기다

이 논문의 저자들은 이 질문에 답하기 위해 아주 큰 규모의 '시험'을 치렀습니다. 핵심 아이디어는 정답지(ground truth)를 미리 준비해 두고, 각 연구실이 내놓은 결과가 정답과 얼마나 가까운지 채점한다는 것입니다.

정답지는 세 가지였습니다. 첫째, 'Quartet'이라는 표준 RNA 시료를 여러 종류의 긴 조각 시퀀싱으로 반복해서 분석해 만든 고품질 기준 데이터입니다. 둘째, RT-qPCR이라는 정통 검사법으로 직접 확인한 121개의 아이소폼과 59개의 스플라이싱 이벤트입니다. 셋째, 두 시료를 3:1, 1:3 비율로 섞은 'T1, T2' 시료를 활용한 것인데, 섞은 비율이 정해져 있으므로 이론상 나와야 할 값을 계산해 검증에 사용할 수 있습니다. 게다가 암세포와 뇌조직에서 만든 'MAQC' 표준 시료도 함께 사용해, 결론이 특정 시료에만 해당되는 것이 아닌지 일반성도 검증했습니다.

### 연구 방법: 42개 연구실, 207개 분석 도구의 경연 대회

동일한 표준 시료를 42개 연구실에 보냈습니다. 각 연구실은 자신들이 실제로 쓰는 방식대로 시료를 처리했기 때문에 Poly(A) 선택 방식과 rRNA 제거 방식, 8종의 라이브러리 제작 키트, 여러 시퀀싱 기기와 읽기 길이 등 실제 현장의 다양한 조건이 그대로 반영되었습니다.

생성된 데이터는 다시 STAR, HISAT2 등 4종의 정렬 도구, StringTie, Scallop2 등 2종의 조립 도구, RSEM, Salmon, Kallisto 등 8종의 정량화 도구, edgeR, DESeq2 등 7종의 차등발현 분석 도구, 그리고 SUPPA2, rMATS, MAJIQ 등 6종의 스플라이싱 이벤트 분석 도구를 조합한 총 207개의 분석 파이프라인으로 처리되었습니다. 마치 같은 요리 재료를 수십 명의 요리사가 서로 다른 조리법으로 요리한 뒤, 미각 평가단이 전부 맛을 보는 것과 같은 방식입니다.

### 연구 결과: 정답에 가까워지기 위한 조건들이 밝혀졌다

가장 먼저 나타난 것은 '데이터 품질'의 위력이었습니다. 42개 연구실 중 19곳만이 품질 기준을 통과했고, 품질이 좋은 데이터에서는 시료 종류에 따라 데이터가 모일 정도로 결과가 안정적이었습니다. 반대로 저품질 데이터는 생물학적 차이를 가리는 잡음이었습니다. 특히 스플라이싱 이벤트 수준에서는 유전자 수준보다 정확도가 떨어져서, 조각 하나하나의 정량이 훨씬 어려운 작업임이 확인되었습니다.

스플라이스 정합부위(접합부) 탐지에서는 이미 알려진 부위는 평균 F1 점수 0.97로 매우 정확했지만, 새로운(미주석) 접합부는 오답률, 즉 놓치는 비율이 평균 45%에 달했습니다. 짧은 조각 방식이 '기존 지도에 있는 길'은 잘 찾지만 '새로 생긴 길'은 잘 못 찾는다는 것을 수치로 보여준 것입니다.

아이소폼 정량에서는 최적의 파이프라인이 기준 데이터와 평균 0.79의 상관계수를 보였고, 차등발현 분석에서는 0.68의 MCC를 기록했습니다. 가장 성능이 나쁜 파이프라인과 비교하면 정량 정확도에서 0.21~0.45, 차등분석에서 0.51~0.67이나 벌어지는 것으로 나타났습니다. 즉, 도구를 잘못 고르면 아무리 좋은 데이터를 만들어도 결과가 크게 달라진다는 뜻입니다.

무엇이 좋은 결과를 만드는지 분석해 보니 몇 가지 명확한 법칙이 나왔습니다. 실험 측면에서는 Poly(A) 선택 방식이 정확도가 높았고, 시퀀싱 깊이(읽기 수)가 많을수록 정확도가 지속적으로 좋아졌습니다. 4억 개 이상의 읽기를 생성한 연구실에서도 여전히 개선되고 있었습니다. 분석 측면에서는 정렬 도구로 STAR나 HISAT2가, 아이소폼 정량으로는 RSEM, eXpress, Cuffdiff가 좋은 성능을 보였습니다. 재미있는 발견은, 실제 현장에서 종종 아이소폼 분석에 사용되는 featureCounts라는 '유전자 수준' 도구가 있었는데, 같은 유전자 안의 비슷한 아이소폼들을 구분하지 못하는 것으로 나타났습니다. 유전자 수준 도구를 아이소폼 분석에 쓰는 것은 지방 말고 가스를 넣어야 할 차에 휘발유를 넣는 것과 같다는 경고로 볼 수 있습니다.

이벤트 수준 분석에서는 도구 간 편차가 매우 컸습니다. 여섯 개 도구가 찾아낸 스플라이싱 이벤트의 겹침이 작았고, 특히 SUPPA2와 rMATS가 정량과 차등분석 모두에서 균형 잡힌 성능을 보였습니다. 반면 MAJIQ, PSI-Sigma, Spladder는 정량은 비교적 정확했지만 차등 스플라이싱을 찾아내는 감도(민감도)는 낮았습니다. 이벤트 수준의 최고 성능은 PCC 0.41, MCC 0.41 정도였는데, 이는 유전자 수준이나 아이소폼 수준보다 낮아 이벤트 분석이 가장 어려운 영역임을 보여줍니다.

또한 분석이 어려운 유전자의 특징도 밝혀졌습니다. 발현량이 적거나, 한 유전자 안에 아이소폼이 너무 많거나, 엑손이 짧거나, GC 함량이 높은 경우 정확도가 떨어졌습니다. 이는 기술의 한계일 뿐만 아니라 해석 시 유의해야 할 지점을 알려주는 정보입니다.

### 고찰과 의의: 이 연구가 왜 중요한가

이 연구의 가장 큰 가치는 '추측이 아닌 검증'에 있습니다. 지금까지 이런 평가는 대부분 컴퓨터로 만든 가상 데이터나 인공적인 RNA에 의존했는데, 가상 데이터는 실제 인간 세포의 복잡함을 담지 못해 성능을 과대평가하기 쉽습니다. 이 논문은 실제 세포에서 나온 표준 시료와 긴 조각 시퀀싱, RT-qPCR이라는 세 가지 독립적인 정답지를 동시에 사용해 훨씬 엄밀하게 채점했고, MAQC 시료에서도 비슷한 경향이 나타나 결론의 일반성을 확보했습니다.

둘째, 실무자들에게 바로 쓸 수 있는 지침을 남겼습니다. 저자들은 연구 결과를 바탕으로 'ASBench'라는 원스톱 품질관리 파이프라인을 만들어 공개했습니다. 데이터의 품질이 충분한지, 어떤 분석 도구 조합이 좋은지 자동으로 평가해 주는 도구로, 특히 임상 현장에서 RNA 분석을 적용하려 할 때 매우 유용합니다.

셋째, 짧은 조각 시퀀싱의 미래를 명확히 했습니다. 긴 조각 시퀀싱이 등장했다고 해서 짧은 조각 방식이 쓸모없어진 것이 아닙니다. 적절한 실험 설계와 도구 선택을 하면 주석된 아이소폼 분석에서 충분히 신뢰할 수 있는 수준이며, 저렴하고 깊게 읽을 수 있는 장점은 여전합니다. 다만 새로운 아이소폼 탐색이나 복잡한 이벤트 분석에서는 한계가 명확하므로, 목적에 따라 두 기술을 적절히 선택해야 한다는 방향을 제시합니다.

마지막으로 이 연구가 중요한 이유를 정리하면 이렇습니다. 스플라이싱 분석은 암 조기진단 바이오마커나 질병 연구에서 매우 중요한 도구로 떠오르고 있지만, "분석 도구마다 결과가 다른데 무엇을 믿어야 하느냐"는 근본적인 불안이 있었습니다. 이 논문은 42개 연구실과 207개 파이프라인이라는 전례 없는 규모의 비교를 통해 그 불안에 데이터로 답했고, 최선의 결과를 얻기 위한 구체적인 길을 제시했습니다. 과학에서 '정답지 없는 시험'을 '정답지 있는 시험'으로 바꾼 것이며, 이는 앞으로 전 세계 연구실이 더 신뢰할 수 있는 RNA 분석 결과를 생산하는 토대가 될 것입니다. 나아가 언젠가 병원에서 환자의 스플라이싱 이상을 정확히 진단하는 날이 왔을 때, 그 뒤에는 이런 꼼꼼한 기초 연구가 밑받침되어 있을 것입니다.

출처: @ye._.vely618