미지의 세계가 열리고 있다

오늘은 바다의 미생물을 조사한 논문을 가져와봤습니다. 제목은 Global marine microbial diversity and its potential in bioprospecting 입니다. 기존에 NCBI, EBI, JGI 등에 업로드되어 공개되어 있던 230TB 데이터를 줍줍했다는데... 얼마나 데이터를 쥐어짰길래... 또 이런 논문이 나온걸까요;;

DOI: 10.1038/s41586-024-07891-2

gemini

## 바다 속 작은 거인들, 해양 미생물의 놀라운 비밀

**바다 깊은 곳에 숨겨진 보물**

우리가 흔히 알고 있는 해양 생물은 고래, 돌고래, 해파리 등 눈에 보이는 큰 생물들입니다. 하지만 바다 속에는 이보다 훨씬 작아서 육안으로는 볼 수 없는 미생물들이 살고 있습니다. 이 작은 생물들은 바다 생태계를 유지하는 데 매우 중요한 역할을 하며, 우리가 상상하지 못했던 놀라운 능력을 가지고 있습니다.

**해양 미생물, 그들은 누구인가?**

최근 과학자들은 **메타게놈**이라는 기술을 이용하여 바닷물 속에 존재하는 모든 미생물의 유전 정보를 한꺼번에 분석하는 데 성공했습니다. 마치 바닷물 한 숟갈에 담긴 모든 생명체의 DNA를 풀어서 읽는 것과 같습니다. 이 연구를 통해 우리는 이전에는 알지 못했던 수많은 새로운 해양 미생물들을 발견할 수 있게 되었습니다.

**바닷속 미생물의 다양성, 상상을 초월하다**

놀랍게도, 과학자들은 이번 연구를 통해 전 세계 바다에 살고 있는 미생물의 종류가 우리가 생각했던 것보다 훨씬 더 다양하다는 사실을 밝혀냈습니다. 특히 심해나 퇴적물처럼 극한 환경에서 살아가는 미생물들이 많이 발견되었는데, 이들은 극한 환경에서 살아남기 위해 독특한 유전자를 가지고 있었습니다.

**미생물이 가진 놀라운 능력**

이렇게 다양한 해양 미생물들은 우리에게 많은 것을 제공해 줄 수 있습니다. 예를 들어, 어떤 미생물은 플라스틱을 분해하는 능력을 가지고 있어 환경 문제 해결에 큰 도움을 줄 수 있습니다. 또한 새로운 항생제나 의약품 개발에 활용될 수 있는 유용한 물질을 생산하는 미생물도 발견되었습니다.

**왜 해양 미생물 연구가 중요할까요?**

해양 미생물 연구는 단순히 새로운 생물을 발견하는 것을 넘어, 우리가 살고 있는 지구를 더 잘 이해하고 보호하는 데 큰 도움을 줄 수 있습니다. 예를 들어, 해양 미생물의 변화는 기후 변화나 해양 오염과 같은 환경 문제와 밀접한 관련이 있을 수 있습니다. 따라서 해양 미생물을 연구하면 이러한 문제의 원인을 규명하고 해결책을 찾는 데 기여할 수 있습니다.

**결론**

바다 속 작은 거인들인 해양 미생물은 우리에게 무한한 가능성을 열어주고 있습니다. 앞으로도 지속적인 연구를 통해 해양 미생물의 비밀을 밝혀내고, 이를 통해 인류의 삶을 더욱 풍요롭게 만들 수 있기를 기대합니다.

chatGPT

해양 미생물: 바닷속 미지의 세계가 열리다

우리가 매일 마주하는 바다에는 눈에 보이지 않는 작은 생명체들이 가득합니다. 이들은 해양 미생물이라고 불리며, 바다 생태계의 건강을 유지하는 데 중요한 역할을 합니다. 해양 미생물에는 박테리아, 고세균, 바이러스 등이 포함되며, 이들은 유기물을 분해하고, 영양소를 순환시키며, 다양한 해양 생물들이 살아가는 데 도움을 줍니다. 

이번 연구에서는 바로 이 해양 미생물들의 놀라운 다양성을 알아내기 위해 최첨단 기술을 사용했습니다. 그 이름은 ‘메타유전체학’(metagenomics)입니다. 이 기술은 미생물을 굳이 실험실에서 배양하지 않고도 연구할 수 있게 해줍니다. 과학자들은 바다에서 물 샘플을 채취한 후, 그 안에 들어 있는 모든 유전 물질을 분석하여 어떤 미생물들이 살고 있는지 알아냅니다.

이번 연구를 통해 과학자들은 43,000개가 넘는 새로운 박테리아와 고세균의 유전체를 발견했습니다. 이 미생물들은 다양한 해양 환경, 예를 들어 깊은 해저나 극지방의 바닷물에서 채취된 것입니다. 이러한 미생물들은 빛도 없는 극한의 환경에서 살아가는 법을 터득했으며, 우리가 그동안 알지 못했던 새로운 생물학적 시스템을 가지고 있었습니다.

특히 이번 연구에서 흥미로운 점은 새로운 유전자와 시스템들이 발견되었다는 것입니다. 예를 들어, 과학자들은 새로운 CRISPR–Cas9 시스템을 찾아냈습니다. 이 시스템은 유전자 편집 기술로, 미래에는 유전병 치료나 다양한 의료 분야에서 활용될 수 있을 것으로 기대됩니다. 또한, 플라스틱을 분해할 수 있는 효소도 발견되었습니다. 이 발견은 바다 오염 문제를 해결하는 데 큰 도움이 될 수 있습니다. 마지막으로, 새로운 항균 펩타이드도 찾아냈는데, 이는 앞으로 강력한 항생제로 개발되어 유해한 세균과 싸우는 데 쓰일 수 있습니다.

이러한 연구가 중요한 이유는 우리가 아직 모르는 수많은 생물들이 해양에 존재하며, 이들을 연구함으로써 환경 문제를 해결하고, 인류에게 유익한 새로운 기술과 의약품을 개발할 수 있는 가능성을 열어준다는 점입니다. 바다는 우리가 아직 완전히 탐험하지 못한 거대한 생명의 보고입니다. 이번 연구는 해양 미생물들이 환경과 인간에게 얼마나 큰 잠재력을 지니고 있는지를 다시 한번 깨닫게 해주었습니다.

해양 생물학이 열어갈 미래는 무궁무진하며, 바닷속 미지의 세계가 점차 우리에게 다가오고 있습니다.

NotebookLM

## 바닷속 보물찾기: 메타게놈으로 밝혀낸 미생물의 신비

우리가 사는 지구의 70% 이상을 차지하는 바다는 아직도 미지의 영역으로 가득합니다. 특히 바닷속에는 맨눈으로는 볼 수 없는 작은 생명체인 **미생물**들이 살아 숨 쉬고 있으며, 이들은 지구 생태계의 균형을 유지하는 데 중요한 역할을 합니다. 하지만 아직까지 우리에게 알려진 해양 미생물은 극히 일부에 불과합니다. 마치 깊은 바닷속 보물처럼 말이죠.

최근 과학자들은 **메타게놈(metagenome)**이라는 기술을 이용하여 바닷속 미생물의 비밀을 밝혀내고 있습니다. 메타게놈 분석이란, 특정 환경에 존재하는 모든 미생물들의 유전체 정보를 분석하는 기술입니다. 쉽게 말해, 바닷물 속에 숨어있는 다양한 미생물들의 유전 정보를 한꺼번에 분석하는 거죠. 마치 거대한 바닷속 도서관에서 생명의 비밀이 담긴 책들을 찾아내는 것과 같습니다.

제공해주신 파일은 이러한 메타게놈 분석 기술을 활용하여 전 세계 해양 미생물들의 유전체 정보를 분석하고, 그 결과를 바탕으로 **새로운 미생물 종을 발견**하고 그 **활용 가능성**을 제시한 연구 논문입니다. 이 연구에서는 무려 **43,191개의 박테리아 및 고세균 유전체를 새롭게 발견**했는데, 이 중 **82.06%는 기존 데이터베이스에 존재하지 않는 새로운 종**으로 밝혀졌습니다. 마치 보물지도 없이 광활한 바다에서 새로운 섬들을 찾아낸 것과 같은 놀라운 발견입니다! 

특히, 이 연구 결과는 해양 미생물의 다양성이 우리의 예상보다 훨씬 크다는 것을 보여줍니다. 심해나 극지방처럼 극한 환경에서도 다양한 미생물들이 살아가고 있으며, 이들은 아직 밝혀지지 않은 **무궁무진한 가능성**을 가지고 있습니다.  

### 해양 미생물은 왜 중요할까요?

**1. 인류의 건강을 지키는 미래의 치료제**

해양 미생물은 새로운 **항생제, 항암제, 효소** 등 다양한 생리활성 물질을 만들어낼 수 있는 능력을 가지고 있습니다.  이번 연구에서도 **새로운 항균 펩타이드 10개와 플라스틱 분해 효소 3개를 발견**했고, 실험을 통해 그 효과를 확인했습니다. 특히 **dsPETase**라는 플라스틱 분해 효소는 기존 효소보다 **최대 44.3배 높은 효율**을 보여주었는데, 이는 플라스틱으로 인한 환경 문제 해결에 큰 도움이 될 수 있음을 의미합니다. 마치 바닷속에서 지구를 구할 영웅을 찾아낸 것 같지 않나요?

**2. 유전자 가위 기술의 새로운 지평을 열다**

이 연구에서는 해양 미생물에서 **Om1Cas9**이라는 새로운 **CRISPR-Cas9 시스템**을 발견했습니다. CRISPR-Cas9 시스템은 **유전자 편집 기술**에 혁명을 일으킨 기술로, 질병 치료, 농작물 개량, 환경 문제 해결 등 다양한 분야에서 활용될 수 있습니다. 이번 연구에서 발견된 Om1Cas9은 **인간 세포에서도 효과적으로 작동**하는 것이 확인되어, 앞으로 유전 질환 치료에 새로운 가능성을 제시할 것으로 기대됩니다. 마치 유전자 편집 기술의 새로운 보물을 찾아낸 것과 같습니다.

**3. 해양 생태계의 비밀을 풀다**

해양 미생물은 바닷속 생태계에서 영양염 순환, 탄소 고정 등 중요한 역할을 합니다. 해양 미생물의 다양성과 기능을 이해하는 것은 **해양 생태계의 변화를 예측하고 건강하게 유지**하는 데 매우 중요합니다. 이 연구에서 구축된 **GOMC 데이터베이스**는 해양 미생물의 유전적 다양성과 기능에 대한 방대한 정보를 제공하며, 이는 앞으로 해양 생태계 연구에 중요한 자료로 활용될 것입니다. 마치 해양 생태계를 이해하기 위한 보물지도를 얻은 것과 같습니다. 

### 바닷속 보물찾기는 계속된다!

해양 미생물은 아직까지 밝혀지지 않은 **무궁무진한 가능성을 가진 존재**입니다. 앞으로 메타게놈 기술을 이용한 연구를 통해 더욱 다양한 해양 미생물들을 찾아내고, 이들을 활용하여 인류에게 도움이 되는 기술을 개발할 수 있을 것입니다. 바닷속 보물찾기는 이제 막 시작되었습니다!

3개 모델중에서 gemini가 좀 뜬구름을 잡고 있는듯합니다. 오늘은 모델에게 당신은 해양미생물을 공부하고 있다는 사전 정보를 제시하고, 사람들에게 설명해줘 라는 질문을 한 다음에, 글을 작성해줘 하다보니 이 pdf파일이 아니라 일반적인 얘기를 서술한것으로 보입니다. 반면에 chatGPT와 NotebookLM 같은 경우에는 gemini처럼 동일한 단계로 글을 작성해 달라고 했을때 이 pdf파일을 활용해서 작성한듯 보여지네요. 역시 국어가 중요하다는...

이제 추선 연휴가 시작되었습니다. 

모두들 즐거운 추석 연휴 보내시기 바랍니다. :)

출처: @ye._.vely618

미생물의 기능을 어디까지 알아낼 수 있을까?

오늘은 23년도 3월에 출판된 딥러닝 방법을 이용한 미생물 기능에 대한 논문 인  Comprehensive Functional Annotation of Metagenomes and Microbial Genomes Using a Deep Learning-Based Method 을 가져와 봤습니다.

DOI: 10.1128/msystems.01178-22

gemini

## 미생물 유전체 기능, 딥러닝으로 99%까지 밝혀내다!

인간 장 미생물은 우리 건강에 중요한 역할을 하지만, 그 기능은 아직까지 대부분 밝혀지지 않았습니다. 이번 연구에서는 딥러닝 기반 모델 DeepFRI를 사용하여 미생물 유전체의 기능을 99%까지 설명하는 놀라운 성과를 달성했습니다. 이는 기존 방법보다 훨씬 높은 비율이며, 미생물학 연구에 새로운 지평을 열 것입니다.

**딥러닝의 위력, 미생물 유전체 기능 밝히다**

딥러닝은 인공지능의 한 분야로, 방대한 양의 데이터를 학습하여 예측을 수행하는 기술입니다. DeepFRI는 이러한 딥러닝 기술을 활용하여 미생물 유전체의 기능을 설명하는 모델입니다.

연구에서는 DeepFRI를 사용하여 190만 개의 미생물 유전자를 분석했습니다. 그 결과, DeepFRI는 99%의 유전자에 대해 기능을 예측하는 데 성공했습니다. 이는 기존의 방법으로는 불가능했던 놀라운 결과입니다.

**기존 방법보다 더 나은 DeepFRI, 그 이유는?**

DeepFRI가 기존 방법보다 더 우수한 성능을 보여준 이유는 다음과 같습니다.

* **높은 정확도:** DeepFRI는 딥러닝 기술의 강력한 학습 능력을 통해 높은 정확도로 유전자의 기능을 예측합니다.

* **대규모 데이터 처리:** DeepFRI는 방대한 양의 데이터를 효율적으로 처리할 수 있어, 수많은 미생물 유전체를 분석하는 데 유용합니다.

* **신규 기능 발견:** DeepFRI는 기존 방법으로는 발견되지 않은 새로운 기능을 발견할 수 있습니다.

**딥러닝, 미생물학 연구의 새로운 지평을 열다**

이번 연구는 딥러닝 기술이 미생물학 연구에 얼마나 유용한 도구인지를 보여주는 좋은 예시입니다. DeepFRI와 같은 딥러닝 기반 모델은 앞으로 더욱 발전하여, 미생물 유전체의 기능을 더욱 정확하게 이해하고, 질병의 원인을 찾는 데 도움이 될 것으로 기대됩니다.

clova-x

DeepFRI는 딥러닝 기반의 기능적 주석 방법으로, 장내 미생물 단백질의 기능을 효과적으로 주석할 수 있다. 이 방법은 기존의 방법보다 더 많은 유전자를 인식하고, 그들의 기능을 추론할 수 있다. 또한, 이 방법은 자동화되고 확장 가능한 방법으로, 대규모의 데이터를 처리할 수 있다.

DeepFRI는 유전자 온톨로지 주석과 높은 일치율을 보이며, 이전 연구와 비교하여 주석 범위를 개선했다. 이 방법은 metagenomic microbiome studies에서 관찰된 새로운 기능을 발견하는 데 도움이 될 수 있다.

하지만, DeepFRI가 설명한 유전자의 기능을 평가하기 위해서는 추가적인 검증이 필요하다. 이를 위해서는 실험적인 데이터나 생물학적 지식을 활용하여 DeepFRI가 설명한 기능을 검증할 수 있다. 또한, 다른 유전자 분석 도구와 비교하여 DeepFRI의 결과를 검증하는 것도 좋은 방법이다.

DeepFRI는 학습 데이터와 추론 방법에 따라 결과가 달라질 수 있다. 따라서, DeepFRI를 사용할 때는 학습 데이터와 추론 방법을 충분히 이해하고, 결과를 신중하게 해석해야 한다.

DeepFRI는 장내 미생물 단백질의 기능을 이해하고, 질병의 원인이 되는 기능적 변화를 파악하는 데 중요한 역할을 할 수 있다. 또한, 이 방법은 항생제 내성 유전자와 치료 전략을 식별하는 데도 유용하다.

딥러닝은 생물학 분야에서 점점 더 중요한 역할을 하고 있으며, DeepFRI와 같은 딥러닝 기반의 기능적 주석 방법은 장내 미생물 연구뿐만 아니라 다양한 생물학 분야에서 활용될 수 있다.

chatGPT

### 딥러닝을 활용한 메타게놈 데이터 분석: DeepFRI와 기존 방법의 비교

메타게놈 데이터 분석에서 유전자 기능을 주석하는 것은 매우 중요한 작업입니다. 그러나 많은 메타게놈 데이터는 기능적 주석이 부족하여 그 활용도가 제한됩니다. 최근 연구에서는 딥러닝을 활용한 새로운 메타게놈 분석 방법이 제시되었고, 이는 기존 방법보다 훨씬 더 높은 커버리지와 정확성을 제공합니다. 이번 글에서는 딥러닝 기반 방법인 DeepFRI와 기존의 유사성 기반 방법인 eggNOG를 비교하고, 딥러닝을 활용한 이유와 그 장점을 살펴보겠습니다.

#### 딥러닝을 활용한 이유

1. **높은 기능적 주석 커버리지**: 

    - 기존의 유사성 기반 방법은 알려진 단백질 서열과의 유사성을 바탕으로 기능을 예측합니다. 이 방법은 새로운 단백질 서열에 대해서는 낮은 커버리지를 가지는 단점이 있습니다.

    - 반면, 딥러닝 모델은 대규모 데이터셋에서 학습하여 패턴을 인식하고 예측할 수 있어, 새로운 단백질 서열에 대해서도 높은 커버리지를 제공합니다.

2. **대규모 데이터 처리 능력**: 

    - 유사성 기반 방법은 데이터베이스 검색과 매칭을 필요로 하며, 대규모 데이터 처리에 시간이 많이 소요됩니다.

    - 딥러닝은 병렬 처리와 GPU 가속을 통해 대규모 데이터를 효율적으로 처리할 수 있습니다.

3. **새로운 기능 발견 가능성**: 

    - 기존 방법은 데이터베이스에 이미 존재하는 기능 정보에 의존하기 때문에 새로운 기능을 발견하는 데 한계가 있습니다.

    - 딥러닝 모델은 서열과 기능 간의 복잡한 패턴을 학습하여 새로운 기능을 예측할 수 있는 가능성이 높습니다.

#### DeepFRI와 eggNOG의 비교

최근 연구에서는 DeepFRI를 사용하여 DIABIMMUNE 코호트의 유아 메타게놈 데이터를 분석했습니다. 그 결과, DeepFRI는 총 190만 개의 중복되지 않는 미생물 유전자를 포함하는 서열 카탈로그를 생성했으며, 99%의 유전자에 대해 Gene Ontology 분자 기능 주석을 제공했습니다. 반면, 기존의 유사성 기반 방법인 eggNOG는 12%의 커버리지를 제공하는 데 그쳤습니다.

#### 예측의 신뢰성 검증 방법

딥러닝 기반 방법이 더 많은 유전자의 기능을 설명하는 것은 좋은 일이지만, 예측된 기능이 올바른지 확인하는 것도 중요합니다. 이를 위해 다양한 검증 방법이 사용됩니다.

1. **교차 검증 (Cross-validation)**: 데이터를 여러 부분으로 나누어 모델을 학습하고 검증하여 모델의 예측 성능을 평가합니다.

2. **독립적인 검증 데이터셋 사용**: 모델이 학습에 사용되지 않은 데이터로 모델의 예측 성능을 테스트합니다.

3. **실험적 검증**: 예측된 기능을 실제 실험을 통해 확인합니다.

4. **기존 데이터와의 비교**: 모델이 예측한 기능이 기존 데이터와 얼마나 일치하는지 비교합니다.

5. **기능적 유사성 네트워크 분석**: 예측된 유전자 기능들이 서로 얼마나 관련이 있는지를 분석합니다.

#### 결론

딥러닝 기반 방법인 DeepFRI는 기존의 유사성 기반 방법보다 높은 커버리지와 정확성을 제공합니다. 이를 통해 메타게놈 데이터의 해석 가능성을 크게 높일 수 있으며, 새로운 기능을 발견할 가능성도 높습니다. 하지만 예측된 기능의 신뢰성을 검증하는 것이 중요하며, 다양한 검증 방법을 통해 이를 확인할 수 있습니다. 딥러닝을 활용한 메타게놈 데이터 분석은 앞으로 인간 장내 미생물 군집의 기능적 특징을 이해하는 데 큰 기여를 할 것입니다.

---

이 글이 여러분에게 딥러닝을 활용한 메타게놈 데이터 분석의 중요성과 그 장점에 대해 이해하는 데 도움이 되었기를 바랍니다. 앞으로도 최신 연구 동향과 기술을 소개하는 유익한 글을 지속적으로 제공하겠습니다.

보통 microbiome이나 metagenome분석은 미생물들의 종 assign까지가 대부분이고, 이를 통해 질병이나 건강 상태에 따라 미생물 조성이 어떻게 변화하는지 알아봅니다. 하지만 종 수준의 분석만으로는 미생물의 역할이나 기능을 완전히 이해하기 어려운 경우가 많습니다.

이 연구에서는 단순히 종을 분류하는 것을 넘어 genome을 재구성하여 유전자의 기능을 예측/분석하여 미생물의 역할을 좀 더 정확히 파악하고자 했는데, 미생물과 숙주간의 상호작용을 더욱 심층적으로 이해하는데 큰 도움이 되지 않을까 합니다. 

아마도 (논문을 당연히 안봤으므로) 시퀀싱 방법은 16S rRNA가 아닌 Meta WGS일 것 같은데, 나중에 이런 데이터를 확보해서 작업해보면 재미있을 것 같네요. 

다음에 또 흥미로운 것이 있으면 가져오도로 하겠습니다. :)

출처: @ye._.vely618

누가누가 미생물 프로파일링을 잘할까?

NGS가 태동된지 20여년.... (너무 과했나?) 대중적으로 관심을 받아 쓰는지는 10여년이 훌쩍 지나가고 있는 시점에 예전에는 454나 Solexa 정도 만져보던 시절에서 지금은 다양한 시퀀서들이 나와서 연구자들의 다양한 궁금증을 일선에서 해결해 주고있습죠 :)

여튼 그래서 21년 기준에 보편적으로 또는 미래에 대세가될 시퀀서들을 대상으로
누구나 관심있어하는 장내 미생물 프로파일링을 어느어느 시퀀싱 플랫폼이 잘하나 비교해보는 논문이 있어서 가져와봤습니다.

제목은 Comparison of 16S rRNA Gene Based Microbial Profiling Using Five Next-Generation Sequencers and Various Primers 이고,

doi: 10.3389/fmicb.2021.715500 입니다.

(물론 저자중에 제가 아는 분이 있어서 그런것은 아니고요, 구글링 하다가 찾아진겁니다.)

그래서 비교해볼 시퀀서는

MiSeq, IonTorrent, MGIseq-2000, Sequel II 그리고 MinION 까지.. ..
짧은 read와 긴 read들을 생산하는 대표 시퀀서들을 5개를 가지고 테스트를 해봤습니다.

시퀀싱을 잘 했는지 못했는지 확인하려면 시료의 정답을 미리 알고 있어야 겠죠?

그래서 한국 식약처에 등재된 19종의 미생물 종중에 8종을 선별하여서 다양한 비율의 Mock community를 만들어서 테스트 했다고 합니다. 

그런데 Mock community내에 미생물들의 비율은 어떻게 확인했냐!!
digital PCR을 사용해서 Mock community내 미생물들을 정량해서 확인했다고 합니다. 물론 Sequins (스팽글?, aka Sequencing spike-ins)이라는 방법을 활용할 수 있다고 하는데 다양한 박테리아에 대해서 모두 Sequins를 만들기 어렵기 때문에.. 이방법을 사용했다고 합니다. 사실어떤 방법이 golden standard인지는 모르겠으나 연구 디자인에 적합하면 되지 않을까 합니다.

여튼 8개 Mock community를 제작하였고, 각각에 시료를 바탕으로 5개의 시퀀서로 시퀀싱을 진행하였습니다. 그리고 분석은 MOTHUR을 사용해서 진행하였다고 합니다.

그럼 결론은 몬데?
뭣이 중헌디?

음... 개인적으로는 16S rRNA 서열을 한번에 확인 할 수 있는 롱리드 플랫폼이 숏리드 플랫폼보다 편향이 적다라는 결과를 기대했으나.. 도리어 숏리드 플랫폼에 비해서 롱리드가 더 편향적(과대 또는 과소 표현)이었다는... 물론 이게 긴 길이의 리드를 시퀀싱하기 위해서 전처리로 PCR단계에서 비롯된거 같다는 의견이었습니다만, Sequel II같은 경우 숏리드 플랫폼과 유사한 양의 결과물을 확인하기 위해서는 더 많은 비용이 소요될텐데... 그럼 롱리드 플랫폼을 사용할 이유가 딱히 없다는게 문제가 될듯합니다.

Figure 3,4,5를 잘 뜯어보면 

Bifidobacterium breve의 경우 숏리드 플랫폼에서 상대적으로 과소 표현되고,
Limosilactobacillus fermentum의 경우 롱리드 플랫폼에서 과소표현되고, 반대로 Lactococcus lactis subsp. lactis의 경우 롱리드에서 과대표현 되고,
Lactobacillus acidophilus의 경우는 플랫폼 상관없이 과소표현 되기도하고..

함께 있는 종에 따라 영향을 받기도, 받지 않기도 하기 때문에 해석을 할 때 고려해야할게 한두가지가 아니라서 좀 어렵죠. ㅎㅎ 

그리고 숏리드의 경우 가장 큰 문제점이 한정된 영역(V3-V4)의 서열만 가지고 확인하다보니 서로 다른 균주로 분류되는 문제가 있었고 이는 보통 probiotic bacteria인 Lactobacillus casei group(LCG)에서 확인되어서 LCG, probiotic bacteria 분석에는 V3-V4는 좀 피해야할듯 합니다.

결론은 연구에 맞게 적절하게 잘 사용하고, 직접 실험하지 않는 저같은 게으름뱅이들에게는 이리저리 분석할때 표준 데이터로 사용할만한 좋은 데이터가 확보되었다는 것입니다. :)

출처: @ye._.vely618