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

이제는 전체 16S rRNA 서열을 봐야하지 하지 않을까? 하는 얘기

마이크로바이옴 분석을 할 때 매번 나오는 얘기로 16S rRNA에서 V3-V4  영역만으로 괜찮겠냐, full 16S rRNA봐야하는거 아니냐? whole sequencing해야하는거 아니냐 라는 내용의 논문이 있엇 한번 가져와봤씁니다.

2019년에 출판된 "Evaluation of 16S rRNA gene sequencing for species and strain-level microbiome analysis" 종/strain 수준의 16s RNA 서열 평가에 대한 내용 되겠습니다.

DOI: doi.org/10.1038/s41467-019-13036-1

16S rRNA는 박테리아 분석, microbiome 분석 시 주로 사용해오고 있고, 지금도 활발히 사용되고 있는 분석 방법 이지만, 지금까지는 V3-V4 영역만을 대상으로하는 방법이었고, 이제는 전체 16S rRNA를 확인하는 것에 대해서 얘기해봐야 하는 시점이 되었죠.

이전까지 16S의 V3-V4 영역으로 구분이 안되는 종들이 있었고, 지금까지 하던 분변 마이크로바이옴은 모르겠다만, 다른 환경의 마이크로바이옴을 할때는 V4-V5가 더 좋아보이는데 너님들의 생각은 어때? 라는 논문이 꾸준히 나오는거 봐선 이제 전장 16S rRNA 방법이 두각을 나타날때가 되긴했죠 :)

바드에 물어보니 다음과 같이 요약해 주었습니다.

• 16S rRNA 유전자 시퀀싱은 미생물군집 내의 다양한 종과 균주를 식별하고 그들의 풍부도를 정량화하는 데 사용할 수 있습니다.
• 또한 미생물군집의 구성 변화를 추적하는 데 사용할 수 있습니다.
• 그러나 16S rRNA 유전자 시퀀싱은 균주 수준에서 정확도가 떨어질 수 있으며, 유사한 종을 구분하기 어려울 수 있습니다.
• 16S rRNA 유전자 시퀀싱의 정확도는 향상되고 있으며, 미생물군집을 연구하는 연구자들에게 유용한 도구입니다.

다른 미생물군집 분석 방법으로는 샷건 메타지놈 분석과 whole-genome 시퀀싱이 있지만 이 방법들은 16S rRNA 분석 방법보다 돈도 많이 들고, 시간도 더 많이 소요되니 너님이 궁금해하는게 무엇인지에 따라 선택해야하지 않겠니?

정도로 잘 요약해 줬습니다.V3-V4 수준이 아닌 고품질의 full 16S rRNA 데이터를 확보할 수 있으니 이제 V3-V4, V4-V5와 같은 좁은 영역이 아닌 full 16S rRNA로 microbiome 분석을 진행하는것이 좋아보이고, 이제 충분히 품질이나 비용이 만족할 수준까지 왔으니 더 나은 결과를 위해서 나와 함께 해보지 않겠는가? 라는 내용 되겠습니다.

출처: @ye._.vely618

16S rRNA에서 V3/4와 V4/5는 대체 얼마나 다르지?

정확히 얘기하자면 북극해의 해양 생태계의 미생물 군집을 연구할 때는 16S rRNA의 어느 variable region을 사용하는게 좋을까? 되겠습니다.

Comparison of Two 16S rRNA Primers (V3–V4 and V4–V5) for Studies of Arctic Microbial Communities

doi: 10.3389/fmicb.2021.637526

예전부터 microbiome, metagenome연구할 때 항상 언급되는 내용이긴 합니다.
엄밀히 얘기하면

1. 박테리아 genome full sequence가 제일 좋아요
2. 안되면 full lenght 16S rRNA가 좋아요
3. 안되면 그냥 본인이 이거다 싶은거 쓰세요. 다른사람이 무엇을 쓰든지

여튼 이 논문은 빠른 온난화로인해 북극해의 해양 생태계가 어떻게 변화하는지 확인해보고자 1년여동안 모니터링한/샘플링한 데이터를 분석해봤는데, 지금까지 우리가 대중적으로 사용하고 있었던 16S rRNA의 V34가 진짜 golden standard인가? 우리 한번 생각해봐야하지 않겠나? 아니면 적어도 북극해의 미생물 분석 할 때는 (우리가 해봤을때는) 16S rRNA의 V34보다는 V45가 더 적합한것 같아요를 얘기하고 있는 논문되겠습니다.

여기서 얘기하고 있는 16S rRNA의 V34는 어디고 V45는 어디냐?

16S rRNA는 >여기< 참고하시면 잘 나와있습니다. 그리고 그중 V34와 V45는 어디냐?

V34는 341(F)에서 785(R)까지, V45는 515(F-Y)에서 926(R)까지라고 하네요

사실 범용적으로 사용하는 primer 위치들이 연구팀들마다 100% 동일하지는 않습니다. 살짝씩 다를 수 있으니 이 부분도 잘 확인하시면 좋을 것 같습니다.

그 이유는 이 논문에서도 언급되었듯이 지금까지 지금까지 연구가 잘 되어오지 않았던 곳(여기서는 북극해)에서는 어떤 variable region이 종들을 더 잘 구분하는지, 어떤 범용 primer set이 더 잘 작동하는지 정확히 모르기 때문에 그렇습니다. 반대로 사람의 대변, 구강과 같이 이미 수년동안 연구를 통해 실험 방법이 정립된 경우에는 그냥 기존 방법대로 하시면 되겠습니다.

그래서 이 논문의 결론은 북극해와 같이 아직 생태계가 연구되지 않은 환경에 대해서 미생물 군집 연구를 위해서는 V45 primer set을 사용하는 것이 좋다고 하였습니다.

근데 진짜 그럴까요?

논문에서도 나오지만 결론에서 북극해의 미생물 군집 연구를 위해서는 V45가 좋은데, 그 이유가 다른 미생물 군집 검출에 영향을 끼치지 않기 때문이고, archaea도 검출 가능하기 때문인데, V45와 함께 V34를 혼용해서 사용하면 더 좋지 않을까하는 생각이네요

그리고 사족으로 일부 샘플에서 현미경으로 셀 카운팅을 했는데 그 결과가 NSG와 차이가 있었고, 그 이유가 현미경 정량의 한계라고 얘기를 하였지만 꼭 그럴까하는 생각도, NGS의 한계일 수 도 있다는 생각은 >여기<를 보시면 알게 된다는..

그럼 다시 또 재미있는 이야기거리를 가져와 보도록 하겠습니다.

출처: @ye._.vely618