Ion Torrent 데이터는 어떻게 사용해야 할까?

S5 데이터를 생각보다 많이 만지고 있어서 간만에 S5의 데이터에서 주의해야하는 것들에 대한 논문한번 뒤적거려보았습니다.

2013년도에 나온 "Shining a Light on Dark Sequencing: Characterising Errors in Ion Torrent PGM Data" 으로 Ion Torrent의 PGM에서 발생 할 수 있는 문제들을 훑어본 논문으로 생각되어 읽어보았습니다.

DOI: 10.1371/journal.pcbi.1003031

음... 귀찮으니 일단 Copilot (with Bing Chat)에게 논문을 읽고 블로그용 컨텐트를 작성하는데 어떤 것들을 주의해야하는지에 대해서 작성해 달라고 하였습니다.

PGM이라는 시퀀싱 기계는 Ion Torrent의 제품으로, DNA를 분석하기 위해 반도체 칩을 사용하는 방식입니다. 이 방식은 다른 시퀀싱 기술에 비해 빠르고 저렴하게 데이터를 생성할 수 있는 장점이 있습니다. 하지만, PGM에서 발생할 수 있는 error에 대해서 주의해야 합니다.

PGM에서 생성되는 데이터는 다음과 같은 error를 포함할 수 있습니다.

- **Homopolymer error**: 연속된 동일한 염기가 있는 경우, 정확한 염기 수를 측정하기 어려운 error입니다. 예를 들어, AAAAA라는 염기가 있으면, PGM은 이것을 AAAA나 AAAAAA로 인식할 수 있습니다. 이러한 error는 PGM의 시그널 강도가 염기 수와 선형적으로 증가하지 않기 때문에 발생합니다.

- **GC bias**: GC 함량이 높거나 낮은 영역에서 시퀀싱 효율이 떨어지는 현상입니다. PGM은 GC 함량이 40% 이상인 영역에서 시퀀싱 효율이 감소하고, GC 함량이 60% 이상인 영역에서는 거의 시퀀싱되지 않습니다. 이러한 bias는 PGM의 PCR 과정에서 발생합니다.

- **Over- and under-sampling**: PGM에서는 반도체 칩에 DNA 분자를 고르게 분배하기 어렵습니다. 따라서 일부 영역은 다른 영역보다 많이 또는 적게 시퀀싱될 수 있습니다. 이러한 sampling bias는 PGM의 emulsion PCR 과정에서 발생합니다.

PGM 기계에서 생성되는 데이터를 사용할 때 주의해야 하는 것은 다음과 같습니다.

- **Error rate 확인**: PGM 데이터는 homopolymer error로 인해 다른 시퀀싱 데이터보다 error rate가 높을 수 있습니다. 따라서 PGM 데이터를 사용할 때에는 error rate를 확인하고, 필요한 경우 error correction을 수행해야 합니다.

- **GC bias 보정**: PGM 데이터는 GC bias로 인해 특정 영역의 시퀀싱 깊이가 왜곡될 수 있습니다. 따라서 PGM 데이터를 사용할 때에는 GC bias를 보정하거나, GC bias에 민감하지 않은 분석 방법을 사용해야 합니다.

- **Sampling depth 고려**: PGM 데이터는 over- and under-sampling으로 인해 일부 영역의 시퀀싱 깊이가 다른 영역보다 많이 또는 적게 될 수 있습니다. 따라서 PGM 데이터를 사용할 때에는 sampling depth를 고려하고, 필요한 경우 rarefaction을 수행해야 합니다.

PGM 기계는 혁신적인 시퀀싱 기술이지만, 그만큼 error와 bias에 주의해야 합니다. 이러한 문제점을 인식하고, 적절한 보정과 분석 방법을 사용한다면, PGM 데이터로부터 유용한 정보를 얻을 수 있을 것입니다.

제법... 괜찮습니다. 

Homopolymer 에러를 비롯해서 GC bias 에 대한 얘기도 해주고, 고르게 시퀀싱이 되지 않으니 read sampling에 대한 얘기도 함께 얘기해주었습니다. 제가 읽었으면 아마 Error rate 내용만 편향적으로 보고 "저거봐라 왜 Ion 쓰냐"라고 말을 줄이지 않았을까 합니다.

물론... 비정상적으로 긴 homopolymer 변이가 있는 종에 대해서는 도전정신을 가지고 Ion 시퀀서를 써봤자 너님만 손해다가 오늘의 한줄 요약 되겠습니다.

출처: ye._.vely618

Application of Next Generation Sequencing in Laboratory Medicine

임상검사실? 진단검사의학?에서의 NGS 활용에 대한 논문으로 사실 작년 2022년 LMCE 발표 준비하면서 잠시 훑어본 내용인데 NGS를 임삼검사실에서 어떻게 활용할 수 있을지에 대해서 이런저런 내용들을 얘기하고 있어서 가져와봤습니다.

2021년 1월달에 출판되었고 제목은 Application of Next Generation Sequencing in Laboratory Medicine이고
DOI: 10.3343/alm.2021.41.1.25 입니다. 

NGS는 기존 1세대시퀀싱에 비해 1bp 염기서열 단위의 해상도로 대규모의 정보를 한번에 분석할 수 있는 기술이죠.  그래서 다음과 같이 암 환자, 유전질환 환자 또는 감염병 환자로 부터 얻어진 시료를 시퀀싱하여 

- 암 환자의 경우, 암의 유형과 치료 반응을 예측 할 수 있고,

- 유전 질환 환자의 경우, 염기서열 또는 유전체 구조적인 이상을 확인하여 질환의 원인 확인 할 수 있고,

- 감염병 환자의 경우, 감염균의 종류와 기존 약제에 대해서 내성을 가지고 있는지 여부 등을 알 수 있습니다.

진단이라는 분야에서는 혁신적이거나 혁명적인지는 언급하기 어렵겠지만 염기서열을 해독하는 시퀀싱이라는 분야에서는 NGS는 단연코 혁신 기술이긴 하죠. 그래서 FDA도 NGS 기반의 진단과 함께 처방하는 치료제(동반진단)에 대해서 승인하기도 하고 있죠. 많은 실험실에서 RWD를 기반으로 NGS 테스트를 더 넓게 활용 할 수 있도록 위해 노력하고 있으니 조만간 더 많은 분야에 사용되지 않을까합니다.

2세대 NGS는 단점이라고 한다면 짧은 read 였는데, 긴 길이의 read를 시퀀싱 할 수 있는 3세대 시퀀싱을 더 다양하게 활용할 수 있고, 실험 방법이나 장비가 고가이며 숙련된 연구원들만 가능한데, 이 부분이 해소되면 더 많은 분야에서 활용 할 수 있을 듯 합니다.

출처 : @ye._.vely618

이제 우리 cfDNA를 활용해 보아요 (feat. 머신러닝)

Genome-wide cell-free DNA fragmentation in patients with cancer

"내 혈관 속 DNA가 말해줘"라는 BTS의 DNA의 가사 처럼 우리 혈관 속에는 우리 상태를 알게 해주는 마커로 사용할 수 있는 cfDNA가 있습죠

오늘은 2019년 발표된 "Genome-wide cell-free DNA fragmentation in patients with cancer"라는 논문을 가져와봤습니다.

DOI: 10.1038/s41586-019-1272-6

이 논문은 암환자의 혈액 내 cfDNA를 측정하여 암 진단은 당연하고, 어떤 암종인지, 조기 발견 및 모니터링을 위한 초석을 놓은... 물론 그전에 다른 논문에서 이미 초석을 다진 논문도 있을것 같긴하지만, 어찌됐든 모 괜찮은 논문이라고 생각합니다. :)

그래서 7종의 암환자 200여명과 건강한 (aka 암환자가 아닌) 건강한 사람의 cfDNA을 분석해서 이리저리 굴려보고 돌려보고 해서(결국 머신러닝 아니겠습니까) 암종간 cfDNA의 profile의 변화를 머신러닝을 통해 모델을 만들었고, cfDNA profile 모델과 함께 cfDNA상에 존재하는 변이를 활용하면 더 나은 결과를 보여줬다고 하네요

cfDNA는 원래 혈액속에 있는 암에 걸리면 (무조건은 아니지만) cfDNA의 양이 증가하게 됩니다. 원래 혈액속에 떠다니는 cfDNA가 만들어지는 source외에 암세포가 혈액에 추가로 cfDNA가 더 공급하는 꼴이 되기때문이죠.

cfDNA 중 암세포에서 나온 cfDNA인 ctDNA?만 따로 선별하는 방법으로 접근하기도합니다. 개인적으로는 cfDNA에서 ctDNA를 찾겠다 보다는  cfDNA를 더 잘 characterization 하는게 나을듯한데... cfDNA를 characterization하면 ctDNA를 더 잘 구별할 수 있게 되는건가? 여튼..

아.. 그래서 제가 블로그에 가끔씩 얘기했던 NIPT를 하다가 산모의 암도 찾아냈다고 하는 얘기가 있었기도 했습니다.

오늘은 cfDNA와 머신러닝 방법을 이용해서 암진단 및 암종 구분을 하는 논문에 대해서 잠깐 얘기해보았는데, 분야를 막론하고 머신러닝 모델을 개발할것 까지는 아니지만 활용을 잘 할 수 는 있어야 한다는 느낌은 항상 받는것 같습니다.

23년 12월의 첫날, 아내느님의 탄생일 기념으로 포스팅을 해보았습니다.

출처 : @candyz_hyojung

어떤 시퀀서가 NIPT를 잘 할까

간만에 NIPT 논문을 들고 와봤습니다.

어떤 시퀀서가 NIPT에 더 적합한가 알아보자 되겠습니다.

2019년에 출판된 논문으로 "Prospective head-to-head comparison of accuracy of two sequencing platforms for screening for fetal aneuploidy by cell-free DNA: the PEGASUS study" 이고, 

doi는 https://doi.org/10.1038/s41431-019-0443-0 입니다.

위에서 언급했다 싶이 시퀀싱 기기별 NIPT의 임상적 성능을 비교한 내용으로 T13/18/21 그리고 Monosomy X 검사에 대해서 테스트를 진행했다고 합니다.

그리고 비교한 시퀀싱 기기는 시퀀싱 시장의 대장인 illumina의 HiSeq와 Thermo의 Proton이라고 하네요.

결과적으로는 둘다 정확도는 99%이상이었으나 미세하게 차이가 결과에 차이가 있었다고합니다. 

민감도와 위양성률 모두 HiSeq 성능이 우수했고, 시퀀싱 처리시간에서는 Proton이 짧은 처리 시간을 자랑한다고 합니다.

표면적으로 보면 일루미나의 HiSeq이 Thermo의 Proton보다 우수하다고 결정 내릴 수 있으나 사실 꼭 그렇지는 않을듯합니다. 실험 디자인에서 서술되어 있는 내용을 보면 cell-free DNA 추출 후 두개로 나누어 각각 기기에서 실험을 한건 같아 보이지 않아서 입니다. 

혈액 채취 후 각각의 실험실에 보내어 각 실험실에서 자체 프로토콜로 진행하지 않았나 싶습니다. 그래서 정확하게는 실험실간의 성능 비교이지 않나 싶습니다.

NIPT에서는 cell-free DNA내 태아의 cell-free DNA 양이 굉장히 중요하기 때문에 실험을 하는 사람의 숙련도나 방법에 따라 분석을 할 수 없기도 해서..

여튼 그래도 중국에서 진행했던 (대략 1만여건 정도..) 대규모 연구 이후로 꽤 큰 샘플 개수이고 보통 단일 플랫폼으로 테스트를 진행하는데 서로 다른 기술 기반의 플랫폼(광학과 수소이온)에서 테스트를 하여 플랫폼 간 우위에 대한 내용은 얘기하기 어렵지만, 어찌 됐던 cell-free DNA 기반의 선별 검사는 효과적인 방법이라는 것을 다시 한번 확인하는 연구이지 않았나 싶네요

결론은 illumina던 Thermo던 압도적 우위에 있는 플랫폼은 없으니 각자 application과 상황에 맞는 플랫폼과 방법을 선택해서 하는 것이 중요하다. 정도? 이지 않나 싶네요 :)

아.. 연구 이름인 PEGASUS는 "PErsonalized Genomics for prenatal Aneuploidy Screening USing maternal blood"의 약자라고 합니다. PEGASUS 홈페이지도 있습니다.

출처: @ye._.vely618

NGS을 임상에 사용하기 위한, 5년의 시간

최근에 임상실험실에서 NGS 서비스를 시작한다고 하는 내용들의 뉴스..
를 신기하게 보시는 분들도 물론 있으실겁니다.

그러나 전공자나 업계에 몸 담고 있는 분들에게는 그리 신기하지 않은.. "아.. 어디 임상실험실에서 NGS 서비스를 하는구나" 정도로.. 어느 실험실에서 NGS로 검사를 해준다라고.. 정도의 수준일겁니다.

하지만 10년전만해도 NGS가 무슨 임상실험실에서 검사 서비스로 가당키나 한 분석 방법이냐고 하시는 분들이 대다수였을 때에 5여년동안 데이터를 쌓아서 NGS 플랫폼의 타당성을 입증한 논문이 있어 한번 가져와봤습니다.

Next generation sequencing for clinical diagnostics: Five year experience of an academic laboratory

DOI: 10.1016/j.ymgmr.2019.100464

태평양 건너 있는 미국 미네소타 대학교의 임상 실험실에서 2012년부터 2017년 동안, 자그마치 5년동안 NGS로 임상 진단 검사를 실시했던 데이터를 차곡 차곡 잘 수집/축적하여 공개한 내용으로 

2012년 8월부터 2014년 3월 까지는 568 유전자 영역의 SureSelect 패널을,

2014년 4월 부터 2017년 9월 까지는 일루미나의 TruSightOne 패널을,

2017년 10월부터 2017년 12월 까지는 TruSightOne 확장 패널을 사용하여

각각 349개, 2058개, 102개 검체, 모두 2059건의 검사를 실시했다고 하네요

전반적으로 25% 진단율을 유지하였다고 하고, 불확실한 의미 변이인 VUS 수가 2012년도에는 75%정도였는데 2017년도에서는 50%정도로 감소되었다고 합니다. 사실 지금 다시 하면 25%정도로 더 감소되어있지 않을까 하는 생각도 드네요. 

그리고 다양한 질병들에 대해서 진단을 하였는데 질병마다 진단율의 차이를 보였고, 피부병이나 청력손실, 안과질환 같은 경우에는 진단율이 40% 이상의 높은 진단율이, 소화기나 호흡기 질환의 진단율은 10%로 낮았다고 하는데 사실 이건 유전적 원인과 관계가 있냐없냐가 더 중요한 요인으로 보이네요.

결과적으로 이 연구 결과, 5년동안 2천개 넘는 검체를 검사해봤는데 NGS가 임상진단에 사용할 수 있는 유용성을 입증하였다고 생각되고, NGS가 임상 진단 부문에서 사용 할 수 있는 가시적은 근거자료로 활용되어 병원관리자들이 NGS 인프라에 투가하도록 설득 할 수 있는 자료로 사용 할 수 있다고... ??

그거까지는 난 모르겠고, 이전의 많은 연구진들의 연구 결과로 말미암아 이제는 NGS 검사가 우리 생활에 생각보다 많이 사용되고 있다는 것은 맞는 얘기인것 같습니다.

이전에 연구진들의 노고가 아니었다면 아직도 연구수준에서 벗어나지 못했을것 같습니다.

가끔 이런 논문들을  한번 들춰보는것도 나쁘지는 않아서 한번씩 꺼내볼 생각입니다.

출처: @ye._.vely618

Long Read Sequencing을 전적으로 믿으셔야 합니다.

항상 느끼는것이지만 사람들은 익숙한것에 익숙하다는...
물론 이 글을 쓰는 본인도 별반 차이 없다는게 현실
그럼에도 불구하고 세상에는 익숙한것을 거부하고 한 걸음 나아가는 분들이 있어서 발전한다는...

오늘은 유전체분야에서 다들 익숙한 짧은길이의 시퀀싱 플랫폼 대신 Long read 시퀀싱 플랫폼을 왜 써야하는지 보여주는 논문이 있어 들고와봤습니다.

The blooming of long-read sequencing reforms biomedical research

DOI: 10.1186/s13059-022-02604-2


Long read 시퀀싱의 대표주자인 PacBio와 Nanopore가 나온지도 꽤 된것 같으나, 아직 주류 시퀀싱 플랫폼으로서는 자리매김을 하지 못한... 조명받지 못하고 있지만.. 그 진가를 하나둘씩 알게되고 안쓸수 없지 않을까 합니다.

물론 이 Long read 플랫폼을 안 쓸수 없지만 PacBio/Nanopore 플랫폼을 이용해서 진단 키트를 개발하여 돈을 벌 수 있게 된다는 것은 아닙니다. 오해 없으시기 바랍니다. Long read 플랫폼에서 기존 NGS 시스템에서 해온 것 같이 하려고 하면 개인적인 생각으로는 그냥 하지 마세요 라고 말하고 싶네요. 그런 생각이라면..

여튼 Long read 플랫폼은 genome assembly과 transcriptome 분야에서 활약을 하고 있다고 하는데 이는 기존 NGS의 짧은 read로 인한 한계를 극복하였기 때문에 가능한 당연한 결과였을 듯 합니다.

genome assembly를 설명하면서 이런 저런 설명을 하였는데 사실 T2T genome이 세상에 나왔는데 무슨 설명이 더 필요할지... 물론 다배체면서, repeat 서열이 엄청 긴 식물과 같은 다양한 생물의 유전체 연구에서는 아직 할일이 많이 남아있을듯 합니다.

그리고 더불어 transcriptome, 전사체에서도 두각을 나타내고 있다고 합니다. 이전에 PcaBio사에서 나온 Iso-Seq이라는 플랫폼이 있었는데 기존 숏리드 플랫폼으로는 할 수 없었던 full-length 유전자 서열을 확인하여, 다양한 gene의 isoform 을 확인 할 수 있었는데, 이제는 이는 당연한것이고, read count를 활용하여 정확한 발현 측정까지도.. 가능하다고 합니다. 또한 이 논문에서 처음 보았는데 exitron이라는 것도 확인하였다고 하네요.

더불어 당연히 암연구에서도 long-read 플랫폼이 중요한 역할을 하고 있는데, 시퀀싱을 위해 dna나 rna가닥을 증폭시키지 않은 특징 때문에 가능 응용법이긴하죠. 특히 nanopre 플랫폼을 사용하여 급성 골수성 백혈병 (AML) 환자의 RNA변이와 fusion gene 구조를 확인하기도 하였고, 대장암 세포주에서 5mC 위치와 양을 정량하여 각각 AML와 대장암 연구에 도움이 되고 있다고 합니다.

이렇듯 Long Read Seq 플랫폼은 이제 쓰지 않을 이유가 없는 플랫폼으로 우리 곁에 생각보다 가깝게 다가왔으나 생각에는 Long이든 Short든 정확하게 내 병의 이유를 빠르고 "싸게" 알아낼 수 있으면 모두 행복한 것 아니겠습니까?

그럴 수 있는 방법이 어딘가에 있겠죠, 없으면, 언제나 그러했듯이 우리는 또 해답을 찾아내겠죠. :)

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

NGS을 기반으로 하는 항체 선택 전략에 대한 insight에 대해서

11월의 첫 포스팅 링크드인에서 랩실 후배님께서 공유해주신 따끈한 논문 하나를 구글 바드에 한번 물어보았습니다.

항체 선택을 NGS를 사용하면 효과적/효율적으로 할 수 있다 에 대한 내용을 정리한 논문으로 제목은 "Insights into next generation sequencing guided antibody selection strategies" 입니다. 

doi: 10.1038/s41598-023-45538-w

- 논문 요약

NGS를 기반으로하는 항체 선택 전략에 대한 통찰력 제공.
NGS는 항체의 유전적 다양성을 빠르고 효율적으로 분석 할 수 있는 방법으로, 이를 활용하여 항체의 특이성과 효능을 개선 할 수 있습니다.

-논문 주요 내용

* NGS를 기반으로 하는 항체 선택 전략은 기존의 항체 선택 전략에 비해 보다 효과적이고 효율적입니다.
 ; NGS는 항체의 유전적 다양성을 빠르고 효율적으로 분석할 수 있기 때문에, 기존의 항체 선택 전략에 비해 보다 효과적이고 효율적입니다. 예를 들어, NGS를 사용하면 수백만 개의 항체를 한 번에 분석할 수 있기 때문에, 원하는 특성을 가진 항체를 보다 빠르게 찾을 수 있습니다.

* NGS를 기반으로 하는 항체 선택 전략은 항체의 특이성과 효능을 개선하는 데 도움이 됩니다.
 ; NGS를 사용하면 항체의 특이성과 효능을 개선하는 데 도움이 되는 항체를 선택할 수 있습니다. 예를 들어, NGS를 사용하면 항체가 특정 표적에만 결합하는 항체를 선택할 수 있습니다. 또한, NGS를 사용하면 항체의 결합력과 내성을 개선하는 항체를 선택할 수 있습니다.

* NGS를 기반으로 하는 항체 선택 전략은 다양한 질병에 대한 치료제 개발에 적용될 수 있습니다.
 ; 다양한 질병에 적용 가능: NGS를 사용한 항체 선택 전략은 다양한 질병에 대한 치료제 개발에 적용될 수 있습니다. 예를 들어, NGS를 사용하면 암, 감염병, 자가면역질환 등에 대한 치료제로 사용할 수 있는 항체를 개발할 수 있습니다.

논문의 저자들은 NGS를 기반으로 하는 항체 선택 전략이 항체 치료제 개발에 새로운 가능성을 제시한다고 결론짓습니다.

예로, NGS를 기반으로 하는 항체 선택 전략을 사용하여 특정 질병에 대한 치료 효과가 뛰어난 항체를 개발할 수 있습니다. 또한, NGS를 기반으로 하는 항체 선택 전략을 사용하여 항체의 독성을 줄이고 부작용을 개선할 수 있습니다.

NGS를 기반으로 하는 항체 선택 전략은 항체 치료제 개발의 새로운 장을 열 것으로 기대.

-시사점 

* NGS는 항체 치료제 개발에 필수적인 도구가 될 것입니다.

* NGS를 기반으로 하는 항체 선택 전략은 항체 치료제의 효과와 안전성을 개선하는 데 도움이 될 것입니다.

* NGS를 기반으로 하는 항체 선택 전략은 다양한 질병에 대한 새로운 치료제 개발을 가속화할 것입니다.

오... 그냥 bard에 물어보고 논문에 대해 추가 질문을 계속 물어보면 될듯하네요.

출처: @ye._.vely618

Clinical Trial 자료는 어떻게 확인 할 수 있을까?

미국 임상시험 자료는 잘 정리되어 공개되어 있기로 유명하죠

clinical trial 사이트에서 확인 가능한데 

매번 일일이 clinicaltrials.gov에 들어가서 찾기 귀찮은데..

근데 API는 사용할 수준은 안되고..

무슨 방법이 없을까하고 머리를 계속 굴리다보면 찾아지는게 인지상정 아니겠습니까,

물론 최근 새로 리뉴얼 된 clinicaltrial.gov에서는 제공되지는 않습니다.

예전 clinicaltrials사이트인 classic.clinicaltrials.gov에서 확인 가능합니다.

친절하게 다음 URL을 당신의 브라우저에 입력하면 파일을 다운로드 받을 수 있다 라고 얘기하고 있습니다.

https://classic.clinicaltrials.gov/AllPublicXML.zip

대신 이 파일이 최신 임상 시험 자료까지 포함하고 있다고 자신은 못할 것 같습니다. :)

내부에 미국 임상시험 DB를 구축하고 싶을 때 사용할 수 있음직한 파일이 될 것 같습니다.

다음에 또 유용한 정보를 가지고 돌아와보도록 하겠습니다. :)

출처: @ye._.vely618

롱리드 시퀀싱을 쓰지 않을 이유가 있는가?

이번 논문은 제가 참여한 논문입니다.. 흠흠..

이름하여 Two long read-based genome assembly and annotation of polyploidy woody plants, Hibiscus syriacus L. using PacBio and Nanopore platforms

DOI: 10.1038/s41597-023-02631-z

Hibiscus syriacus, 쉽게말해 무궁화 genome을 assembly하는데 어떤 데이터를 어떤 assembly 도구로하면 그래도 가성비가 좋은지에 대해서 확인한 논문 되겠습니다.

무궁화는 full genome은 이미 몇해전에 나와있는 상태고요, 아마 무궁화가 2배체가 아니라 4,6배체로 기억됩니다. 그래서 숏리드가지고 assembly가 만만치 않았는데 그 데이터를 바탕으로 이전에는 short리드로 어렵싸리 했었는데 이번에는 롱리드 시퀀싱으로 하면 어떻게 되는지 확인 해보자 입니다.

이전 무궁화 genome project 논문에서 핸들링하는 데이터 양을 정확히는 모르겠으나 어마무시했던것으로 알고 있습니다. 거기다가 숏리드라서 양쪽 로우 퀄리티 좀 정리해주고, scaffold용 mate-paired 데이터 정리작업하는데도 아마 꽤나 시간이 걸릴겁니다.

나노포어 데이터(ONT)와 PacBio data가 있었는데, 솔까말 ONT 데이터로만 해도... 사실 갠춘합니다.

그런데 여기서 중요한것은 ONT가 중요하기도 하지만 ONT의 장점을 십분 발휘할 수 있게 해주는 DNA 뽑는게 ART되겠습니다. ONT가 길게 읽을 수 있는거지 template가 짧으면 ONT도 길게 읽고 싶어도 못읽습니다.

결국 실험자의 손이 중요합니다. 손 똥손이면 ONT도 해결 못해줍니다.

그 똥손도 가능하게 해주는게 commercial prep kit이긴한데 현재 기준으로 그런 kit이 있는지는 저는 모르겠습니다. 

여튼 그래서 ONT 데이터를 앞뒤없이 다 때려박고 assembly하지 않았습니다.

cell 하나, cell 2개, 결과가 어떻게 달라지는지 확인해고, assembly tool마다 결과는 어떻게 나오는지 확인하면서 테스트 하였고, 이거쓰세요는 하지 못했지만 그럭적럭 요정도 생산해서 이 tool쓰면 평타 칩니다 라고 가이드는 해드릴 수 있는 논문되겠습니다.

다음에는 테스트하는 code를 간지나게 git에 올려놓고 논문에 url하나 올려둘 수 있도록 해봐야겠습니다. :)

그럼 또 쓸만한 논문을 찾아 돌아오도록 하겠습니다.

출처: @ye._.vely618