유전체 데이터 정밀 활용을 위한 인공지능 기술 개발 = Development of artificial intelligence methods for precise utilization of genomic data

국문 초록 (Abstract)

NGS 데이터의 대량 생산은 여러 다양한 유전체 시퀀싱 데이터의 생성 및 분석을 가능하게 했으며 이러한 분석을 위해서는 참조 유전체에 생성된 NGS 리드 데이터를 매핑하는 전처리 과정이 필수적이다. 이 과정에서 생성된 데이터의 품질은 이후 분석 결과의 품질과 직결되어 있다. 현존하는 매핑 프로그램은 MAPQ라는 점수의 형태로 매핑 데이터의 품질을 제시하고 있으나, 이전 연구에서 MAPQ와 실제 리드 생성 위치 간 정확도 간의 상관 관계가 낮음이 밝혀졌다. 본 논문에서는 이를 해결하기 위해 머신 러닝 기법인 XGBoost를 사용하여 실제 매핑 위치를 예측하고 이를 활용해 MAPQ 점수를 수정하는 방법론을 개발하였다. 그 결과 새롭게 수정된 MAPQ 점수는 실제 리드 생성 위치 정확도와 0.89 정도의 높은 상관관계를 보이는 결과를 나타냈다. 본 연구를 통한 유전체 리드 매핑 데이터의 정확도 향상은 이후 분석 단계 품질을 개선하는 효과를 기대할 수 있다.
유전체 어셈블리는 가장 활발히 진행되는 매핑 이후 단계 분석 중 하나이다. 조립된 유전체 염기 서열을 이용해 여러가지 분석이 가능한데 종 간 진화적 관계를 파악하는 진화 분석도 그 중 하나이다. 진화 분석은 유전체 염기 서열 정렬을 통해 신터니라고 불리는 종 간 상동성을 가진 유전체 지역을 찾고 추가 분석을 진행한다. 그러나 추가 데이터 없이 신터니 지역 만으로는 종 간 보존 지역 내 보존 정도를 파악하고 특이 지역을 정의하기 어렵다. 본 논문에서는 신터니 지역 내 염기 간의 보존 정도를 계산하는 파이프라인을 개발하여 이를 해결하려 하였다. 파이프라인을 통해 신터니 내 대응 위치에 존재하는 염기 간의 엔트로피 및 갭 존재 비율을 제시한다. 인간, 생쥐, 침팬지의 신터니에 대해 엔트로피 및 갭 비율을 계산한 결과 다른 신터니에 비해 특이한 보존 정도를 가진 신터니를 찾을 수 있었으며 추가적으로 해당 신터니 내의 엔트로피 분포에 대해서도 살펴보고 신터니 내에서도 보존도가 높은 지역을 파악할 수 있었다. 이러한 보존 정도 파악은 추가 데이터 없이도 유전체 내 특이 지역 파악을 용이하게 하며 해당 데이터를 기반으로 목표 지역을 정의하고 추가 분석을 진행할 수 있다.

다국어 초록 (Multilingual Abstract)

The massive production of Next Generation Sequencing (NGS) data has enabled the generation and analysis of diverse genomic data. Mapping the reads to a genome assembly is an essential preprocessing procedure for genomic and multi-omics data analysis. The quality of the mapping data is directly linked to the quality of the further analysis. MAPQ (Mapping Quality) is the representation of the quality of read alignment that contains the quality of read and the alignment score of the mapping data. However, previous study has shown that MAPQ and position of read origin had a low correlation, which reflects current MAPQ cannot deliver the read origin information. In this paper, we present a machine-learning model developed using XGBoost to predict the actual mapping position and adjust the MAPQ scores, thereby improving the quality of read mapping data. The model achieved 0.9638 for R^2, and 0.0083 for MSE. The newly adjusted MAPQ scores exhibited a high correlation approximately 0.89 with the read origin.
Furthermore, genome assembly plays a crucial role in various analyses, including evolutionary analysis, which aims to determine evolutionary relationships between different target species. In evolutionary analysis, whole genome alignment data is utilized to identify homologous regions called synteny. However, the identification of synteny alone cannot provide information about the degree of conservation within specific regions. To address this limitation, we developed a pipeline that calculates the conservation level between nucleotides within synteny. Entropy and gap proportion was chosen as measures to represent the conservation at corresponding positions within the synteny. Using the pipeline, entropy and gap proportion values for the synteny of human, mouse, and chimpanzee genomes were obtained. Notably, synteny 455 exhibited the lowest entropy with a value of 0.022 indicating a highly conserved region. Additionally, most nucleotides within the synteny showed a distribution with an entropy value of zero. These findings suggest the presence of the most conserved regions in the genome, providing valuable insights for identifying target regions in evolution analysis.

목차 (Table of Contents)

• 제1장 서론 1
• 제1절 유전체 시퀀싱 데이터 매핑 품질 개선 1
• 제2절 유전체 보존 분석 6
• 제2장 유전체 시퀀싱 데이터 매핑 품질 개선 방법론 개발 9
• 제1절 유전체 시퀀싱 데이터 매핑 품질 개선을 위한 인공 지능 모델 개발 9
• 제2절 개발한 인공 지능 모델의 성능 평가 및 품질 개선 결과 분석 16
• 제3장 유전체 보존 분석 파이프라인 구축 18
• 제1절 유전체 정렬 데이터를 활용한 보존 분석 파이프라인 구축 18
• 제2절 구축한 파이프라인의 성능 평가 및 결과 분석 21
• 제4장 결론 23
• 참고문헌 24
• ABSTRACT 26