Posted by 人Co

 1-1-2. De novo assembly    

 Human genome project 이후 다양한 종에서 Whole Genome Sequencing(WGS)이 진행되고 있다. 고전적인 방법으로 BAC library를 제작하여 샷건 시퀀싱으로 진행되던 방식이 NGS 시대에 들어 새롭게 진화하였다. 일예로 Dr. Andreas는 ‘Corynebacterium kroppenstedtii’의 유전체 시퀀싱을 단 7.5 시간 만에 수행하고 자동화된 genome annotation 파이프라인을 통해 단 3일 만에 논문으로 발표하였다[13]. 그러나 아쉽게도 미생물을 제외한 대부분의 종에서는 아직까지 NGS를 이용한 de novo assembly로 유전체 시퀀싱을 완성한 팀은 없다. 짧은 reads의 제한적인 정보로 복잡한 유전체 구조를 모두 밝히기엔 어려움이 따른다. 따라서 reference가 없는 새로운 종을 시퀀싱 할 경우에는 짧은 reads를 생성하는 Solexa나 SOLiD보다는 Roche 454를 이용한 long reads 시퀀싱이 유용하다. 2009년 10월 현재 Roche 454의 GS Titanium의 경우 평균 read 길이가 350bp에 달하고 최대 700bp까지 시퀀싱을 수행한다고 한다[8]. 단, 유전체 구조상 반복 서열 영역과 같은 서열상의 정보로만 분석 되지 않는 부분은 paired-end reads의 fragment size를 다양하게 디자인하여 long reads와 함께 분석 하여야 한다. 이렇게 de novo assembly의 경우 long reads와 short paired-end reads를 동시에 처리할 수 있어야 하므로 assembler 또한 이들 모두를 처리할 수 있어야 한다.

대표적인 de novo assembler로 Velvet(Solexa bundle program)[9], Newbler(454 bundle program)[10], ABySS[11], CLC NGS Cell, 그리고 고전적인 프로그램인 Phrap을 들 수 있다. 이들 assembler의 특징에 대해 좀 더 자세히 살펴보기 위해 다음의 몇 가지 조건을 기준으로 살펴보았다. 단, phrap의 경우 NGS reads의 특성상 대량의 데이터를 처리하기엔 메모리와 속도 면에서 비교하기가 어려울 만큼 효율적이지 않은 점을 고려하여 이후 비교 분석에서는 제외하였다.

  최근 de novo assembler의 개발이 가속화 되면서 human 유전체를 대상으로 de novo assembly에 성공한 사례가 발표 되었다. CLC NGS Cell[12]과 ABySS[11]가 그 주인공으로 Illumina의 paired-end reads를 분석에 이용하여 38X의 human 유전체를 완성 하였다고 밝혔다. 그 두 프로그램의 결과를 비교해 보면 표 4와 같다. CLC NGS Cell은 최근 2.0에서 3.0 beta 버전으로 업그레이드되면서 de novo assembly에 놀라울 만큼의 결과를 향상 시켰다[12]. 단적으로 38X나 되는 많은 데이터를 de novo assembly로 분석하는데 단 78시간(CPU time)밖에 소요되지 않았다는 것만으로도 매우 놀라운 일이다(표 4).

 이는 ABySS와 비교했을 때 약 172배가 빨라진 결과이다[12]. 뿐만 아니라 분석된 contig의 품질을 살펴보면 100bp 이상 되는 contig는 ABySS 보다 많으며 최대 contig 길이 면에서 1.7배 긴 contig를 생성하고 있다. N50 또한 서로 비슷한 결과를 보여 주고 있어 단순히 빠른 속도만을 내세우는 프로그램이 아닌 분석 결과에 대한 정확성 면에서도 믿음을 주고 있다. 이를 한 번 더 검증하기 위해 짧은 유전체를 대상으로 Velvet과의 정확성 테스트를 다시 수행하였다. 그 결과 Velvet의 부정확한 assembly에 비해 CLC NGS Cell은 모두 정확한 assembly를 수행하였음을 확인 할 수 있었다(표 5)[12].

비슷한 결과로 Shizosaccharomyces pombe 132, Fungi 유전체를 대상으로 테스트한 결과에서도 CLC NGS Cell이 Velvet 보다는 좋은 결과를 보였다(표 6). 마지막으로 long reads와 short reads를 동시에 분석하여 복잡한 유전체 구조를 분석 할 때 서로 다른 데이터 플랫폼이 함께 분석되어야 한다. 이를 위해 GS titanium과 Illumina 데이터(Solexa)를 다양한 비율로 구성한 테스트 세트를 이용하여 분석하였다(표 7).

  분석 결과 long reads 구성이 많을수록 긴 contig를 구성하는 것을 확인할 수 있었다. 그러나 여기서 보여지진 않았으나 반복서열 영역과 같은 시퀀싱이 쉽지 않은 영역의 데이터를 long reads 보다는 short reads에서 확인할 수 있었다. 따라서 두 가지 플랫폼의 장점을 모두 수용할 수 있는 assembler를 선택하여 분석의 정확성을 높이는 것이 좋을 듯하다.

 1-1-3. Workflow

 NGS 데이터의 분석 단계는 크게 pre-processing, assembly, 그리고 assembly를 이용한 이차 분석으로 나눠진다. Pre-processing 단계에서는 다양한 플랫폼으로부터 single reads, long reads, paired reads 그리고 unpaired reads들의 정보를 assembly 단계에 적용하기 위한 작업을 수행한다. 대부분의 assembler는 대용량의 데이터 처리를 위해 index 파일을 자체 프로그램에 맞게 생산하는 단계를 거치거나, 다양한 플랫폼에서 생산된 데이터를 특정 포맷의 입력 포맷으로 전환하는 과정을 수행한다. 그러나 이러한 과정은 자칫 시퀀싱 자체의 raw 정보를 유실하는 경우가 발생할 수 있으므로 assembler의 기능을 면밀히 살펴 최대한 정보를 그대로 보존할 수 있는 assembler를 선택하는 것이 좋다. 그중 CLC NGS Cell은 대부분의 시퀀싱 raw 파일을 입력 포맷으로 지원하므로 이러한 정보 손실을 줄여 줄 수 있는 이점이 있다. 더욱이 zip file 형태의 파일을 바로 입력 포맷으로 지원하므로 분석 단계에서의 파일 관리가 수월한 점도 장점이라 하겠다.

 다음으로 assembly 과정에 대해 알아보자. NGS reads의 assembly는 제한적인 computing power를 고려하여 데이터를 여러 개로 분리하여 반복 수행하게 된다. 이후 이들 assembly 결과를 하나로 합치는 과정을 통해 전체적인 assembly을 완성한다. 대부분의 프로그램이 한 번의 명령어 수행으로 contig 서열 혹은 assembly 파일을 얻을 수 있다. 그림 3. CLC NGS Cell workflow. 다양한 입력 포맷을 지원하므로 assembly 수행을 위한 여러 단계의 전처리 과정이 없으며 assembly 이후 한 번의 스크립트 수행을 통해 원하는 다양한 정보를 이차적으로 생산할 수 있다.

 마지막으로 assembly 결과를 이용한 다양한 이차정보 분석이다. SNP와 같은 variation 분석, assembly 결과를 보여주는 그래픽 인터페이스 그리고 assembly quality 정보 분석이 주로 수행된다. 그 중 assembly quality는 reference assembly의 경우 assembly에 참여된 reads의 coverage와 fold로 나타낼 수 있으며 de novo assembly의 경우 N50 및 fold value가 지표가 될 수 있다. 이러한 분석 역시 간단한 명령어 수행으로 대부분의 프로그램에서 수행하고 있다(그림 3).

그림 3. CLC NGS Cell workflow. 다양한 입력 포맷을 지원하므로 assembly 수행을 위한 여러 단계의 전처리 과정이 없으며 assembly 이후 한 번의 스크립트 수행을 통해 원하는 다양한 정보를 이차적으로 생산할 수 있다.

또한 그림 4는 alignment 결과와 그에 따른 SNP evidence를 그래픽 인터페이스를 통해 보여주고 있다. CLC NGS Cell은 reference assembly 수행 시 유전자 구조 및 기능 정보를 담고 있는 NCBI의 genbank 포맷의 파일을 reference 파일로 입력 받을 수 있는데, 이를 이용하게 되면 assembly 수행 후 결과를 CLC Genomics Workbench를 통해 유전자 위치와 alignment 된 reads 정보를 따로 그래픽 인터페이스를 제작하지 않고도 쉽게 확인 할 수 있다. 또한 SNP 정보를 함께 CLC Genomics Workbench를 통해 확인할 수 있어 바로 프라이머를 제작하는 등의 차후 분석이 가능하도록 돕고 있다.

그림 4. CLC Genomics Workbench를 이용한 alignment view 와 SNP view. Reference assembly 수행 시 annotation 정보가 있는 .gbk 파일을 이용하여 분석한 후 assembly 파일을 Genomics Workbench를 통해 확인하면 유전자의 위치와 함께 alignment reads의 상세정보를 확인 할 수 있다. 아울러 SNP 정보 중 cSNP의 경우 translation 정보를 활용하여
non-synonymous/synonymous SNP를 구분하여 분석 할 수 있다.

Posted by 人Co

1. Next Generation Sequencing?

 1-2. Assembly

  1-2-1. Reference assembly

그림 1. 프로그램별 다양한 데이터 셑으로 구성된 reference assembly 시험 결과. 회색바는 alignment 된 비율, 붉은색바는 부정확한 alignment를 각각 나타낸다

그림 2. Reads의 다양한 mutation 비율에 따른 mapping의 정확성 시험. Drosophila genome과 transcripts를 reference로 하여 reads의 mutation 비율을 각각 3%, 6%, 9%로 조정하여 mappping을 수행. 회색바는 alignment된 reads의 비율을 의미하며 붉은색 바는 부정확하게 alignment된 비율을 나타낸다.

그림 2에서는 각 프로그램별 variation을 고려한 assembly 결과를 보여주고 있다[6]. Drosophila의 transcripts와 유전체 서열을 각각 reference로 하고 mutation 비율이 각기 다른 NGS reads를 맵핑하여 프로그램의 정확성을 확인 하였다. 이도 역시 CLC NGS Cell과 SSAHA2가 가장 우수한 결과를 보이고 있다. 그러나 CLC NGS Cell의 경우 mutation 비율에 상관없이 안정적인 정확성을 보이고 있는 반면, SSAHA2는 mutation 비율이 커짐에 따라 정확성이 떨어지는 문제점을 들어내고 있다. 따라서 SSAHA2를 이용할 경우 사전에 데이터의 특성을 미리 파악하여 적절히 이용하는 것이 좋을 듯하다.

Posted by 人Co

기술 소식지 연재는 블로그를 통해 2월 8일부터 시작되어 약 9주에 걸쳐 진행될 예정입니다. 연재 순서는 아래와 같습니다.

많은 관심 부탁드립니다.
감사합니다.

연재 순서

1. Assembly
2. Variation study
3. Expression study
4. Epigenomics
5. Genome Annotation
6. Next Generation Bioinformatics
7. Data Management for web 2.0 Era
8. Semantic Network for Integrated Biology Data
9. Gene Network Discovery by Text-mining
10. Centralization for High-throughput Data Analysis

Posted by 人Co

Posted by 人Co

Django는 파이썬 웹 프레임워크로써 웹 개발을 편리하게 하기 위한 종합적인 환경을 제공한다. 편리한 웹 개발을 위해 제공되는 것들 가운데에는 객체관계매핑, 유연한 웹 템플릿 활용 등 다양한 것들이 있지만, 가장 중요한 특징은 바로 객체관계매핑이다. 본 포스팅은 초보 웹개발자를 위해 Django 에서는 어떻게 데이터베이스를 사용하고, 이를 객체로 연결하여 활용하는 가를 설명한다.

Database  --> SQL in source code

일 반적인 테이터베이스 어플리케이션은 보통 위 다이어그램 처럼 직접 데이터베이스 질의언어(SQL)을 어플리케이션 소스코드에서 직접 조작하는 방식으로 구성된다. 데이터베이스의 특정 테이블의 내용을 추출하기 위해서는 SQL "select" 구문을 직접 문자열로 조작하여 데이터베이스 연결 커서에 질의를 수행한다. 잘 알고 있는 내용이지만, 새로운 레코드를 삽입할 경우에는 "insert", 기존 레코드를 수정할 경우에는 "update", 삭제할 경우에는 "delete" 구문을 사용한다. 이들 역시 SQL 구문을 문자열로 조작하여 데이터베이스를 조작하게 된다.

Database --> Django ORM --> Object in source code

Django 는 위 다이어그램 처럼 데이터베이스의 내용을 객체로 변환하는 ORM(Object Relation Mapper)를 중간에 갖고 있어서, 어플리케이션 소스코드에서 직접 객체를 조작할 수 있도록 구성되어 있다. 개발자는 데이터베이스를 조작하는데 SQL을 사용하지 않고 직접 객체를 사용할 수 있다.

Django에서 데이터베이스의 관계(Relation)를 객체(Object)로 바꿀 때의 수준 및 용어는 다음과 같다.

이러한 방식으로 각각의 SQL 구문은 다음처럼 객체지향 프로그래밍이 가능한다.

 1. SELECT --> Est.objects.all() 
           --> Est.objects.filter(id__contains='1')
           --> exclude, get, count,...
 1. INSERT --> Est.objects.create(name='a',...)
 1. UPDATE --> est = Est.objects.get(id=1)
               est.name = b; est.save()
 1. DELETE --> est.delete()

기 존의 어플리케이션 작성시 반복적으로 나타나는 SQL 구문의 패턴을 수정하는 일은 많은 중복과 함께 관리가 귀찮은 면이 있으나, 객체로 활용하면 보다 직관적이고 관리가 용이한 형태의 개발이 가능하다. 이밖에도 다음과 같은 장점이 있다.

1. RDBMS independant (Oracle, MySQL, PostgreSQL, Sqlite) : Django 에 구현된 각 RDBMS 별 wrapper 를 통해 RDBMS 의 종류가 어떤것인가에 상관없이 만들 수 있다. 개발 용 PC에서는 가벼운 sqlite 를 사용하고, 실제 서비스에서는 Oracle 로 사용하는데 소스코드의 수정이 거의 필요없다. (물론 테스트를 통해 검토해 볼 필요는 있음)
2. 직관적인 객체지향 프로그래밍 : 다양한 웹 프레임워크 및 웹 관련 라이브러리에서 객체관계매핑이 구현되어 있으나, Django 는 가장 직관적이고 활용이 용이한 방식을 제공한다.
3. 기존의 DB 기반 구성을 객체 기반 구성으로 확장하여, 컴포넌트를 조합하는 방식의 개발이 가능하다.

대 신 단점도 있다. 복잡한 SQL 질의인 경우, ORM에서는 성능이 낮을 수 있다. : ORM 에서는 SQL 구문의 생성을 추상화하여 구현하였으므로, 복잡한 쿼리의 경우 비 효율적으로 SQL 구문이 생성될 수 있다. 또한 불필요한 질의를 자주 수행함으로써 성능이 낮아질 수 있다. 하지만 Django에서는 이러한 경우를 위해 사용자가 직접 SQL문을 만들 수 있는 기능을 제공하고 있으며, 오픈소스 커뮤니티를 통해 지속적으로 성능이 개선되고 있으므로 그다지 문제가 되지 않는다.

여 러개의 RDBMS를 지원함으로써, RDBMS 간의 마이그레이션이 용이하다는 장점도 있다. Django 에서 현재 데이터베이스의 내용을 덤프받고, 새로운 설정에서 로드하기만 하면된다. 아래 소스코드는 이전 대상 모델들의 데이터를 JSON 형식으로 덤프받고 새 환경에서 로드하는 내용을 보여준다.

from django.core.serializers import serialize
result = []
models = (User, ...) # 이전대상 모델들
for model in models:
    result.extend(model.objects.all())
print serialize('json', result)

뒤 코드를 backup.py 로 저장한뒤,

./backup.py > ../fixtures/initial_data.json

로 덤프받고, 새로운 환경에서

./manage.py syncdb 

만 수행하면 마이그레이션이 완료된다.

Django 데이터 객체를 이용하여 데이터베이스를 검색하는 방법은 다음과 같다. 만일 Est 라는 모델이 있고, 속성이 name, identifier, sequence, data 가 있다면,

Est.objects.all()   # 모든 EST 객체
Est.objects.filter(sequence__startswith='ATG')  # sequence 속성이 ATG 로 시작하는 객체
Est.objects.filter(                 # 필터를 체인으로 연결
        name__endswith='Etc.',
    ).exclude(
        date__gte=datatime(2005,1,1),
    ).filter(
        sequence__icontains('AGAGAG'),
    )

q = Est.objects.filter(sequence__startswith='ATG')[:10]    # queryset are lazy
print q
Est.objects.filter(amodel__bmodel__cmodel__name__startswith='abc')  # field lookups related models

 1. Blog.objects.filter(entry__headline__contains='Lennon',
            entry__pub_data__year=2009)
 2. Blog.objects.filter(entry__headline__contains='Lennon').filter(
            entry__pub_data__year=2009)

Posted by 人Co

입사지원서.doc

Posted by 人Co

지난 10월 1일은 저희 (주)인실리코젠의 창립기념일이었습니다. 2004년에 설립된 인실리코젠은 올해로 5번째 생일을 맞이하였습니다. 회사 식구들이 모두 모인 자리에서 창립기념일을 기념하는 행사가 진행되었습니다. 10월 1일 목요일의 5주년 행사에서는 어떤 일이 있었는지 지금부터 그 생생한 현장속으로 ~ 고고고!!!

Posted by 人Co

지난 2일 국립수의과학검역원 동물위생연구동의 세미나실에서 올해 시범사업인 ‘바이러스 유전자 변이감시 프로그램’의 설명회가 있었습니다.

또한 질의 및 답변 시간은 추가적으로 필요한 사항과 앞으로 개선되어야 할 점 등에 대한 토론으로 시스템이 한층 더 발전할 수 있는 계기가 될 수 있는 중요한 시간이었습니다.

그 리고 인플루엔자 서열 분석에 사용되어질 CLC Main Workbench 프로그램에 대한 기본적인 기능 및 간단한 시연을 할 수 있는 시간도 마련되었으며, 다른 기관에서도 기본적인 생물정보 분석을 진행해볼 수 있도록 프로그램 설치방법과 라이센스를 제공하였습니다.

Posted by 人Co

지난 2009년 8월 21과 22일에 걸쳐 대한환경위해성보견과학회 workshop과 관련한 당사 워크샵이 있었고, 여기서 당사에서는 처음으로 PechaKucha를 실시하였습니다. PechaKucha에 관한 자세한 사항은 여기에서 볼수 있습니다. PechaKucha의 원칙적인 Rule은 20장의 슬라이드를 20초씩 발표하는 것이지만, 당사에서는 처음시도되는 것이고, 참석자 전원이 발표를 해야해서 6장 슬라이드에 20초씩 발표 하기로 했습니다.

물 론 첨엔 다들 반신반의 했습니다. 워크샵의 일환으로 기획되었지만, 가서 발표하려면 준비도 해야하고, 일반적인 자료발표와는 달리 20초 안에 한장의 슬라이드에 대한 내용을 압축적으로 설명하고, 그림도 한번보면 척~ 알수 있는 핵심적인 내용으로 잘 꾸며야 했기에 적지 않이 부담이 되었습니다. 주제는 자유주제로 각자 골라서 발표하기로 하고, 발표후 인기투표를 통해서 상위 두사람에게는 상품권도 주기로 했습니다.

페차쿠차 각 팀별 우수작품으로 간추려 보았습니다.

밤이 되어서, 준비해간 빔프로젝터 대신 커다란 평면TV에 화면이 준비되고, 강대리님의 첫발표를 시작으로 PechaKucha를 시작했습니다. 한분한분 숨겨둔 슬라이드를 들고서 20초씩 설명해가는 와중에 관심어린 눈빛과 탄성을 통해서 인실리코젠의 PechaKucha night은 재미를 더해갔습니다. 발표된 내용들도 다양했습니다. 임천안 실장님은 골프 에티켓과 기본적인 지식등에 대해 알려주셨고, 회사에서 커피를 내리는 태선임은 다양한 커피에 대한 정보를 알려 주셨으며, 조팀장님은 실제 야구공을 들고 투수가 던지는 공의 구질에 대해 발표하셨습니다. 이때 지켜보던 많은 사람들이 조팀장님이 들고 계신공을 돈주고 사고싶어지는 구매욕을 느끼기도 했습니다(조팀장님의 마케팅실력??). 지난 일들에 대한 회고를 정리해서 발표하신분들도 있었습니다. 김경윤씨는 지난 인생의 기록들을 모아서 6장의 슬라이드에 담아주셨고, 강연경대리님은 당사에서일어난 일년간의 일들에 관해서 회고해 주셨고, 디자이너이신 김성진씨는 지난 프로젝트결과물들을 멋진 그림으로 채워서 보여주셨습니다. 박병준대리는 지난일을 회고 하고, 근래에 하고있는 여가활동에 관해 얘기해 주시기도 했습니다. 다소 전문적인 내용을 소재로 발표해주신 분들도 있었는데요, "입자 가속기 LHC와 컴퓨터 과학"이라는 주제로 도저히 2분안에 설명이 불가능한 주제를 간략하고 잼있게 소개해주신 김용일씨가 있었고, 일상적으로 사용하는 컴퓨터키보드중에서 흔히볼 수 없는 독특한 기종들을 모아서 정호진수석 컨설턴트님이 발표해주셨습니다. 박준형팀장님과 김형용팀장님은 각각 "결혼까지의 골인"과 "한국의 프로그래머 성공 스토리" 라는 주제를 가지고, 실질적이며 교훈이 될만한 내용을 알려주셨습니다. 박준형팀장님의 발표내용은 특히나 나이많은 싱글들에게 많은 영향을 주었고, 김형용팀장님은 당사의 개발자들에게 프로그래머로서 성공할 수 있는 대표적인 케이스를 선보이시면서 개발자들이 가야할 길에 대해 제시하셨습니다. 그리고, 파견근무후에 늦게 합류한 분들도 발표를 해주셨는데, 김경의씨는 본인의 사진활동에 대해서 감성어린 자료로 많은 사람들에게 감동을 주었고, 이규열선임은 구글에서 검색되어지고, 보여지는 당사의 내용에 대한 분석자료를 내놓아서 생물정보 컨설턴트로서의 기질을 십분발휘한 멋진 발표를 해주셨고, 신윤희선임은 "따스한 세상 만들기"라는 주제로 전세계 불우한 어린친구들을 구하고, 후원하는 내용을 발표하시고, 참석한 당사 성원들에게 전세계에 평화와 안녕에 힘써달라는 메세지를 전해주셨습니다. 그리고 마지막으로 바쁜일정을 소화하시고, 도착하신 강병철실장님은 우리가 익히 알고 있는 거장들의 잘 알려지지않은 내용을 소재로, 간과할수 있는 그러나 눈여겨 볼 만한 사실을 캐내는 경험을 선사 하셨습니다.

늦게 도착하신 강병철실장님을 제외하고, 인기투표가 있었는데요, 두구두구두구두구....

짜 잔.. 최우수상은 아름다운사진들로 참석자들에게 사진의 미학에 대해 알려주신 김경의씨가 수상했고, 우수상은 전우리군의 어머니이자 틈틈히 어려운 이웃들의 후원에 힘쓰시는 신윤희선임이 수상하셨습니다. 다시한번 축하드립니다. 사실 인기투표에서는 공동일등을 하셨구요. 그리고 마지막으로 바쁜일정을 소화하시고, 도착하신 강병철실장님은 우리가 익히 알고 있는 거장들의 잘 알려지지않은 내용을 소재로, 간과할수 있는 그러나 눈여겨 볼 만한 사실을 캐내는 경험을 선사 하셨습니다.

아울러 투표결과와 상관없이 준비하시고 발표해 주신 모든 분들께 감사드립니다. 특히나 PechaKucha를 제안하시고, 추진하신 김형용팀장님 수고 하셨습니다. 일정이 끝나고 다들 꼼꼼한 준비와 유창한 발표실력에 서로들 몰랐던 새로운 사실을 알아가는 유익한 자리였습니다. 이번 워크샵과 PechaKucha를 통해서 인실리코젠에서는 다시한번 성원들간의 경험을 공유하고, 같이 성장하는 기회가 되었습니다.

Posted by 人Co