암을 유발하는 유전변이 가운데 가장 중요한 것이 복제수변이(Copy-number variation, CNV)입니다. 암 복제수변이는 체세포(somatic) 유전변이이기 때문에 생식세포 복제수변이(germline CNV)와 구분하여 CNA(Copy-number alteration)라고도 합니다. 유전체의 특정 유전자 영역이 증폭(amplification)되거나, 삭제(deletion)됨으로써, 온코진(oncogene) 강화 혹은 종양억제유전자 약화 역할을 수행합니다. 치환변이(SNV)도 중요하지만, 그 종류가 너무 다양하기 때문에 치료 표적으로 삼기가 복잡하지만, CNA는 해당 유전자를 직접 억제하거나 보완하도록 치료표적으로 할 수 있기 때문에 임상에서 더욱 중요합니다.

특정 암 조직에 대해 유전체 복제수변이 CNA가 있는지 확인하는 다양한 방법이 있습니다. 고전적인 FISH 등 염색 후 현미경으로 관찰 방법에서, 고밀도 SNP array의 방법으로 발전해 왔고, 특히 SNP6라고 알려진 Affymetrix의 칩은 SNV과 함께 CNA를 탐지하는데 널리 사용되고 있습니다. 최근 NGS 실험방법의 발전으로, WGS, WES 데이터로 매핑정도(mapping depth)를 이용하여 CNA를 추정할 수 있는데, 이는 정밀의료시대를 위해 중요한 분석 방법으로 주목 받고 있습니다. NGS 데이터로 SNV와 CNA를 함께 탐지하고, 유전변이에 맞는 치료를 수행할 수 있기 때문입니다.


(그림 1. VarScan2 프로그램이 WES 데이터로 mapping depth를 기반으로 CNA 추정하는 과정 - 염색체의 특정 영역이 삭제되거나 증폭됨을 알 수 있습니다. 출처: Exome-based Copy Number Analysis with VarScan2)

다양한 프로그램들이 NGS 데이터로부터 CNA를 탐지할 수 있습니다. 보통은 BAM 파일을 읽어 유전체의 어느 영역이 CNA인지 추정합니다. 다양한 알고리즘들이 사용되지만, 각각의 특징들로 인해 그 정확성은 다양합니다. NGS 기반 정밀의료를 위해서는 어떤 방법이 정확하게 NGS 데이터로 CNA 추정할 수 있는지 확인하는 것이 중요합니다.

한양의대 공구 교수님 지도로 TCGA 유방암 WES 데이터로 7종의 WES CNA 탐지도구의 정확도를 평가한 연구 결과가 Oncotarget에 실렸습니다. (Gene-based comparative analysis of tools for estimating copy number alterations using whole-exome sequencing data Oncotarget 2017)

TCGA는 암 환자의 WES 데이터 뿐 아니라, SNP6로 실험한 CNA 데이터를 함께 제공합니다. 이번 연구는 TCGA에서 제공되는 SNP6 CNA 데이터를 정답으로 하여, 다양한 WES 기반 CNA 탐지 프로그램(CoNIFER, CODEX, ngCGH, ExomeCNV, VarScan2, saasCNV, falcon)의 정확도를 확인하였습니다.

(그림 2. 본 연구방법의 전체 모식도 - TCGA 유방암 419 사례의 WES CNA 추정결과와 SNP6 CNA 결과를 비교함)

TCGA 유방암 419 사례에서 각각 민감도(sensitivity)와 특이도(specificity)를 확인한 결과는 다음과 같습니다.

(그림 3. 7개 CNA 추정 프로그램의 민감도, 특이도 막대그래프. CNA Gain과 Loss로 나누어 각각 확인함)

하나의 사례를 골라서 프로그램마다 얼마나 결과가 유사한지 확인한 결과는 다음과 같습니다.

(그림 4. 하나의 사례에서 CNA Gain/Loss를 정답인 SNP6 결과와 비교하고, 그 결과를 벤 다이어그램으로 표시)

전반적으로 암-정상 사례로 분석하는 도구(ExomeCNV 등)가 암 사례만 분석하는 도구(CoNIFER 등)에 비해 정확도가 높았습니다. 본 연구를 통해 CNA를 정확하게 추정하기 위해서는 정상조직도 함께 NGS 분석해야 함을 확인할 수 있었습니다. 종합적으로 saasCNV 프로그램이 가장 정확도가 높았습니다. 이 프로그램은 복제수를 대립유전자별로 확인(allele specific CNV caiing)할 수 있는 장점도 있어서 앞으로 NGS 데이터로 CNA를 추정하는데 중요하게 활용될 수 있을 것으로 기대합니다. 또한, 어떤 사례는 정확도가 높고, 어떤 사례는 정확도가 낮은데, 샘플 데이터의 어떤 요인이 정확도에 영향을 미치는지도 추가로 연구하여, 정밀의료 진단을 위한 분석 방법으로 활용 할 수 있습니다.

본 연구를 수행하는데 가장 많은 도움을 준 것은 Jupyter와 pandas입니다. "419사례 x 2만여 유전자" 행렬을 다양하게 다뤄야 하는데, pandas로 어렵지 않게 할 수 있었고, 중간중간 분석 결과들을 jupyter로 관리할 수 있었습니다. 이들 도구를 잘 사용하는 것은 유사한 분석을 수행하는데 필수 불가결한 요소가 될 것입니다.

작성자 : Platform Lab 수석개발자 김형용

Posted by 人Co

㈜인실리코젠은 생물정보(Bio-Informatics) 전문기업입니다.

㈜인실리코젠 내 분석사업부는 다년간 축적해온 생물정보 분석경험을 바탕으로 빠르고 신뢰 높은 고객 맞춤형 분석서비스 제공을 통해 해당 분야의 선두주자로써 위치를 굳건히 하고 있습니다.

분석사업부 확장에 따른 전문분석가를 모집하오니, 관심있는 분들의 많은 지원 바랍니다.

[상세모집요강]

1. 박사급
1) 모집부문 : 생물정보분석(박사급)
2) 담당업무
① 생물정보 데이터 분석
② NGS 분석
3) 자격요건
① 프로그래밍 가능자(Python, perl, R 중 택 1)
 ② NGS(유전체, 전사체, 후성유전체 중 택 1) 분석 경력(경력지원자)
 ③ 박사 이상의 생물정보학 및 생물학관련 전공자
4) 우대사항
 ① 생물정보 데이터 분석 경력 3년 이상자
 ② 연구 논문 작성 가능자
 ③ 영어 능통자

2. 석사급
1) 모집부문 : 생물정보분석(석사급)
2) 담당업무
① 생물정보 데이터 분석
② NGS 분석
3) 자격요건
① 프로그래밍 가능자(Python, perl, R 중 택 1)
② NGS(유전체, 전사체, 후성유전체 중 택 1) 분석 경력(경력지원자)
③ 석사 이상의 생물정보학 및 생물학관련 전공자
4) 우대사항
① 생물정보 데이터 분석 경력 3년 이상자
② 연구 논문 작성 가능자
③ 영어 능통자

[모집지역 및 인원]
본사(용인), 지사(대전) 각 ○명

※ 병역특례가능자(전문연구요원) 지원 가능(단, 본사(용인)에 한함)

[전형절차]
1. 서류전형 : 2017.05.22. ~ 2017.06.09
2. 1차 실무자면접 : 2017.06.12. ~ 2017.06.16 / 자기소개 포트폴리오(PDF, 5분 분량)
3. 2차 임원면접 : 2017.06.19. ~ 2017.06.23 / 1차 실무자면접 합격자에 한하여 개별통보
4. 3차 추가서류 제출 : 2017.06.20. ~ 2017.06.29 / 2차 임원면접 합격자에 한하여 개별통보, 제출서류 참고
5. 최종합격통보 : 2017.06.30.(금) / 입사예정일 2016.07.10.(월)

[채용형태]
- 신입 : 인턴직 0명(인턴 3개월 후 검증통과자에 한하여 정규직 전환), 전문연구요원 0명
- 경력 : 정규직 0명

[근무환경]
- 근무제 : 주 5일 근무
- 복리후생 : 4대보험, 퇴직연금 및 성과급, 유연근무제(장기근속자)
- 휴가제 : 연차, 경조사휴가, 충전휴가(장기근속자)
- 지 원 : 경조비, 주차비, 체력단련비, 아침식사, 교육훈련비, 도서 등 지원

[접수기간 및 방법]
1) 서류전형 마감일 : 2017.06.09
2) 제출방법 : E-mail(보내시는 곳 : mst@insilicogen.com)

[제출서류]
1) 서류전형
① 자사 입사지원서 : 파일명 `입사지원서_성명_지원분야.docx`으로 저장(예.입사지원서_홍길동_분석.docx)

② 개인정보이용동의서
③ 전문연구요원 지원자는 입사지원서 제출 시 지도교수추천서 첨부
2) 면접전형(서류전형 합격자)
① 공통 : 포트폴리오(PDF로 변환) 제출 및 발표(자기소개 및 경력위주, 5분 분량)
3) 3차 서류제출(2차 임원면접 합격자에 한하여 개별통보)
① 공통 : 건강검진확인서 및 병력확인서 제출
② 경력
     - 전 근무지의 근로자원천징수영수증(퇴사연도, 직전연도)
     - 고용보험이력확인서 : 고용보험 사이트에서 발급 가능

[기타사항]
1) 기본예의 등 소양이 되어 있는 자(필수)
2) 해외 출장이나 개인 신용에 결격사유가 없는 자
3) 채용절차 진행 중 당사에 부합하는 지원자가 조기 채용 시 본 채용공고는 위 일정과 상관없이 종료될 수 있습니다.
4) 최종합격 후 입사지원서 및 제출서류 내용에 허위사실이 발견될 경우 채용이 취소될 수 있습니다.
5) 절차별 합격자는 E-mail을 통해 개별 안내해 드립니다.
6) 연봉 : 회사내규 및 경력에 따른 협의

[문의처]
- ㈜인실리코젠 채용담당자 / 031-278-0061(내선720번)
- E-mail을 통해 문의하여 주시기 바랍니다.(mst@insilicogen.com)

Posted by 人Co

습하고 무더웠던 지난 7월 여름, 미국 플로리다주 올랜도에서 생물정보학 및 시스템 생물학 선도하는 ISMB(Intelligent Systems for Molecular Biology) 2016 학회가 있었습니다. 많은 분들이 참석하고 싶어했으나 올해에는 저와 이규열 팀장이 대표로 포스터 발표를 위해 참석하였습니다.

Posted by 人Co

그러다 보니 서버실의 더운 공기를 식히고 순환시켜주는 에어컨이나 공조장치들의 역할이 중요합니다. 보통은 에어컨에 적정온도를 맞춰 두고 24시간 가동하여 이런 문제를 대비하지만 언제나 그렇듯 사고는 예상치 못할 때 발생합니다.

의외로 이런 사고는 경험상 여름보다는 겨울이나 초여름에 잘 발생했습니다. 지난 겨울에는 실외기가 너무 추운 바깥 공기에 얼어붙어 버려서 냉매의 순환에 문제가 생겨 차가운 바람이 충분히 나오지 않는 문제가 생겼습니다. 그리고 보통 겨울에는 여름보다 조금 높은 온도를 에어컨에 설정해 두는데 갑자기 더위가 찾아오는 초여름에 너무 높아진 온도에 비해 충분히 차가운 바람을 내지 못하면서 서버실의 온도가 높아진 적도 있습니다.

이런 사고를 몇 번 겪었을 무렵 세상은 IoT(Internet on Things) 열풍이 불기 시작했습니다. 그중에서도 저의 관심을 끌었던 장비가 바로 라즈베리 파이(Raspberry Pi) 입니다. 라즈베리 파이는 영국 잉글랜드의 라즈베리 파이 재단이 학교와 개발도상국에서 기초 컴퓨터 과학의 교육을 증진시키기 위해 개발한 신용카드 크기의 싱글 보드 컴퓨터입니다. 크기는 작지만 하드디스크 대신 SD카드를 사용하고 HDMI 포트로 모니터와 연결도 가능하며 LAN포트도 있어서 인터넷 연결도 되는 엄연한 컴.퓨.터 입니다.

<스마트폰 보다 더 작은 컴퓨터, 라즈베리파이>

Posted by 人Co

Sequencher는 DNA 서열 데이터를 빠르게 분석하여 결과를 제공하는 소프트웨어입니다. 특히, sanger sequencing 데이터로부터 assembly 후 variation 정보를 찾아주는데 포커싱 되어 있어 특정 영역의 SNP 분석에 굉장히 유용하게 평가되고 있습니다. 최근 5버전대로 업그레이드가 되면서 NGS 데이터까지 분석이 가능하도록 기능이 확장되었고, 커맨드라인으로만 분석 가능했던 퍼블릭 툴들을 초보자들도 사용하기 쉽도록 GUI를 제공하여 편의성을 더해주었습니다.

그럼 NGS 데이터를 이용하여 실제적으로 어떤 분석이 가능한지 살펴볼까요?


Next-Gen Sequencing
[Reference assembly]
Sequencher에서는 NGS 데이터를 이용하여 reference assembly 시 이용하는 3개의 큰 알고리즘(Maq, GSNAP, BWA-MEM)이 있습니다. Maq이나 GSNAP을 통해 assemgbly 분석을 진행하면 SNP 분석도 함께 가능하며, 그 결과 값은 Tablet이나 Maqview를 이용하여 확인할 수 있습니다. 커맨드라인으로 제공하던 BWA-MEM도 GUI를 통해 다양한 옵션값을 손쉽게 설정할 수 있습니다. GSNAP이나 BWA-MEM로부터 얻은 VCF 포맷의 variant 정보는 SAMtools를 이용하여 분석할 수 있습니다.

[De novo assembly]
Reference 정보가 없는 de novo assembly의 경우에는 Velvet 알고리즘을 지원하고 있습니다. Velvet 또한 GUI를 제공함으로써, Tablet으로 결과값을 확인할 수 있고, 다양한 옵션값을 쉽게 설정할 수 있습니다.




[RNA-seq]
최신버전에서는 Differential Gene Expression(차등유전자발현) 연구를 위해 가장 많이 이용되는 RNA-seq 툴 중 하나인 Cufflinks를 플러그인으로 사용할 수 있습니다. Cufflinks 는 SAM 파일로부터 align된 reads를 가지고 GTF annotation 파일을 이용해 다시 align 하며, 다른 isoform과 transcript를 찾아줍니다. 이후 Cuffmerge를 통해 Cufflinks에서 나온 두 개의 transcript 파일을 하나의 transcript consensus 파일로 만들어 줍니다. 이 파일은 차등유전자발현 분석을 하는 Cuffdiff에 사용됩니다. Sequencher는 Cuffdiff에서 나오는 최종파일들(volcano plot, scatter plot, bar chart)을 다루며 발현 레벨에서 차이점을 그래픽으로 보여줍니다.







Connections
[BLAST & primer-BLAST]
Sequencher Connections는 Sequencher의 통합 웹 확장 툴이며, 이를 이용하여 2개 이상의 분석들을 동시에 진행할 수 있습니다. 다중 BLAST를 진행할 수 있어, 각 서열의 분석 결과를 실시간으로 빠르게 얻을 수 있습니다. 같은 서열로 다른 파라미터 조건을 주어 BLAST가 가능하며, 동시에 Local BLAST 까지도 수행할 수 있습니다. 또한 primer design을 위한 primer-BLAST를 할 수 있고, 해당 서열의 특정 영역을 확인 후 Sequencher Project에 예측된 primer를 저장할 수 있습니다. BLAST 검색 결과를 Web view 탭을 통해 뷰어할 수 있고, 이는 36시간 내에 다시 불러올 수 있으며, 그 이후로는 접근이 어렵습니다.



[MUSCLE alignment]
만일 여러 개의 서열로 그룹 분석을 하고 있다면, 다중서열정렬 알고리즘 중 가장 빠른 MUSCLE을 가지고 alignment를 할 수 있습니다. Sequencher Connections에서는 MUSCLE alignment를 다양한 옵션값으로 할 수 있고, alignment 이 후 phylogenetic tree도 생성할 수 있어 서열간의 유연관계도 확인할 수 있습니다.



이렇게 Sequencher에서는 NGS 분석까지 가능하도록 툴들이 확장되고 있습니다. 특히나 커맨드라인의 툴들을 사용하기 어려운 일반 생물학자들도 쉬운 인터페이스를 가진 Sequencher를 이용하여 NGS assembly를 진행할 수 있습니다. 그럼 Sequencher를 통해 NGS의 다양한 분석을 진행해 보세요.

Posted by 人Co

개요
생물정보 전문기업인 ㈜인실리코젠에서는 미래창조과학부의 지원을 받아 국가생명연구자원정보센터(KOBIC)의 위탁과제로 “대용량 바이오데이터분석 전문 인력 양성을 위한 교육 프로그램 개발”을 2014년 6월부터 2016년 5월까지 진행하였습니다. 저희 회사가 생물정보 전문인력 역량 강화에 관심을 가지고 자체적으로 사업을 운영한 것은 2012년부터였습니다. 人CoEDUCATION라는 명칭 아래 다년간의 사업 경험을 바탕으로 KOBIC의 차세대 생명정보학 인력 양성 사업도 효율적으로 운영할 수 있었습니다. 지난 2년간 수행했던 교육사업 내용에 대해 소개하고자 합니다.

차세대 생명정보학 교육의 필요성
NGS 시대의 인간 유전체를 포함한 다양한 유전체 연구가 급진적으로 발전하고 있으며, 이에 따른 차세대 유전체 정보 분석 전문가의 양성이 요구되고 있습니다. 따라서 KOBIC과 공동으로 유전체 연구 관련 생명정보학 지식과 프로그램을 개발하며 정기적인 워크샵을 통해 대학, 국가 연구기관 및 기업체에 유용한 유전체 정보 분석 전문가를 양성하고자 교육 프로그램을 진행하게 되었습니다.

차세대 생명정보학 교육 내용
1차년도 커리큘럼은 리눅스와 파이썬 등 최신 생물정보 분석을 수행하기 위한 기초 분석 교육에서 점진적 향상된 교육 진행을 목표로 하였습니다. 따라서 일반적인 NGS 분석과 동/식물 기반의 종 특이적 NGS 분석에 대한 교육 내용에 포커싱하여 커리큘럼을 설계하였습니다.

• 제22회 : 리눅스 및 파이썬을 이용한 생물정보 이해 (2014년 10월 6일~8일)
  - Linux와 Python의 기본 이론을 확립하고 실습을 통한
    생물정보 기초 분석 능력을 습득

• 제23회 : NGS 개요 및 RNA-Seq 분석 (2014년 11월 26일~28일)
  - NGS의 기본 개념을 이해하고 실습을 통하여 NGS 데이터 분석 및
    RNA-seq 분석에 대한 기초 분석 능력 습득

• 제24회 : Public 온라인 툴을 이용한 NGS 분석 및 네트워크 분석 (2015년 2월 25일~27일)
  - Public 온라인 툴을 사용하여 NGS 데이터를 가지고 variant 분석,
    RNA-seq, 네트워크 분석을 이론과 실습을 통하여 익힐 수 있도록 함

• 제25회 : R을 활용한 공개 및 NGS 기반 유전체 자료 분석 실습 (2015년 4월 1일~3일)
  - R을 활용하여 실제 유전체 자료 분석을 수행할 수 있도록 함

• 제26회 : Transcriptome assembly 분석 (2015년 5월 6일~8일)
  - NGS 데이터를 이용한 전사체 풀 구성과 유전자 기능 분석 방법을 습득

2차년도 커리큘럼은 미생물, 식물, 동물 및 인간을 대상으로 하는 연구에 직접적인 활용이 가능하도록 테마별 교육 진행을 목표로 하여 각 연구대상별 생물정보 이슈사항을 반영하여 커리큘럼을 설계하였습니다.

• 제27회 : Linux 및 Python을 이용한 생물정보 이해 (2015년 8월 17일~20일)
  - Linux와 Python의 기본 이론을 확립하고 실습을 통한
    생물정보 기초 분석 능력을 습득

• 제28회 : 미생물 유전체 및 대사회로 분석 (2015년 10월 12일~14일)
  - 미생물 유전체 분석에 대한 전반적인 이해 및
    분석 전략 습득과 실습 (중/고급과정)

• 제29회 : 식물 유전체 데이터 분석 및 활용 (2015년 12월 14일~16일)
  - 식물 유전체 분석에 대한 전반적인 이해와 분석 전략 및 실습

• 제30회 : 미생물 유전체 및 대사회로 분석 (2016년 2월 22일~24일)
  - 미생물 유전체 분석에 대한 전반적인 이해 및
    분석 전략 습득과 실습 (초급과정)

• 제31회 : 유전체 데이터 분석과 질병 연구 (2016년 4월 20일~22일)
  - 인간 유전체 데이터 분석과 질병 연구에 대한 전반적인 이론과
    실습을 통해 분석 능력 습득

차세대 생명정보학 교육 홈페이지
연구과제를 수행하면서 생물정보 교육을 위한 별도의 홈페이지 구축(KOBIC 차세대 생명정보학 교육 홈페이지 운영, http://kobicedu.labkm.net/labkm/)을 통하여 효과적인 교육 일정의 관리와 수강신청의 편의성, 교육 자료의 공유 및 수강생과의 커뮤니케이션이 가능하도록 하였습니다.




차세대 생명정보학 교육 만족도
총 10회의 교육 설문을 분석한 결과 교육의 이해정도 및 만족도, 교육생의 실력향상, 기대한 목표치의 부합성이 모두 70~80% 이상으로 높게 나타났으며 강사진의 능력, 수업분위기, 설명, 교육 자료 등도 높은 평가 결과를 보였습니다.

교육만족도


강사만족도

교육진행 만족도


기대효과
생물정보전문 인력양성 사업에 지속적으로 참여하면서 느낀 점은 사업의 질적 고도화가 필요하다는 것입니다. 실무능력 향상을 위한 교육기간 연장, 등급 체계의 교육, 실습시간 강화, 산학협력 프로젝트 수행 등이 병행되어야 하고, 배출된 인력이 어떠한 활동을 하고 있는지 학계 및 산업계의 기여도와 추적 조사도 병행되어야 할 것 입니다. 또한 맞춤형 인력 양성 체계를 구축하여 수요자의 요구에 부응하는 인력이 양성되어야 할 것으로 판단됩니다.

또한 이러한 교육 과정들을 통하여 국내 생물정보학을 위한 표준 교육과정 개발의 기초자료를 제공하여 국내 유전체 연구의 성장을 촉진하고, 생물정보 분석 인력 확보를 통한 국내 유전체 연구 효율성과 경쟁력을 향상시키는데 도움이 되었으면 합니다.

이번 연구과제는 완료되었지만 정기적인 생물정보 교육은 계속 이어서 진행될 예정입니다. 앞으로도 많은 관심과 참여 부탁드리겠습니다.

<주관부처>                            <주관기관>
   

Posted by 人Co

일반 미생물에서부터 난배양성 미생물들까지 모두 확인할 수 있는 방법으로 샘플을 자연상태에서 직접 채취하여 시퀀싱 하는 방법을 metagenome이라고 합니다. NGS가 발전하면서 간단하게 샘플의 16s rRNA를 추출 후 시퀀싱을 하여 해당 샘플내에 존재하는 미생물의 종류와 존재 비율을 알 수 있습니다. CLC Microbial Genomics Module은 16s rRNA 데이터베이스를 다운로드 하는 것부터 OTU clustering, alpha/beta diversity, PERMANOVA 분석까지 가능하게 해주며 미리 구성되어져 있는 워크플로우를 이용해 시퀀싱 raw data를 넣어주는 것만으로 분석이 완료가 됩니다.

지금부터 보여드릴 데이터는 용의자의 신발 두 켤레에서 나온 흙과 범행현장이라고 예측되는 곳의 토양 샘플의 16s rRNA를 시퀀싱하여 metagenome 분석을 응용한 것입니다. 시퀀싱 데이터를 모듈에 내장되어 있는 'Data QC and OTU Clustering'이라는 워크플로우에 넣어주면 trimming부터 OTU clustering까지 자동으로 진행되게 됩니다.



OTU clustering을 위한 워크플로우



이 워크플로우의 분석 결과로 data trimming report와 OTU clustering 결과를 볼 수 있는데 이 결과는 sunburst chart나 bar chart로 제공됩니다. 각 샘플별 clustering 결과에 metadata를 추가하여 특정 그룹으로 묶어 그룹간의 비교가 가능합니다.



그룹간의 OTU clustering bar chart

이후 OTU clustering 결과를 가지고 데이터의 taxonomy가 충분히 맵핑 되었는지 확인하기 위해 alpha diversity 분석을 수행하고, 샘플간 혹은 그룹간의 유사도를 보기 위해 beta diversity를 수행하게 됩니다. 그리고 MUSCLE 알고리즘을 이용한 alignment를 진행하고 phylogeny tree를 그려서 각 시퀀스간의 연관성을 확인합니다.



 

Diversity 확인 및 phylogeny tree 분석을 위한 워크플로우



두번째 워크플로우 분석 결과중 하나인 beta diversity의 결과를 함께 봅시다. Metadata를 이용하여 그룹을 지어주면 같은 그룹끼리 같은 색상으로 바뀌게 되며 그룹간 샘플간의 비교분석이 가능합니다. 아래의 그림에서 파란색 동그라미와 노란색 동그라미는 각각 다른 그룹을 의미하지만 유사도의 거리를 따졌을 경우 비슷한 것을 확인 할 수 있습니다 (일치라도 해도 될 정도로 유사함). 따라서 파란색과 노란색은 같은 토양 샘플이라고 잠재적 결정을 내릴 수 있으며, 용의자는 A 부츠를 신고 1번 site에 간 적이 있었다고 결론을 지을 수가 있겠습니다.



Beta diversity 분석 결과


16s rRNA를 이용한 metagenome 분석은 이러한 범인을 찾는데에 응용하는 것 외에도 특정 질병이 잘 걸리는 장내 환경을 조사해볼 수도 있고, 특정 작물이 잘 자라거나 특별히 잘 자라지 않는 토양에서의 미생물 분포를 알아볼 때도 사용할 수 있습니다.

CLC Microbial Genomics Module을 이용하여 우리눈에 보이지 않는 미생물들의 구성과 그 microbial community의 역할 및 특징들을 알아보고 싶으시면 지금 바로 trial 해보세요!

 <  이전화 보기  >

(문의) Consulting팀 (대표전화 : 031-278-0061, 이메일 : consulting@insilicogen.com)

Posted by 人Co

우리 몸을 구성하는 세포의 반 이상이 미생물 군집들로 차지하고 있습니다. 따라서 미생물의 분류학적, 유전적 기질은 사람, 동물 그리고 식물의 건강과 밀접한 관계를 가지고 있습니다.

특히 아직은 미생물의 유전적 기능 구성에 대한 정보가 구축되기에 어려움이 있고, 현재 metagenomics 분석 도구들도 기능적 구성이나 샘플간 변화 등을 정확하게 예측하기 위해 노력하고 있습니다. [Lindgreen et al. 2015].

만약 metagenome data를 de novo assemble 할 수 있고, 신뢰할 수 있는 기능 예측 결과를 통해 통계적으로 유의하게 변화된 것을 밝히는 분석도구가 있으면 어떨까요? 이러한 분석 도구가 NGS 데이터의 분석 표준이 되고 미생물 분석을 위해 최적화된다면 연구자분들에게 굉장한 도움을 줄 수 있을 것입니다.

미생물의 metagenomics 분석을 위한 플러그인인 CLC Microbial Genomics Module의 기능과 성능을 확인해 보세요.

결과 정확도

Figure 1. Metagenome 내 높은 정확도의 유전자 기능 예측 및 추적

2016년 1월에 Nature Scientific Reports에 14개의 다른 whole metagenome 분석 도구의 평가 결과에 대해 개재했습니다. 공개된 테스트 데이터를 이용해서metagenome의 기능적 분석이 가능한 5개를 선별하여 CLC Microbial Genomics Module과 비교했습니다. CLC Genomics Workbench에서 제공된 edge 테스트를 이용하여 통계적 분석을 진행하였고, photosynthesis, nitrogen fixation, pathogenesis에 대하여 분석을 진행하였습니다. (*는 통계학적으로 유의한, 정확한 변화를 일관적으로 예측하는 도구를 가리킵니다.)

Metagenomic 데이터를 바탕으로 미생물 군집에서 유전자 기능을 찾는 것은 어렵습니다. 더욱이 다른 metagenome 샘플간의 기능적 성질의 변화를 정확하게 측정하는 것은 더 어렵습니다. QIAGEN 솔루션은 미생물 유전체 분석에서 기능적인 차이를 정확히 찾고 정량화 할 수 있습니다. 또한 샘플간의 통계적으로 유의한 차이를 비교할 수 있도록 해줍니다.

여러 샘플의 비교는 샘플간의 기능적 변화를 찾고, 유사하거나 다른 기능적 요소를 분석하는데 쓰입니다.

Figure 2: 미생물 샘플들 전반에 걸친 기능적 비교

Metagenome에서 기능적 변화를 찾는 알고리즘은 많이 알려져 있지 않고, 기준이 되는 우수한 모델의 데이터셋이 없기 때문에 어려운 일입니다. 이런 어려움을 극복하기 위해 해당 연구결과에서는 기능을 파악하고 있는 두 합성 미생물 군집으로부터 각각 세개의 데이터셋(A1, A2, A3, B1, B2, B3)들을 만들었습니다.

Figure 2에서 보이는 것과 같이, CLC Microbial Genomics Module은 예측된 기능적 요소들의 비율을 바탕으로 두 개의 군집을 구분 할 수 있습니다.

Metagenome assembly 품질

새로운 Meatgenome assembler에서는 고품질의 어셈블리 결과를 생성하고 유전자 기능을 확인할 수 있습니다.

아래의 Table에서 CLC Microbial Module의 metagenome assembler와 다른 툴에서 misassembly, INDEL, mismatch error 등 다양한 지표들에서 어떤 차이가 나는지 비교해 줍니다.

Table 1 : Metagenome assembly의 품질 

QIAGEN metagenome assembler는 더욱 정확한 annotation을 가능하게 합니다. 데이터셋의 실제 길이는 209,845,413 base입니다.

 

실행 시간과 자원 효율성 계산

샘플의 크기가 크거나 데이터의 양이 많을때는 분석 실행시간과 요구되는 리소스가 매우 중요합니다.

테스트 데이터를 가지고 CLC Microbial Genomics Module의 어셈블러와 다른 어셈블러를 비교하였을 경우 분석 시간이 더 짧고 효과적이게 리소스를 이용하는 것을 확인하였습니다.

Figure 3. 최고의 metagenome assembly 분석도구

다른 metagenome 어셈블러들과 분석 시간과 리소스 사용면에서 비교하였을 때 우수한 결과를 보였습니다. (*MegaHit는 분석시간을 늘리면서 컴퓨터 메모리 소비를 줄이고 있습니다.)

 
분석에 소요하는 시간 축소

CLC Genomics Workbench 내의 workflow라는 기능을 이용하면 분석에 소요되는 시간과 노력을 크게 줄일 수 있습니다. 한번에 여러개의 데이터를 넣어줄 수도 있어 분석에 소요되는 시간과 동력을 절감시켜 줍니다.

Figure 4. 효율적인 workflow 기능

 <  이전화 보기 |  다음화 보기 >

(문의) Consulting팀 (대표전화 : 031-278-0061, 이메일 : consulting@insilicogen.com)

Posted by 人Co

Posted by 人Co

미생물은 말 그대로 굉장히 작은 생물들이지만 환경과 생체에 미치는 영향력은 결코 작지 않으며, 미생물이 이 지구상에서 차지하는 비율 혹은 인체에서 차지하는 비율은 전체의 50%가 넘습니다. 다양한 환경에서 그 환경에 맞는 특정 미생물들이 살고 있고 이러한 미생물의 유전학적인 분석은 특정 유용 물질의 대량생산 하는 새로운 기술로서 개발하거나, 환경이나 질병 등에 대한 분석에 활용할 수 있습니다. 현재 다양한 NGS 플랫폼이 발달하면서 타 생물체보다 간단한 유전자 구조를 가지고 있는 미생물은 비교적 생물정보 분석도 용이하여, 전체 유전체 서열과 기능을 밝히거나 다양한 환경적 시료에서의 군집 분석을 많이 수행하고 있습니다.

1. Whole Genome 분석 솔루션

새로운 유전체의 서열을 조립하는 de novo assembly는 굉장히 복잡하고 어려운 일 중에 하나입니다. 하지만 PacBio 시퀀싱 플랫폼이 현재 굉장한 길이의 서열을 생산하면서 미생물 유전체 연구에 많이 활용되고 있습니다. Whole Genome 분석 솔루션은 다양한 NGS 플랫폼의 데이터의 GUI 형태의 de novo assembly 결과로부터 PacBio 데이터를 통한 scaffold 구축, 매뉴얼 gap filling 작업을 통한 미생물 유전체 서열을 확보할 수 있으며 ORF 예측 및 해당 서열의 blast, GO ontology 분석까지 가능하도록 패키지화 하였습니다.

2. Metagenome 분석 솔루션

미생물 군집을 분석하기 위해서는 16s rRNA 서열을 시퀀싱하거나 whole metagenome을 시퀀싱하여 진행합니다. Metagenome 분석을 위한 public tool들도 존재하지만 커맨드라인 기반으로 진행되기 때문에 일반 생물학자들이 사용하는데는 어려움이 많습니다. Metagenome 분석 솔루션은 NGS 플랫폼으로 시퀀싱한 데이터를 쉽게 분석할 수 있도록 미리 세팅되어진 워크플로우가 존재하여 OTU-clustering 및 diversity 분석 결과를 얻을 수 있습니다. 뿐만 아니라 whole metagenome 분석을 지원하여 de-novo assembly를 통한 contig 서열을 바탕으로 CDS와 gene을 예측하고 GO term 맵핑이나 BLAST를 수행하여 예측된 유전자 기능을 파악할 수 있습니다.

다음화 보기 >

(문의) Consulting팀 (대표전화 : 031-278-0061, 이메일 : consulting@insilicogen.com)

Posted by 人Co