발행 | 최종 업데이트:
이제 단 한 번의 전체 게놈 시퀀싱으로 생성되는 원시 시퀀스 데이터 양이 13년에 걸쳐 진행된 인간 게놈 프로젝트 전체 데이터보다 더 많습니다. 바로 이러한 방대한 양 때문에 대규모 게놈 데이터는 의학 연구팀이 논문을 준비하는 데 있어 진정한 병목 현상이 되고 있습니다. 1000 게놈 프로젝트는 26개 인구 집단에서 2,504명의 게놈을 재구성했지만, 여전히 일반적인 변이의 참조 세트, 즉 총 8,800만 개의 변이(8,470만 개의 단일 염기 다형성, 360만 개의 짧은 삽입 및 삭제, 6만 개의 구조적 변이 포함)만을 목록화했습니다(Auton et al., 2015). 이러한 규모를 백만 명의 참여자로 구성된 현대적인 바이오뱅크에 적용하면, 연구팀이 논문 제출 전에 내리는 저장, 품질 관리 및 데이터 공유에 대한 결정이 심사위원들이 연구 결과를 신뢰하는지 여부에 큰 영향을 미치게 됩니다.
유전체 의학은 소규모 후보 유전자 연구를 넘어 인구 규모의 시퀀싱 단계로 발전했습니다. 프랜시스 콜린스와 해롤드 바머스는 2015년 유전체, 환경, 생활 습관 데이터를 대규모로 연계하여 구축하는 국가 정밀 의학 이니셔티브를 제안하면서 이러한 변화를 설명했습니다(Collins & Varmus, 2015). 원시 시퀀싱 결과물부터 제출 가능한 데이터 세트에 이르기까지, 이러한 연계를 제대로 수행하려면 파일 형식, 저장 아키텍처, 품질 관리, 익명화, 저장소 정책에 대한 결정이 중요한데, 이는 대부분의 실험실 기반 연구자들은 대학원 과정에서 배우지 못한 내용입니다. 아래에서는 유전체 데이터 세트를 생성부터 출판까지 유용하고, 검증 가능하며, 연구비 지원 기관의 정책을 준수하도록 유지하는 실질적인 절차를 단계별로 설명합니다.
간단한 단어로
대규모 유전체 데이터란 연구에서 개인의 DNA를 대규모로 분석하여 생성되는 염기서열 및 변이 파일들을 의미하며, 각 참가자의 염기쌍, 품질 점수, 검출된 변이 등을 모두 계산할 경우 수십억 개의 개별 데이터 포인트가 생성될 수 있습니다. 이러한 데이터를 효과적으로 관리하려면 파일을 표준 형식으로 유지하고, 안전하고 검색 가능한 곳에 저장하며, 결론을 도출하기 전에 오류를 검사하고, 적절한 보호 조치를 통해 공유하여 검토자, 저장소 또는 미래의 연구자가 연구 결과를 재사용할 수 있도록 해야 합니다.
주요 요점
- 1000 게놈 프로젝트는 26개 인구 집단에서 2,504명의 유전체 서열을 분석하여 약 88만 개의 변이를 인간 유전적 변이의 참조 자료로 분류했습니다(Auton et al., 2015).
- All of Us 연구 프로그램의 첫 번째 주요 유전체 공개에서는 245,388개의 임상 등급 유전체 서열을 분석하여 10억 개 이상의 유전적 변이를 확인했으며, 그중 2억 7,500만 개 이상은 이전에 보고되지 않은 변이였습니다(Bick et al., 2024).
- 표준화된 파일 형식(원시 판독 데이터용 FASTQ, 정렬 데이터용 BAM 또는 CRAM, 변이 검출 데이터용 VCF)을 사용하면 시퀀싱 데이터를 다양한 파이프라인과 기관에서 활용할 수 있습니다.
- 유전체 데이터는 염기서열 자체가 본질적으로 개인 식별 정보를 포함하고 있어 동의하지 않은 친척까지 연루시킬 수 있기 때문에 완전히 익명화할 수는 없고, 식별 불가능하게 처리하고 접근을 통제하는 방법만 있을 뿐입니다.
- NIH의 유전체 데이터 공유 정책에 따라 NIH가 자금을 지원하는 대규모 인간 유전체 연구는 dbGaP에 등록하고 데이터 자체와 함께 데이터 사용 인증서를 제출해야 합니다.
오늘날 의학 연구에서 대규모 유전체 데이터란 무엇을 의미하는가?

현재 의학 연구자들이 논문과 함께 제출하는 유전체 데이터의 대부분은 세 가지 시퀀싱 방식으로 생성됩니다. 전장 유전체 시퀀싱은 3.2억 개의 염기쌍으로 이루어진 인간 유전체 전체를 분석하며, 일반적으로 참조 유전체 대비 개인당 300만~500만 개의 변이를 생성합니다. 전장 엑솜 시퀀싱은 유전체의 약 1~2%에 해당하는 단백질 코딩 영역만 분석하여 비용과 파일 크기를 줄이면서도 샘플당 2만~3만 개의 변이를 얻을 수 있습니다. RNA 시퀀싱은 DNA 서열을 직접 분석하는 대신 유전자 발현을 측정하며, 일반적으로 샘플 라이브러리당 수천만 개의 짧은 리드를 생성합니다.
인구 규모의 프로그램은 오늘날 '대규모'가 실제로 무엇을 의미하는지 잘 보여줍니다. All of Us 연구 프로그램은 첫 번째 주요 유전체 데이터 공개에서 245,388명의 참가자에 대한 임상 등급 유전체 서열을 발표했는데, 참가자의 77%는 생의학 연구에서 역사적으로 소외되었던 공동체 출신이고 46%는 인종 및 민족 소수자 출신입니다. 이 코호트에서 프로그램은 10억 개 이상의 유전적 변이를 확인했는데, 그중 2억 7,500만 개 이상은 이전에 보고된 적이 없는 변이였고 390만 개는 코딩에 영향을 미치는 변이였습니다(Bick et al., 2024). 이처럼 방대한 데이터 세트는 10년 전 단일 연구실에서 진행했던 후보 유전자 연구 방식으로는 관리할 수 없으며, 유전체학 관련 학술지의 심사위원들은 저자들이 결과 섹션의 연구 결과뿐 아니라 방법론 섹션에도 연구 과정을 자세히 설명할 것을 점점 더 요구하고 있습니다. 이 정도 규모의 코호트를 대상으로 게놈 전체 연관 연구(GWAS)를 수행하는 연구자들과 해당 연구 과정의 통계적 측면에 관심 있는 독자들은 GWAS부터 유전자 발현 분석까지 유전체학 통계 방법론 에 대한 자세한 내용을 저희 가이드에서 찾아보실 수 있습니다.
대규모 시퀀싱 데이터를 표준화하는 파일 형식
시퀀서에서 생성된 원시 데이터는 몇 가지 공통 파일 형식을 따르지 않으면 해당 데이터를 생성한 연구실 외부에서는 거의 쓸모가 없습니다. FASTQ 형식은 시퀀서에서 직접 출력되는 원시 염기 서열 정보와 염기별 품질 점수를 저장합니다. 정렬 도구는 이러한 리드를 참조 게놈에 매핑하고 결과를 SAM 형식 또는 압축된 바이너리 형식인 BAM으로 저장합니다. CRAM은 모든 염기를 두 번 저장하는 대신 게놈 서열 자체를 참조하여 동일한 정렬 데이터를 추가로 압축합니다. 이를 통해 올바르게 구성하면 일반적인 전체 게놈 데이터의 경우 BAM 형식에 비해 저장 비용을 약 30~60% 절감하면서도 임상적으로 중요한 정보를 손실하지 않습니다. VCF(Variant Call Format) 형식은 샘플이 참조 게놈과 다른 특정 위치와 유전자형 정보, 품질 지표를 기록하며, 최초의 1000 게놈 프로젝트(Auton et al., 2015) 발표 이후 공공 변이 카탈로그의 기본이 되는 공통 형식으로 사용되어 왔습니다.
가장 빠른 정렬 도구를 찾는 것보다 이러한 형식을 일관되게 채택하는 것이 훨씬 중요합니다. 참조 게놈 빌드, 사용된 변이 검출 도구 및 버전, 적용된 품질 필터를 명시하지 않고 변이를 보고하는 논문은 검토자와 후속 사용자에게 결과를 재현하거나 다른 데이터 세트와 병합할 방법을 제공하지 않습니다. 우리 연구팀은 유전체 데이터 분석을 위한 고급 생물통계학적 방법 에서 이러한 누락을 자주 발견하기 때문에 논문 작성 시 나중에 고려하는 사항이 아니라 필수 체크리스트 항목으로 다뤄야 합니다.
대규모 유전체 데이터 저장 및 처리를 위한 모범 사례
대규모 시퀀싱 코호트를 위한 온프레미스 스토리지는 프로젝트 규모가 커질수록 비효율적이게 됩니다. FASTQ 형식의 30배 커버리지 전체 게놈 데이터 하나만 압축하지 않아도 90~120기가바이트에 달하기 때문입니다. 이러한 상황에서 클라우드 및 공유 고성능 컴퓨팅 플랫폼이 기본 해결책으로 자리 잡았습니다. UK Biobank Research Analysis Platform, AnVIL, Terra, DNAnexus와 같은 분석 준비 완료 플랫폼은 데이터를 제자리에 보관하고 컴퓨팅 리소스를 제공하여 모든 협력 기관이 전체 데이터를 다운로드할 필요 없이 데이터를 활용할 수 있도록 합니다. 또한, 원시 파일이 관리되는 환경을 벗어나지 않으므로 규정 준수도 간소화됩니다.
분산 컴퓨팅 프레임워크는 이러한 논리를 분석 단계 자체에도 적용합니다. Apache Spark를 기반으로 구축된 Sparkhit은 리드 정렬 및 k-mer 카운팅과 같은 유전체 데이터 처리 작업을 컴퓨팅 클러스터 전체에 분산 처리하며, 실제 시퀀싱 데이터 세트를 사용하여 기존 단일 노드 도구와 벤치마킹한 결과, 대규모 메타게놈 및 유전체 워크로드에서 실행 시간이 크게 단축되는 동시에 표준 파일 형식과의 호환성을 유지하는 것으로 나타났습니다(Huang, Krüger, & Sczyrba, 2018). UK Biobank의 전체 게놈 시퀀싱 데이터를 분석하는 연구자들은 유사한 클라우드 네이티브 전략을 적용하여 수백 테라바이트의 시퀀싱 데이터를 로컬 클러스터로 내보내는 대신 플랫폼의 클라우드 인프라에서 직접 관상동맥 질환 위험 유전자좌에 대한 정밀 매핑 및 머신러닝 기반 변이 분류를 실행했습니다(Sng et al., 2025). 이러한 파이프라인의 기반이 되는 인프라 선택에 대한 더 자세한 내용은 연구 분야 빅데이터 분석 가이드를 참조하십시오.
염기서열 분석 비용의 하락으로 이러한 규모의 연구가 예외적인 일이 아니라 일상적인 일이 되었습니다. 미국 국립인간게놈연구소(NHGRI)는 2003년 인간게놈 프로젝트가 완료될 당시 사용 가능한 기술로 두 번째 참조 인간 게놈을 생성하는 데 약 50천만 달러가 소요되었을 것으로 추산했습니다. 이 비용은 2015년 말에는 게놈당 1,500달러 미만으로 떨어졌고, 이후 고처리량 단일 염기서열 분석 기술로 플랫폼이 발전함에 따라 지속적으로 감소해 왔습니다(NHGRI, 2021). 바로 이러한 추세 덕분에 과거에는 수십 명에 불과했던 참여자를 이제는 수천 명까지 모집하여 전체 게놈 염기서열 분석을 진행할 수 있게 된 것입니다.
유전체 분석 결과를 제출하기 전 품질 관리 및 검증
염기서열 분석 깊이와 염기 판독 정확도는 유전체 연구에서 신뢰할 수 있는 결과를 도출하는 데 있어 가장 중요한 요소이므로, 변이 해석이 시작되기 전에 품질 관리가 이루어져야 하며, 그 후에 이루어져서는 안 됩니다. 미국과 캐나다 전역의 임상 유전체학 연구소 컨소시엄인 의료 유전체 이니셔티브(Medical Genome Initiative)는 유전성 질환 의심 진단을 위한 임상 전장 유전체 시퀀싱에 특화된 검사 검증, 참조 표준 선택 및 성능 지표에 대한 합의 권고안을 발표했습니다. 이는 기존 지침이 주로 표적 유전자 패널 및 엑솜 시퀀싱에 초점을 맞추었던 점을 고려하여, 해당 그룹이 확인한 공백을 메운 것입니다(Marshall et al., 2021).
임상 검증 작업에서 차용한 유용한 원칙은 변이 검출을 단일 단계가 아닌 다단계 파이프라인으로 처리하는 것입니다. 리드 정렬 품질, 염기별 품질 점수, 관심 영역 전체의 커버리지 균일성, 후보 변이 발견에 대한 Sanger 시퀀싱과 같은 다른 방법과의 일치성 등을 모두 확인하고 보고해야 하며, 당연하게 여겨서는 안 됩니다. 245,388개의 임상 등급 시퀀스 공개의 기반이 된 All of Us 연구 프로그램 자체의 유전체 품질 관리 프로세스는 연구자에게 데이터 세트가 제공되기 전에 전체 코호트에 걸쳐 공동 변이 검출을 수행하고 참조 물질에 대한 표준화된 일치성 검사를 적용했습니다(Bick et al., 2024). 이는 수백 명의 참가자를 대상으로 하는 단일 기관 연구에서도 축소판으로 모방할 가치가 있는 수준의 품질 보증 방식입니다.
| 시퀀싱 유형 | 일반적인 적용 범위 | 샘플당 대략적인 변동 |
|---|---|---|
| 전체 게놈 시퀀싱 | 30x에 40x | 기준치 대비 3만~5만 변이 |
| 전체 엑솜 시퀀싱 | 목표치 대비 80배~100배 | 20,000~30,000개의 변형 |
| RNA 시퀀싱 | 라이브러리 깊이에 따라 다릅니다. | 샘플당 10천만~100억 개의 판독값 |
전자 건강 기록을 통한 유전자형과 표현형의 연관성

유전체 데이터는 표현형과 연결될 때 비로소 임상적, 과학적 가치를 지니게 되며, 전자 의료 기록 및 유전체 네트워크(eMERGE 네트워크)는 여전히 대부분의 대규모 연계 프로젝트에서 따르는 기본 틀을 구축했습니다. 2007년부터 미국 국립인간게놈연구소(NHGRI)에서 구축한 eMERGE 네트워크는 미국 내 여러 의료기관의 DNA 생체 저장소와 전자 건강 기록 데이터를 결합했으며, 두 번째 자금 지원 주기에는 EHR에서 파생된 표현형이 여러 독립적인 기관에서 알려진 유전자형-표현형 연관성을 재현할 수 있을 뿐만 아니라 단일 기관 등록 시스템만으로는 지원할 수 없는 새로운 발견 연구를 가능하게 한다는 것을 보여주었습니다(Gottesman et al., 2013).
논문에서 이러한 유형의 연계를 활용하려면 세 가지 실용적인 습관이 필요합니다. 표현형 정의는 자유 형식의 차트 검토가 아닌 버전 관리되는 알고리즘 기준을 사용해야 다른 기관에서도 동일한 정의를 자체 기록에 적용할 수 있습니다. 유전체 및 임상 식별자는 분석 데이터 세트에 직접 식별자가 포함되지 않도록 하면서도 데이터 정제 또는 유효성 검사 쿼리를 위한 승인된 재연계를 허용하는 안전한 상호 참조 체계가 필요합니다. 동의서에는 연구에서 수행하는 특정 연계에 대한 2차 사용을 명시적으로 포함해야 합니다. 단일 질병 영역을 위해 작성된 바이오뱅크 동의서가 수년 후 더 광범위한 EHR-유전체 연계에 자동으로 적용되는 것은 아니기 때문입니다.
다른 의료 기록처럼 유전체 데이터를 익명화할 수 없는 이유는 무엇일까요?
스프레드시트에서 이름과 의료 기록 번호를 삭제하는 것만으로도 일반적인 임상 데이터는 식별 불가능하게 만들 수 있지만, 유전체는 스프레드시트보다는 지문과 더 유사하여 같은 방식으로는 식별할 수 없습니다. 유전자 염기서열 원본은 본질적으로 개인을 식별할 수 있는 정보를 담고 있습니다. 일란성 쌍둥이를 제외하고는 각 개인에게 고유하며, 참조 데이터베이스가 있다면 가족 관계 검색과 같은 기법을 통해 특정 인물을 찾아낼 수 있습니다. 이는 수사관들이 미제 사건 용의자를 특정하기 위해 먼 친척의 DNA 검사 결과를 활용하는 방식과 동일합니다. VCF 파일에서 참여자의 이름을 삭제한다고 해서 이러한 위험이 사라지는 것은 아닙니다. 유전자 변이 자체에 해당 변이의 출처를 다시 식별할 수 있는 충분한 정보가 담겨 있기 때문입니다.
일본의 연구진은 바로 이 문제에 대한 태도를 연구했으며, 그 결과는 개인 참여자를 넘어 더 넓은 범위의 우려를 보여줍니다. 일본 연구기관을 통해 모집된 암 환자와 건강한 자원 봉사자를 대상으로 연구를 진행한 타카시마 연구팀은 참여자들이 자신의 개인적인 노출보다 유전 정보가 중복되지만 동의를 하지 않은 혈연관계에 있는 사람들의 개인정보 유출에 대해 더 큰 우려를 가지고 있다는 사실을 보고했습니다. 타카시마 연구팀은 유전체 정보 동의를 순전히 개인적인 결정으로 취급하는 대신, 동의 및 데이터 공유 정책에서 이러한 가족 차원의 위험을 명시적으로 다뤄야 한다고 권고했습니다(타카시마 외, 2018). 가족 차원의 노출은 모든 주요 연구 자금 지원 기관이 개인 수준의 유전체 데이터에 대해 기본적으로 익명화된 공개가 아닌 통제된 접근을 의무화하는 주요 이유 중 하나입니다. 이러한 차이점은 참여자 개인정보 보호를 위한 데이터 익명화 기술 에 대한 가이드에서 비유전체 데이터 세트에 대해 더 자세히 다루고 있습니다.
접근 제한 저장소 및 NIH 유전체 데이터 공유 정책
미국 국립보건원(NIH)의 유전체 데이터 공유 정책에 따라 NIH가 자금을 지원하는 모든 대규모 인간 유전체 연구는 유전자형 및 표현형 데이터베이스(dbGaP)에 등록하고, 기본 데이터와 해당 데이터 세트에 대해 승인된 연구 목적을 명시한 데이터 사용 인증서를 제출해야 합니다. NIH는 2025년 8월에 해당 정책 페이지를 마지막으로 업데이트했으며, 이 정책은 여전히 dbGaP 중심의 접근 제한 모델을 기반으로 합니다. 개별 유전자형 및 염기서열 데이터는 데이터 접근 위원회의 검토를 거쳐야 하지만, 종합적인 유전체 요약 결과는 일반적으로 접근 제한이 덜 엄격하게 적용되어 다른 연구자들이 데이터 세트가 자신의 연구와 관련성이 있는지 평가한 후 접근 제한을 신청할 수 있습니다.
해당 정책은 실제 효과를 입증할 만큼 충분한 운영 이력을 가지고 있습니다. 현재의 GDS 정책의 전신인 이전의 GWAS 데이터 공유 정책에 대한 분석 결과, dbGaP는 시행 초기 몇 년 동안 2,200명 이상의 연구자에게 제한된 유전체 데이터 세트에 대한 접근 권한을 부여한 것으로 나타났습니다. 이는 데이터 접근을 제한하는 모델이 단순히 데이터를 잠그는 것이 아니라 실제 2차 활용 수요에 맞춰 확장될 수 있음을 보여주는 증거입니다(Paltoo et al., 2014). 이후 dbGaP 자체 데이터 브라우저는 전체 데이터 접근 신청 절차 없이 변이 수준 요약 정보에 대한 보기 전용 접근 권한을 추가하여, 연구자가 전체 신청 절차를 진행하기 전에 관심 있는 변이가 데이터 세트에 포함되어 있는지 여부만 확인할 수 있도록 장벽을 낮췄습니다(Wong et al., 2017).
미국 이외 지역에서는 유사한 접근 제어 논리가 유럽 게놈-표현형 아카이브와 글로벌 유전체 및 건강 연합(GAGH)의 비콘 프로토콜을 기반으로 구축된 국가 프레임워크의 토대가 되고 있습니다. 이 프로토콜을 통해 연구자는 기본 유전자형 데이터를 다운로드하거나 확인하지 않고도 연합 데이터 세트 네트워크에서 특정 변이체가 존재하는지 여부를 조회할 수 있습니다. 유럽의 100만 개 이상 게놈 프로젝트(1+ Million Genomes initiative)와 상호 운용되도록 구축된 포르투갈의 국가 비콘 구현은 현재 접근 방식을 잘 보여줍니다. 데이터 세트를 검색할 수 있도록 충분한 메타데이터를 공개하는 동시에 개별 유전자형 데이터는 공식적인 접근 요청을 통해서만 접근할 수 있도록 설계했는데, 이는 변이체 수준 조회로 인한 재식별 위험과 데이터 검색의 균형을 맞추기 위해 특별히 선택된 방식입니다(Oliveira et al., 2026).
개방성과 보호 사이의 이러한 긴장감은 유전체 인프라가 덜 발달된 지역에서는 각기 다른 양상으로 나타납니다. 아프리카의 H3Africa 컨소시엄을 조율하는 연구진은 파트너 국가 간 지역별 시퀀싱 역량, 대용량 시퀀싱 파일 전송을 위한 대역폭, 그리고 조화로운 윤리 심사 절차에 지속적인 격차가 존재한다고 지적하며, 자원이 풍부한 저장소를 모델로 한 데이터 공유 정책이 전 세계적인 유전체 이니셔티브가 포함시키고자 하는 바로 그 인구 집단에 의도치 않게 불이익을 줄 수 있다고 주장했습니다(Mulder et al., 2017).
원고가 유전체 데이터에 의존하는 경우 저자가 보고해야 할 사항

유전체학 관련 학술지의 심사위원들은 생물학적 발견 자체와는 무관한 데이터 누락을 이유로 원고를 거부하거나 반려하는 경우가 점점 늘어나고 있습니다. 따라서 방법론 섹션에는 참조 게놈 빌드, 정렬 도구 및 변이 검출 도구의 버전 번호, 변이 검출에 적용된 품질 필터, 그리고 원시 또는 처리된 데이터가 저장된 저장소와 접근 번호를 명시해야 합니다. 데이터 접근성 설명에는 접근이 공개되어 있는지 또는 제한되어 있는지, 제한되어 있는 경우 어떤 위원회에서 요청을 검토하는지, 그리고 검토에 대략 얼마나 걸리는지를 명시해야 합니다. 편집자들은 논문 게재 승인 전에 독자뿐 아니라 심사위원에게도 데이터가 제공될 것인지 확인을 요구하는 경우가 점점 늘어나고 있기 때문입니다.
유전체학 관련 논문에서 반복적으로 나타나는 흔한 오류로는 방법론 부분과 부록 표에서 참조 유전체 빌드를 일관성 없이 인용하는 경우, 동일한 원시 데이터에서 서로 다른 변이를 검출할 수 있는 동일한 도구의 버전을 명시하지 않는 경우, 그리고 유전체 데이터셋을 익명화했다고 설명하지만 실제로는 식별 정보가 제거되고 접근 제어만 된 완전한 익명화가 아닌 경우 등이 있습니다. 이러한 오류들은 투고 전에 쉽게 수정할 수 있으며, 조기에 발견하는 것이 수개월에 걸친 동료 심사 후 심사위원의 방법론적 이의 제기에 대응하는 것보다 훨씬 비용 효율적입니다. 저희 논문 작성팀 의 편집자들은 유전체학 방법론 부분이 저널 편집자에게 도달하기 훨씬 전, 투고 전 검토 단계에서 바로 이러한 오류들을 지적합니다.
대규모 유전체 데이터 관리의 미래는 어디까지 나아갈 것인가?
연합 분석은 다중 기관 유전체 연구의 기본 모델로서 중앙 집중식 데이터 전송을 대체하고 있습니다. 기관 간에 원시 시퀀싱 파일을 전송하는 대신, 점점 더 많은 컨소시엄이 데이터가 이미 있는 곳으로 분석 쿼리를 전송하는 방식을 채택하고 있으며, GA4GH Beacon v2 사양은 특정 변이, 샘플 또는 표현형 조합에 대한 요청을 개별 수준의 기록에 노출하지 않고 원격 데이터 세트로 전송하고 응답받는 방식을 표준화함으로써 이러한 접근 방식을 공식화합니다(Oliveira et al., 2026).
머신러닝은 변이 해석에서 여전히 인간의 개입이 필요한 부분을 바꾸고 있습니다. 영국 바이오뱅크의 전체 게놈 시퀀싱 데이터에 대한 비교 연구에서는 머신러닝 분류기가 질병 관련 유전자좌 내에서 가장 가능성이 높은 원인 변이를 찾아내는 데 있어 기존의 정밀 매핑 도구와 동등하거나 그 이상의 성능을 보였으며, 동시에 다른 변이 검출 파이프라인과 마찬가지로 결과의 신뢰성을 확보하기 위해 출처 추적, 버전 관리, 직교 검증 등의 과정을 여전히 요구한다는 사실을 발견했습니다(Sng et al., 2025). 또한, 발표된 게놈 전체 연관 연구 요약 통계를 기반으로 구축된 두 표본 설계는 인과 추론 방법에 직접적으로 활용되는 경우가 점점 늘어나고 있으며, 멘델 무작위화 가이드에서 이러한 적용 사례를 단계별로 다루고 있습니다.
이 모든 것이 연구팀에 필요한 기본적인 규율을 바꾸는 것은 아닙니다. 더 큰 규모의 코호트와 더 빠른 분류기는 여전히 표준화된 파일 형식, 문서화된 품질 관리, 합리적인 익명화 전략, 그리고 심사자가 실제로 확인할 수 있는 저장소에 의존합니다. 논문에 첨부되는 평균 유전체 데이터 세트의 규모가 계속 커짐에 따라 이러한 관행은 더욱 중요해질 것입니다.
유전체 데이터 세트 분석 및 보고에 대한 전문가의 도움을 받으세요.
저희 박사급 생물통계학자와 생물정보학 교육을 받은 편집자들이 변이 검출 파이프라인 문서화, dbGaP 제출용 데이터 가용성 진술서 작성, 그리고 유전체 및 다중 오믹스 논문에서 심사위원들이 기대하는 방법론 섹션 작성 등을 도와드립니다.
맺음말
대규모 유전체 데이터는 데이터 관리를 단순한 행정적 고려 사항이 아닌 과학 연구의 일부로 여기는 연구팀에게 큰 이점을 제공합니다. 표준화된 파일 형식, 문서화된 품질 관리, 현실적인 익명화 전략, 그리고 규정을 준수하는 저장소에 기반하여 구축된 데이터 세트는 동료 심사를 더 빠르게 통과하고, 원고가 출판된 후에도 수년 동안 다른 연구자들이 활용할 수 있습니다. 이 가이드에서 언급된 1000 게놈 프로젝트부터 24만 5천 개 이상의 유전체 데이터를 공개한 All of Us 연구 프로그램에 이르기까지, 핵심적인 데이터 관리 방식은 단일 기관의 소규모 연구에서 백만 명의 참가자를 대상으로 하는 전국 규모 코호트 연구에 이르기까지 확장성이 뛰어납니다(Auton et al., 2015; Bick et al., 2024). 초기 단계에서 기본 원칙을 제대로 정립하는 것은 유전체 연구 결과가 심사위원의 검토, 재현 시도, 그리고 원 연구팀이 떠난 후에도 오랫동안 데이터 세트를 재사용하고자 하는 연구자들의 요구를 충족할 수 있도록 보장하는 가장 확실한 방법입니다.
자주 묻는 질문
논문에 유전체 변이 데이터를 공유하려면 어떤 파일 형식을 사용해야 하나요?
변이 수준 데이터는 VCF(Variant Call Format) 형식으로 저장하고, 참조 게놈 빌드와 이를 생성하는 데 사용된 콜러 및 버전을 명시하십시오. 동일한 VCF 파일이라도 다른 참조 빌드를 사용하여 해석하면 임상적으로 중요한 다른 결과가 나올 수 있기 때문입니다.
개인 식별 정보가 제거된 유전체 데이터는 익명화된 데이터와 동일한 것인가요?
아니요. 유전자 서열 파일에서 이름을 삭제하면 식별 가능성이 줄어들지만 완전히 사라지는 것은 아닙니다. 왜냐하면 유전자 변이 자체를 통해 가족 관계 검색과 같은 기법으로 특정 개인이나 그 친척을 찾아낼 수 있기 때문입니다. 이것이 바로 연구 자금 지원 기관들이 개인 수준의 유전체 데이터에 대해 공개 배포가 아닌 접근 제한을 요구하는 이유입니다.
모든 유전체 연구에 참여할 때마다 dbGaP에 등록해야 하나요?
NIH의 유전체 데이터 공유 정책은 NIH가 자금을 지원하는 대규모 인간 유전체 연구에만 적용되며, 이러한 연구는 dbGaP에 등록하고 데이터와 데이터 사용 인증서를 제출해야 합니다. 소규모 파일럿 연구가 면제 대상이라고 생각하기 전에 NIH 과학 정책 사무국 웹사이트에서 정책의 현재 적용 범위를 확인하십시오.
동일한 시퀀싱 데이터에 대해 CRAM 파일은 BAM 파일보다 얼마나 더 작습니까?
CRAM은 일반적으로 동일한 전체 게놈 정렬 데이터의 경우 BAM에 비해 저장 공간을 약 30~60% 줄여줍니다. 이는 모든 염기를 두 번 저장하는 대신 게놈 시퀀스 자체를 참조하기 때문입니다. 다만 정확한 절감 효과는 시퀀싱 깊이와 사용된 압축 설정에 따라 달라집니다.
유전체학 관련 논문이 데이터 보고 문제로 인해 수정 요청을 받고 반려되는 가장 흔한 이유는 무엇입니까?
방법론적 세부 사항이 누락되거나 일관성이 없는 것이 가장 흔한 원인이며, 일반적으로 참조 게놈 빌드가 명시되지 않았거나, 변이 검출 도구 버전이 보고되지 않았거나, 데이터 접근이 공개되었는지 또는 제한되었는지 명시하지 않은 경우가 이에 해당합니다. 이 세 가지 모두 제출 전에 쉽게 수정할 수 있지만, 심사자가 지적한 후에는 수정하는 데 시간이 오래 걸립니다.
머신러닝이 연구에서 수동 변이체 선별 작업을 대체할 수 있을까요?
완전히 그렇지는 않습니다. 영국 바이오뱅크의 전체 게놈 시퀀싱 데이터를 사용한 비교 연구에 따르면 머신러닝 분류기가 가장 가능성이 높은 원인 변이를 식별하는 데 있어 기존의 정밀 매핑 방법과 동등하거나 더 나은 성능을 보일 수 있지만, 기본 파이프라인 역시 모든 변이 검출 결과가 발표되기 전에 요구되는 것과 동일한 품질 관리, 버전 추적 및 직교 검증을 거쳐야 합니다.
참고자료
- Auton A, Brooks LD, Durbin RM 외. 인간 유전적 변이에 대한 글로벌 참조. 자연. 2015;526(7571):68-74. doi: 10.1038 / nature15393
- Collins FS, Varmus H. 정밀 의학에 대한 새로운 계획. N Engl J 메드. 2015;372(9):793-795. doi: 10.1056/NEJMp1500523
- Gottesman O, Kuivaniemi H, Tromp G, et al. 전자 의료 기록 및 유전체학(eMERGE) 네트워크: 과거, 현재, 그리고 미래. 제넷 메드. 2013;15(10):761-771. doi: 10.1038/gim.2013.72
- Bick AG, Metcalf GA, Mayo KR, et al. All of Us 연구 프로그램의 유전체 데이터. 자연. 2024;627(8003):340-346. doi: 10.1038 / s41586-023-06957-x
- Marshall CR, Chowdhury S, Taft RJ 등. 생식세포 질환 진단을 위한 임상 전장 유전체 시퀀싱의 분석적 검증을 위한 모범 사례. NPJ 제놈 메드. 2021;5:47. doi: 10.1038/s41525-020-00154-9
- Paltoo DN, Rodriguez LL, Feolo M, 외. NIH GWAS 데이터 공유 정책에 따른 데이터 사용 및 향후 방향. 냇 지네. 2014;46(9):934-938. doi: 10.1038/ng.3062
- Wong KM, Langlais K, Tobias GS 외. dbGaP 데이터 브라우저: dbGaP 접근 제한 유전체 데이터를 탐색하기 위한 새로운 도구. 핵산 검사. 2017;45(D1):D819-D826. doi: 10.1093/nar/gkw1139
- Mulder N, Adebamowo CA, Adebamowo SN 외. 아프리카 환경에서의 유전체 연구 데이터 생성, 분석 및 공유의 과제. 데이터 과학 저널. 2017;16. doi: 10.5334/dsj-2017-049
- 타카시마 K, 마루 Y, 모리 S, 마노 H, 노다 T, 무토 K. 환자 가족 구성원을 포함한 유전체 데이터 공유에 대한 윤리적 문제. BMC 의학 윤리. 2018;19(1). 도이: 10.1186/s12910-018-0310-5
- Huang L, Krüger J, Sczyrba A. Sparkhit을 사용하여 클라우드에서 대규모 유전체 데이터 분석. 생물 정보학. 2018;34(9):1457-1465. doi: 10.1093/생물정보학/btx808
- Sng LMF, Kaphle A, O'Brien MJ 외. 전체 게놈 시퀀싱 데이터에서 관상동맥 질환 유전자 위치를 정밀하게 매핑하기 위해 UK Biobank 클라우드 기반 연구 분석 플랫폼 최적화. Sci Rep. 2025;15. doi: 10.1038/s41598-025-95286-2
- Oliveira JS, Sant'Ana S, Santos M, Faria D. 포르투갈어 비콘: 게놈 변종 데이터를 안전하게 공유합니다. 데이터베이스(옥스퍼드). 2026;2026. doi: 10.1093/데이터베이스/baag012
- 국립인간게놈연구소. 인간 게놈 시퀀싱 비용. 2021년 업데이트. 게놈.gov
- 미국 국립보건원(NIH) 과학정책실. NIH 유전체 데이터 공유 정책. 2025년 8월 업데이트. grants.nih.gov
