BioPlayground

🧬
목록으로

시퀀싱 3세대 비교: Sanger · NGS · 롱리드가 뽑아내는 문자열의 정체

왜 Sanger는 임상에서 아직 살아있는가. 왜 Illumina는 지구를 덮었는가. 왜 PacBio HiFi와 Nanopore가 롱리드 시대를 열었는가. 세 세대의 원리와 오류 특성을 실무 관점으로 정리합니다.

입문
|
15분
|
검증 완료 (2026-07-19)
SangerIlluminaPacBioNanoporeread length
진행률0/34 (0%)

왜 지금 3세대를 나란히 놓고 보는가

이 편 전에는 "DNA는 네 글자짜리 유한 알파벳 문자열이다"까지 정리했습니다. 그런데 우리가 실제로 실습에서 다룰 문자열은 처음부터 완성돼 있지 않습니다. 시퀀싱 장비가 뽑아냅니다. 그 장비가 언제 개발됐고, 얼마나 긴 조각을 뽑고, 어떤 형태의 오류를 남기는가를 모르면 이후 편의 정렬 · 어셈블리 · 변이 검출이 전부 뿌리 없이 흘러갑니다.

세 세대를 나란히 놓고 봅시다. 각자 다른 시대에 태어났고, 서로 다른 오류 프로파일을 가지며, 오늘도 실무에서 셋 다 살아 있습니다. 임상 진단 랩에서 Sanger 시퀀서가 아직 돌아가고, 대량 RNA-seq은 Illumina가 삼키고, 완전한 다이플로이드 게놈 조립은 PacBio HiFi와 Nanopore가 손을 잡습니다.

1세대: Sanger — 정확한 짧은 조각

Frederick Sanger가 1977년에 발표한 방법입니다. 원리는 놀랍도록 우아합니다.

  • 4가지 디데옥시 뉴클레오티드(ddNTP) 를 낮은 비율로 섞어서 DNA 합성을 진행시킵니다.
  • 합성 중 ddNTP가 들어가는 순간 사슬이 종료됩니다.
  • 종료 위치가 무작위 분포하므로, 길이가 1～1000bp인 사슬 조각의 혼합물이 생깁니다.
  • 이걸 전기영동으로 크기 순으로 분리하고, 형광 색으로 마지막 염기를 읽습니다.

결과: 한 번에 500～1000bp짜리 매우 정확한 서열 한 개. 정확도 Q40+ (오류율 0.01% 이하).

임상에서 왜 아직 살아있나? 검증 표준(gold standard) 이기 때문입니다. NGS로 검출한 변이가 진짜인지, 특히 병원성 여부가 애매한 변이 하나를 확정하려면 Sanger로 재확인합니다. FDA · 유럽 IVDR 승인 파이프라인에도 Sanger 확인 단계가 남아 있습니다.

2세대: NGS (Illumina) — 대량 병렬의 폭발

2005년 454, 2007년 Illumina의 등장은 게임을 바꿨습니다. 특히 Illumina가 시장을 삼켰습니다. 원리를 축약하면 이렇습니다.

  1. DNA를 조각(300～500bp)으로 자릅니다.
  2. 각 조각의 양쪽에 어댑터를 붙이고, 유리 슬라이드에 고정된 프라이머 잔디밭 위에서 브리지 증폭(bridge amplification) 을 합니다. 한 위치에 클론 수만 개의 동일 조각이 자랍니다. 이걸 클러스터 라고 부릅니다.
  3. 한 사이클씩 형광 표지된 뉴클레오티드를 넣고, 카메라로 슬라이드 전체를 촬영합니다. 각 클러스터의 위치에 뜨는 색을 읽으면 그 위치의 염기입니다.
  4. 이걸 100～300 사이클 반복합니다. 슬라이드 하나에 수억 개 클러스터, 즉 수억 개의 리드가 나옵니다.

결과: 길이 100～300bp짜리 리드 수억 개. 정확도 Q30～Q40 (오류율 0.1% 이하). 오류의 대부분은 치환(substitution) 이며, 사이클이 지날수록 오류율이 증가합니다(신호가 흐려지므로).

Illumina가 지구를 덮은 이유는 세 가지입니다.

  • 낮은 단가: 인간 게놈 30배 커버리지를 약 300 USD로 커버합니다.
  • 낮은 오류율: 정렬과 변이 검출이 통계적으로 단단합니다.
  • 표준화된 파이프라인: bwa, GATK, DESeq2 등 도구 생태계가 짧은 리드에 최적화돼 있습니다.

한계는 명확합니다. 길이가 짧다. 반복 서열이 리드보다 길면 어셈블리에서 붕괴합니다. 구조 변이(50bp 이상 삽입 · 삭제 · 역위)도 짧은 리드로는 잘 잡히지 않습니다.

3세대: 롱리드 (PacBio HiFi, Oxford Nanopore)

짧은 리드의 한계를 뚫기 위해 두 기술이 등장했습니다.

PacBio HiFi (2019~)

한 분자 실시간 시퀀싱(SMRT)의 개량입니다. DNA를 원형으로 만든 후 여러 바퀴 반복 시퀀싱하고, 그 반복을 컨센서스로 통합합니다. 결과가 HiFi 리드입니다.

  • 길이 10～25kb
  • 정확도 Q30～Q40 (Illumina 수준)
  • 지질 시대를 넘긴 실무 정착의 순간이 여기입니다. 정확도까지 짧은 리드에 근접했기 때문입니다.

Oxford Nanopore

DNA를 나노포어(nanopore, 단일 세공)에 통과시키고, 통과 시 발생하는 전류 변화를 측정합니다. 각 4～5 염기 조합이 특유의 전류 패턴을 냅니다.

  • 길이 10kb～수Mb (이론적으로 무제한)
  • 정확도 Q10～Q20 (원본), 최신 R10 화학과 딥러닝 basecaller로 Q30 근접
  • 휴대용(MinION) 이 존재합니다. 손바닥 크기, USB, 야외 · 병상 옆에서 시퀀싱 가능

두 기술의 시대적 의미는 다릅니다. HiFi는 정확한 롱리드로 다이플로이드 완전 조립의 문을 열었습니다. 텔로미어에서 텔로미어까지(T2T) 인간 게놈 완성(2022)의 주역입니다. Nanopore는 극단적 이동성과 극단적 리드 길이로 실시간 · 현장 시퀀싱의 문을 열었습니다.

오류 프로파일 — 파이프라인이 이걸 왜 알아야 하는가

세대대표 오류 유형정렬 · 변이 검출의 대응
Sanger후반 사이클 신호 약화트림 후 수동 확인
Illumina치환(substitution), 특히 마지막 20～30 사이클BQSR · variant filtering
PacBio HiFi낮은 인델 오류, 균질표준 변이 검출기 그대로
Nanopore인델(insertion/deletion), 특히 호모폴리머 구간Medaka · Clair3 같은 딥러닝 caller 필수

이 표가 나중 편에서 반복적으로 돌아옵니다. 예를 들어 M14 BWT · M15 FM-index는 Illumina 짧은 리드 정렬을 상정합니다. M16 minimap2는 롱리드용으로 별도 설계됐습니다. 오류 프로파일이 다르면 알고리즘도 다릅니다.

FASTQ 파일 한 줄 열어보기

세 세대가 뽑는 결과는 궁극적으로 같은 파일 포맷 — FASTQ — 에 담깁니다. 한 리드는 네 줄로 구성됩니다.

text
@READ_ID:instrument:run:flowcell:lane:tile:x:y
ACGTACGT...
+
!!##$$%%&&'((()...
  • 1행: @ 시작, 리드 ID + 기계 메타데이터
  • 2행: 실제 서열
  • 3행: +
  • 4행: 품질 점수(Quality score) — 각 위치의 정확도를 ASCII 문자로 표현

품질 점수는 Phred score 로 인코딩됩니다. Q = -10 log₁₀(P), 여기서 P는 오류 확률입니다. Q30 = 오류 확률 0.001, Q40 = 오류 확률 0.0001. FASTQ 4행의 각 문자는 ASCII 값 - 33(Phred33 인코딩)이 Q 점수입니다. 예를 들어 문자 # (ASCII 35)는 Q2, 문자 I (ASCII 73)는 Q40입니다.

첫 편 실습으로 Rosalind나 EMBL-EBI Training의 무료 FASTQ 예제 하나를 열어보고, 리드 길이와 첫 5개 리드의 마지막 문자 Q 점수를 눈으로 확인해봅시다. 어느 세대의 시퀀서에서 나왔는지 감이 옵니다.

자주 만나는 실무 함정

  • Phred33 vs Phred64: 오래된 Illumina 데이터(2011년 이전)는 Phred64 인코딩입니다. 최신 도구는 Phred33 기본. 파일 헤더를 확인합시다.
  • Paired-end vs single-end: Illumina는 대개 페어드입니다. R1 · R2 두 파일이 짝을 이룹니다. 파일 하나만 처리하면 정보 절반을 버립니다.
  • 어댑터 잔재: FASTQ 파일에 시퀀싱 어댑터가 남아 있으면 정렬이 어긋납니다. FastQC로 어댑터 오염을 확인하고 Trim Galore · fastp로 제거하는 것이 S02 편의 주제입니다.
  • Nanopore basecalling 버전: Nanopore 원본은 전류 신호(FAST5/POD5)입니다. 이걸 서열로 변환하는 basecaller(Guppy · Dorado)의 버전에 따라 오류율이 달라집니다. 재분석 시 버전 명시가 필수입니다.

CS 매핑

  • 샘플링 이론: 시퀀싱 커버리지(coverage)는 나이퀴스트 샘플링과 정확히 같은 논리입니다. 30배 커버리지가 실무 표준인 이유는 통계적 신뢰도 임계입니다.
  • 앙상블: 짧은 리드(정확) + 롱리드(연결) 조합을 하이브리드 어셈블리라 부릅니다. 서로 다른 신뢰도의 두 데이터셋을 결합하는 CS의 앙상블 학습과 같은 아이디어입니다.
  • 스트리밍 vs 배치: Nanopore 리드는 실시간으로 흘러 들어옵니다(Streaming). 다른 두 기술은 배치입니다. 이 차이가 실시간 분석 파이프라인 설계를 근본적으로 바꿉니다.

다음 편으로 이어지는 갈래

  • 다음 편 (M03): 해밍 거리 — 같은 위치의 두 문자가 얼마나 다른가. 리드와 참조 서열이 얼마나 다른지를 재는 가장 기본적 지표.
  • 두 편 뒤 (M04): GC 비율 — 시퀀서마다 GC 편향이 다릅니다. 왜 그런지가 이 편의 후속입니다.
  • 네 편 뒤 (M06): Needleman-Wunsch — 리드와 참조를 어떻게 최적 정렬하는가. 파일럿 편.
  • 열 편 뒤 (M14～M16): BWT · FM-index · minimap2 — 짧은 리드와 롱리드가 각각 어떻게 참조 게놈에 정렬되는가.

더 깊게 파고 싶다면

본문은 BPD가 자체 재구성한 서술입니다. 심화는 아래 정통 자료로.

  • Harvard STAT115 — Xiaole Shirley Liu 교수의 Week 3: Sequencing Technologies (자막 완비, 자동 번역 우수). 각 세대의 원리를 통계학자 관점에서 정리합니다.
  • MIT 7.91J — Christopher Burge 교수의 Sequencing Overview (자막 완비). 서열 데이터의 오류 구조를 확률적으로 다룹니다.
  • Broad Institute BroadE — Introduction to Next-Generation Sequencing (30분, 자막 자동 번역 양호). Illumina 사이클 화학을 도해로 훑습니다.
  • 참고 원 논문: Sanger et al. (1977), DNA sequencing with chain-terminating inhibitors, PNAS 74, 5463–5467. 한 세대의 시작.
  • 참고 무료 웹북: NCBI Bookshelf — Next-Generation Sequencing. 실무자 관점의 개관.

Rosalind에서 FASTQ 관련 문제(예: DNA · GC)를 몇 개 풀어보고, EMBL-EBI Training의 무료 FASTQ 파일을 하나 다운받아 텍스트 에디터로 열어봅시다. 리드 길이와 품질 문자열이 눈에 익어야 다음 편의 해밍 거리가 자연스러워집니다.