Unicycler 하이브리드 어셈블리 완벽 이해 — 왜 short+long이 완성 게놈을 만드나 (한국어)

조각난 게놈을 하나의 원으로 닫으려면

S22에서 SPAdes로 E. coli를 조립했지만, 결과는 완전한 하나의 원형 염색체가 아니라 수십～수백 개의 contig였습니다. 원인은 명확합니다. 숏리드(150bp)는 자신보다 긴 반복 서열을 건너뛸 수 없습니다. rRNA 오페론처럼 게놈에 여러 번 등장하는 5kb짜리 반복 앞에서 그래프는 갈림길을 만나고, 어느 길이 옳은지 판단할 정보가 리드 안에 없습니다.

해결의 실마리는 롱리드에 있습니다. Nanopore나 PacBio는 수 kb～수십 kb를 한 번에 읽어 반복 서열을 통째로 가로지릅니다. 대신 오류율이 높습니다(특히 구형 Nanopore). 여기서 아이디어가 나옵니다. 숏리드의 정확함으로 서열을 만들고, 롱리드의 길이로 조각을 잇는다. 이 융합이 하이브리드 어셈블리이고, 세균 게놈에서 그 표준 도구가 Unicycler입니다.

Unicycler는 어떻게 두 신호를 융합하나

Unicycler의 파이프라인은 직관적인 3막 구성입니다.

숏리드로 정밀 그래프 만들기. 내부적으로 SPAdes를 여러 k로 돌려 가장 좋은 de Bruijn 그래프(assembly graph)를 고릅니다. 이 그래프의 서열은 정확하지만 반복 지점에서 갈래로 남아 있습니다.
롱리드로 다리 놓기(bridging). 롱리드를 이 그래프에 정렬(minimap2 계열)해, 반복을 가로지르는 리드가 "갈래 A의 끝 → 반복 → 갈래 B의 시작"을 실제로 잇는지 확인합니다. 여러 롱리드가 같은 다리를 지지하면 그 경로를 확정합니다.
그리디로 그래프 접기. 확정된 다리를 신뢰도 순서로 하나씩 적용하며 그래프를 단순화합니다. 잘 풀리면 염색체는 하나의 **닫힌 원(circular)**으로, 플라스미드들은 각각의 작은 원으로 정리됩니다.

핵심 통찰은 롱리드를 서열의 원천으로 쓰지 않는다는 점입니다. 롱리드는 오직 "어느 갈래가 어느 갈래로 이어지는가"라는 연결 정보로만 쓰이고, 최종 염기서열은 정확한 숏리드가 책임집니다. 두 데이터의 강점만 취하고 약점은 서로 상쇄시키는 설계입니다.

닫힌 원이 왜 중요한가

세균 염색체는 실제로 원형입니다. 어셈블리가 하나의 원으로 닫혔다는 것은 "게놈 전체를 빠짐없이, 겹침 없이 재구성했다"는 강력한 증거입니다. 이를 complete/closed genome이라 부르며, 조각난 draft 게놈과는 신뢰 수준이 다릅니다.

특히 플라스미드는 임상적으로 결정적입니다. 항생제 내성 유전자가 플라스미드에 실려 균주 사이를 옮겨 다니기 때문입니다. 숏리드만으로는 플라스미드 서열이 염색체 조각과 뒤섞여 놓치기 쉽지만, Unicycler는 각 복제단위(replicon)를 별도의 원으로 분리해내 "이 내성 유전자가 염색체에 있나, 이동성 플라스미드에 있나"라는 질문에 답할 수 있게 합니다.

Galaxy와 CLI로 완성 게놈 만들기

usegalaxy.eu에서 클릭으로, 또는 명령줄로 동일하게 돌릴 수 있습니다.

Galaxy 워크플로우

Upload — 숏리드 paired-end 2개 + 롱리드(Nanopore/PacBio) 1개.
품질 확인 — 숏리드는 FastQC/fastp, 롱리드는 NanoPlot으로 길이·품질 분포 확인.
Unicycler — short_1/short_2 + long 지정. --mode = normal(기본) / bold / conservative.
Bandage — assembly.gfa를 열어 각 replicon이 원으로 닫혔는지 눈으로 확인.

CLI

bash

unicycler \
  -1 short_R1.fastq.gz \
  -2 short_R2.fastq.gz \
  -l long_reads.fastq.gz \
  -o hybrid_out \
  --mode normal \
  -t 8

# 결과 그래프 확인
Bandage image hybrid_out/assembly.gfa assembly.png

--mode conservative는 다리 근거가 강한 것만 적용해 오조립을 최소화하고(조각이 더 남을 수 있음), bold는 더 공격적으로 원을 닫습니다(위험도 증가). 임상 보고용이라면 conservative에서 시작해 근거를 검토하는 편이 안전합니다.

결과의 assembly.fasta 헤더에 circular=true가 붙은 서열이 완성된 replicon입니다. Bandage에서 매끈한 원 하나(염색체) + 작은 원 몇 개(플라스미드)가 보이면 성공입니다.

CS 매핑

그래프 브리징: 확정된 다리로 노드를 병합하는 것은 그래프 축약이며, S22의 그래프 단순화를 롱리드 근거로 확장한 것입니다.
두 신호원 융합(sensor fusion): 정확하지만 근시(숏리드) + 부정확하지만 원시(롱리드)를 결합하는 것은 로보틱스/신호처리의 센서 퓨전과 같은 발상입니다.
그리디 알고리즘: 신뢰도 높은 다리부터 순서대로 적용하는 것은 전형적 그리디 전략입니다. Kruskal의 MST 구성과 골격이 닮았습니다.
롱리드 정렬: 다리 검증에 쓰이는 정렬은 M16의 minimap2(미니마이저 기반)와 직결됩니다.

자주 만나는 결함

롱리드 커버리지 부족 — 다리를 지지할 롱리드가 적으면 원이 안 닫힙니다. 세균은 보통 롱리드 40～100× 커버리지가 권장됩니다.
오래된 저품질 Nanopore를 서열 원천으로 오해 — Unicycler는 롱리드를 연결에만 씁니다. 최종 서열 정확도는 숏리드 품질에 달렸습니다.
--mode bold 남용 — 무리하게 원을 닫으려다 오조립이 생깁니다. 근거 없는 원은 draft만 못합니다.
대형 진핵 게놈에 사용 — Unicycler는 세균·플라스미드·소형 게놈 전용입니다. 사람·식물 대형 게놈에는 hifiasm(M24) 같은 도구가 맞습니다.

더 깊게 파고 싶다면

본문은 BPD가 직접 재구성한 서술입니다. 심화는 아래 정통 자료를 활용합시다.

Galaxy Training Network — Unicycler Assembly 튜토리얼 (training.galaxyproject.org, 문서 완비). short+long 하이브리드 실습의 정석입니다.
원 논문: Wick, Judd, Gorrie, Holt (2017), Unicycler: Resolving bacterial genome assemblies from short and long sequencing reads, PLoS Computational Biology 13:e1005595. 브리징 알고리즘의 원천입니다.
롱리드 품질: NanoPlot / NanoComp (github.com/wdecoster/NanoPlot) — 롱리드 길이·품질 분포 확인 도구입니다.
완성 게놈 워크플로우: Wick & Holt의 Trycycler (github.com/rrwick/Trycycler) — 여러 롱리드 어셈블리를 합의로 통합하는 후속 도구로, 완성도를 한 단계 더 올립니다.

이제 게놈 하나를 완성했습니다. 그런데 임상 검체나 환경 시료에는 보통 수백 종이 뒤섞여 있습니다. 다음 편 S24에서 이 혼합물을 종별로 분류하는 **메타게노믹스(Kraken2·MetaPhlAn)**로 넘어갑니다.

BioPlayground

Unicycler 하이브리드 조립: 숏리드의 정확함과 롱리드의 시야를 하나로