다중서열정렬(MSA)이란? — 여러 서열을 한 줄에 맞추기

BIO GLOSSARY · BIOINFORMATICS 101

다중서열정렬(MSA)이란? — 여러 서열을 한 줄에 맞추기

TL;DR
다중서열정렬⁠(multiple sequence alignment, MSA)은 서열 세 개 이상을 세로 열⁠(column)이 맞도록 나란히 정렬하는 작업입니다. 두 서열을 맞추는 쌍정렬⁠(pairwise alignment)의 다음 단계라 보면 되죠. 같은 열에 놓인 문자들은 공통조상에서 이어진 대응 위치로 해석되고, 그래서 어느 자리가 진화적으로 잘 안 변했는지⁠(보존 부위, conserved region), 어디에 삽입·결실⁠(indel)이 있었는지가 한눈에 드러납니다. 문제는 서열 수가 늘수록 경우의 수가 폭발해 최적해를 곧이곧대로 구하기 어렵다는 점입니다⁠(sum-of-pairs 기준 정렬은 NP-complete). 그래서 실전에서는 근사 지름길인 휴리스틱⁠(heuristic)을 씁니다. 가장 널리 쓰이는 점진적 정렬⁠(progressive alignment)은 먼저 서열 간 거리를 재 가이드 트리⁠(guide tree)를 만들고, 가까운 서열부터 순서대로 병합합니다⁠(Clustal 계열). MUSCLE·MAFFT 같은 도구는 여기에 반복 개선⁠(iterative refinement)을 더해 한 번 맞춘 정렬을 다시 손봐 정확도를 끌어올리죠. 점수는 치환행렬⁠(BLOSUM·PAM)과 빈칸 벌점⁠(gap penalty)으로 매깁니다. 완성된 MSA는 보존 열·컨센서스 서열⁠(consensus)로 읽어 내며, 계통수 작성, 단백질 구조 예측⁠(AlphaFold의 입력) 등 뒤따르는 분석의 재료가 됩니다.

🔗 관련 글 · 서열을 맞추고, 나무로 잇기
• BLAST — 쌍정렬·상동성 검색  ·  계통수·분자진화

1. 한 줄 정의 — 세 개 이상을 세로로 맞춘다

다중서열정렬⁠(multiple sequence alignment, MSA)은 이름 그대로, 서열 여러 개를 세로 열이 맞아떨어지게 늘어놓는 일입니다. 서열 사이사이에 빈칸⁠(gap)을 적절히 끼워, 진화적으로 서로 대응하는 위치가 같은 열에 오도록 맞추죠. 그렇게 정렬해 두면 같은 세로줄에 놓인 문자들은 "공통조상의 같은 자리에서 갈라져 나온 대응 위치"로 읽을 수 있습니다.

앞서 다룬 BLAST나 서열 정렬이 대개 두 서열을 맞추는 쌍정렬⁠(pairwise)이었다면, MSA는 그 대상이 셋 이상으로 늘어난 확장판입니다. 다만 서열이 하나 늘 때마다 맞춰야 할 관계가 급격히 복잡해져서, 단순히 쌍정렬을 여러 번 반복하는 것과는 결이 다른 문제가 됩니다.

2. 어원·역사 — '점진적 정렬'이라는 돌파구

1980년대, 서열 데이터가 쌓이면서 여러 서열을 한꺼번에 맞추려는 시도가 시작됐습니다. 하지만 모든 서열을 동시에 최적으로 정렬하는 계산은 서열 수에 따라 폭발적으로 무거워져⁠(뒤에서 볼 계산 폭발) 실용적이지 않았습니다.

돌파구는 1987년 펭과 둘리틀⁠(Feng & Doolittle)이 제안한 점진적 정렬⁠(progressive alignment)이었습니다. 전부 한꺼번에 맞추는 대신, 가까운 서열끼리 먼저 맞추고 그 결과에 나머지를 하나씩 얹어 가는 순차 전략이죠. 이 발상을 실용 소프트웨어로 옮긴 것이 히긴스⁠(Desmond Higgins) 등의 Clustal 계열이고, 1994년 ClustalW가 발표되며 사실상 표준으로 자리 잡았습니다 (Thompson et al., 1994).

2000년대 들어서는 정확도와 속도를 끌어올린 새 도구가 이어졌습니다. 2002년 MAFFT (Katoh et al., 2002), 2004년 MUSCLE (Edgar, 2004), 그리고 2011년에는 서열 수가 많아도 잘 버티도록 다시 짠 Clustal Omega가 나왔습니다 (Sievers et al., 2011). 오늘날 대규모 정렬에서는 MAFFT와 Clustal Omega가 특히 널리 쓰이죠.

3. 개념 풀이 — 왜 세로 열이 핵심인가

MSA를 이해하는 열쇠는 세로 열⁠(column)에 있습니다. 정렬이 끝나면 각 열은 여러 서열의 대응 위치를 한자리에 모아 놓은 단면이 됩니다. 그래서 열을 위아래로 훑어보면 그 자리가 얼마나 잘 보존됐는지 바로 보이죠.

어떤 열은 거의 모든 서열에서 같은 문자로 채워집니다. 이런 보존 열⁠(conserved column)은 그 위치가 기능적으로 중요해 잘 안 변했다는 신호입니다. 효소의 활성 부위, 단백질의 결합 부위처럼 바뀌면 곤란한 자리가 여기에 해당하죠. 반대로 문자가 제각각인 열은 변이가 자유로운, 상대적으로 덜 중요한 자리입니다. 중간중간 끼어든 빈칸⁠(gap)은 어느 서열에서 삽입·결실⁠(indel)이 일어났음을 뜻합니다. 이렇게 열 단위로 보존 정도를 읽어 내는 것이 MSA의 핵심 쓸모입니다. 쌍정렬 두 개를 따로 봐서는 잡히지 않던 "여러 서열에 걸친 공통 패턴"이 세로로 정렬해 놓으면 비로소 드러나죠.

4. 왜 어려운가 — 계산 폭발과 휴리스틱

서열 두 개를 최적으로 맞추는 쌍정렬은 동적 계획법⁠(dynamic programming)으로 정확히 풀 수 있습니다. 그런데 서열이 셋, 넷으로 늘면 이야기가 달라집니다. 서열마다 빈칸을 어디에 넣을지 조합이 곱해지면서 경우의 수가 기하급수로 커지거든요. 실제로 여러 서열을 sum-of-pairs 점수 기준으로 동시에 최적 정렬하는 문제는 NP-complete로 알려져 있습니다 (Wang & Jiang, 1994). 서열 수와 길이가 조금만 커져도 최적해를 곧이곧대로 구하는 건 현실적으로 불가능하다는 뜻이죠.

그래서 MSA 도구들은 최적해 대신 '충분히 좋은 답'을 빠르게 찾는 휴리스틱⁠(heuristic)을 씁니다. 정확성을 조금 양보하는 대신 실용적인 시간에 결과를 내는 전략입니다. 대표가 다음 절에서 볼 점진적 정렬이고, 여기에 반복 개선을 더해 품질을 보완하는 방식이 널리 쓰입니다.

5. 작동 원리 — 점진적 정렬과 반복 개선

가장 널리 쓰이는 점진적 정렬⁠(progressive alignment)은 크게 세 단계로 움직입니다.

① 쌍거리 계산. 먼저 모든 서열 쌍을 견주어 서로 얼마나 닮았는지 거리⁠(distance)를 잽니다. 서열이 n개면 대략 n²에 비례하는 쌍을 빠르게 비교해 거리 행렬을 채우죠.

② 가이드 트리 작성. 이 거리 행렬로 서열들의 관계를 나무 모양으로 요약한 가이드 트리⁠(guide tree)를 만듭니다. 가까운 서열끼리 먼저 묶이는 이 나무가 "어떤 순서로 합칠지"를 알려 주는 지도가 됩니다. 정식 계통수는 아니고, 병합 순서를 정하기 위한 근사 나무입니다.

③ 순차 병합. 가이드 트리를 따라 가장 가까운 서열 둘부터 정렬하고, 그다음 가까운 것을 하나씩 얹어 갑니다. 한번 정렬된 블록은 그대로 유지한 채 새 서열을 맞춰 넣죠 (once a gap, always a gap). 이 방식은 빠르지만 약점이 있습니다. 초반에 잘못 넣은 빈칸이 끝까지 남아 오류가 누적될 수 있거든요.

이 약점을 메우는 것이 반복 개선⁠(iterative refinement)입니다. MUSCLE (Edgar, 2004)은 한 번 정렬한 뒤 가이드 트리를 다시 계산하고 재정렬하기를 반복해 품질을 끌어올립니다. MAFFT (Katoh et al., 2002)는 고속 푸리에 변환⁠(FFT)으로 닮은 구간을 빠르게 찾고, 여러 정렬 모드로 속도와 정확도를 조절하죠. 점수를 매기는 기준은 BLAST와 마찬가지로 치환행렬⁠(BLOSUM·PAM)과 빈칸 벌점⁠(gap penalty)입니다. 빈칸을 여는 데 큰 벌점을, 늘리는 데 작은 벌점을 매기는 식이죠.

6. 결과 해석 — 보존 열·컨센서스·gap

정렬이 끝난 MSA는 흔히 문자들이 세로로 늘어선 표 형태로 나옵니다. 이걸 읽는 요령은 다음과 같습니다.

• 보존 열⁠(conserved column). 거의 모든 서열이 같은 문자인 열입니다. 기능적으로 중요한 자리일 가능성이 높아, 활성 부위·결합 부위·구조적 핵심 잔기를 찾는 단서가 됩니다. 뷰어에서는 색이나 별표⁠(*)로 강조됩니다.
• 컨센서스 서열⁠(consensus). 각 열에서 가장 흔한 문자를 뽑아 만든 대표 서열입니다. 여러 서열을 한 줄로 요약해, 그 서열 무리의 전형적인 모습을 보여 줍니다.
• 빈칸⁠(gap, indel). 대시⁠(-)로 표시되며, 어느 서열에서 삽입 또는 결실이 있었음을 뜻합니다. 빈칸이 몰린 구간은 길이 변이가 잦은 부위입니다.
• 보존 정도 표시. ClustalW 계열은 열 아래에 완전 보존(*)·강한 유사(:)·약한 유사(.)를 기호로 붙여, 어디가 얼마나 잘 맞는지 시각적으로 알려 줍니다.

정리하면, MSA는 '어느 자리가 잘 안 변했나'와 '어디에 길이 변이가 있나'를 열 단위로 읽는 도구입니다.

7. 현장 활용 — 계통수·모티프·구조 예측

MSA는 그 자체가 목적이라기보다, 뒤따르는 분석의 입력이 되는 경우가 많습니다. 대표 쓰임 셋을 보겠습니다.

진화 관계 추론. 여러 종의 상동 서열을 정렬하면, 열마다의 차이가 곧 진화적 거리의 근거가 됩니다. 이 정렬을 입력으로 계통수를 그려 어느 종이 언제 갈라졌는지 추정하죠. 사실상 대부분의 분자계통 분석은 MSA에서 출발합니다.

보존 부위·기능 모티프 파악. 같은 기능을 하는 단백질들을 정렬하면 공통으로 보존된 도메인⁠(domain)이나 짧은 기능 모티프⁠(motif)가 보존 열로 드러납니다. 이렇게 찾은 패턴은 미지 서열의 기능을 추정하거나, 프로파일⁠(HMM)을 만들어 더 먼 상동을 검색하는 데 쓰입니다.

구조·기능 예측. 단백질 구조 예측 도구인 AlphaFold는 표적 서열 하나만 보는 게 아니라, 그 서열의 MSA를 핵심 입력으로 받습니다. 여러 상동 서열에서 함께 변하는 자리⁠(공진화, co-evolution)를 읽어 어느 잔기끼리 가까운지 추론하고, 이를 3차원 구조 예측의 강력한 단서로 삼죠. AlphaFold의 정확도가 좋은 서열은 대개 MSA가 풍부한 서열입니다.

대표 도구로는 접근이 쉬운 웹 서버⁠(EBI Clustal Omega·MAFFT)부터, 대규모 데이터에 빠른 MAFFT·MUSCLE, 정확도를 중시할 때의 T-Coffee까지 용도에 맞춰 고릅니다.

8. 핵심 정리 & 다음 학습

• ✅ 다중서열정렬⁠(MSA)은 서열 셋 이상을 세로 열이 맞도록 정렬 — 쌍정렬의 다음 단계, 보존 부위·진화 관계·구조 예측의 재료.
• ✅ 서열이 늘수록 경우의 수가 폭발해⁠(sum-of-pairs 정렬은 NP-complete) 최적해 대신 휴리스틱을 쓴다.
• ✅ 점진적 정렬 = 쌍거리 → 가이드 트리 → 가까운 것부터 순차 병합⁠(Clustal). MUSCLE·MAFFT는 반복 개선으로 정확도 보완.
• ✅ 결과는 보존 열·컨센서스·빈칸⁠(indel)으로 읽는다 — 어느 자리가 안 변했나, 어디에 길이 변이가 있나.
• ⚠️ 도구는 용도별로 — 대규모엔 MAFFT·Clustal Omega(속도·확장성), 정확도 중시엔 T-Coffee.

🎓 다음 학습
• (닮음으로 짝짓기) BLAST란? — 두 서열을 맞추는 쌍정렬·상동성 검색, MSA의 앞 단계
• (정렬로 그리는 나무) 계통수·분자진화란? — MSA를 입력으로 진화의 가계도 그리기
• (정렬이 입력이 되는 곳) 단백질 구조 예측·AlphaFold란? — MSA의 공진화 신호로 3차원 구조를 예측
• (서열은 어떻게 맞추나) 서열 정렬이란? — 리드를 유전체에 맞추는 정렬의 기초

References

1. Feng, D. F., & Doolittle, R. F. (1987). Progressive sequence alignment as a prerequisite to correct phylogenetic trees. Journal of Molecular Evolution, 25(4), 351–360. doi:10.1007/BF02603120
2. Thompson, J. D., Higgins, D. G., & Gibson, T. J. (1994). CLUSTAL W: improving the sensitivity of progressive multiple sequence alignment through sequence weighting, position-specific gap penalties and weight matrix choice. Nucleic Acids Research, 22(22), 4673–4680. doi:10.1093/nar/22.22.4673
3. Katoh, K., Misawa, K., Kuma, K., & Miyata, T. (2002). MAFFT: a novel method for rapid multiple sequence alignment based on fast Fourier transform. Nucleic Acids Research, 30(14), 3059–3066. doi:10.1093/nar/gkf436
4. Edgar, R. C. (2004). MUSCLE: multiple sequence alignment with high accuracy and high throughput. Nucleic Acids Research, 32(5), 1792–1797. doi:10.1093/nar/gkh340
5. Sievers, F., Wilm, A., Dineen, D., Gibson, T. J., Karplus, K., Li, W., et al. (2011). Fast, scalable generation of high-quality protein multiple sequence alignments using Clustal Omega. Molecular Systems Biology, 7, 539. doi:10.1038/msb.2011.75
6. Notredame, C., Higgins, D. G., & Heringa, J. (2000). T-Coffee: a novel method for fast and accurate multiple sequence alignment. Journal of Molecular Biology, 302(1), 205–217. doi:10.1006/jmbi.2000.4042
7. Wang, L., & Jiang, T. (1994). On the complexity of multiple sequence alignment. Journal of Computational Biology, 1(4), 337–348. doi:10.1089/cmb.1994.1.337

Pipette & Pipeline · A bio portfolio journal