유전체 어셈블리란? — de novo·contig/scaffold·N50·롱리드·T2T

BIO GLOSSARY · BIOINFORMATICS 101

유전체 어셈블리란? — de novo·contig/scaffold·N50·롱리드·T2T

TL;DR
유전체 어셈블리⁠(genome assembly)는 시퀀서가 게놈을 잘게 읽어 낸 짧거나 긴 조각⁠(read)들을 서로 겹쳐, 원래의 긴 DNA 서열을 다시 이어 붙이는 일입니다. 시퀀싱은 게놈 전체를 한 번에 읽지 못하고 수백만~수억 개의 작은 조각으로만 뱉어 내기 때문에, 이 조각 퍼즐을 맞추는 계산 과정이 반드시 필요하죠. 크게 두 갈래가 있습니다. de novo 어셈블리는 참조 서열 없이 조각들의 겹침만으로 처음부터 게놈을 복원하고, reference-guided 어셈블리는 이미 있는 표준 게놈에 조각을 정렬해 맞춰 갑니다. 알고리즘도 둘로 나뉘는데, 롱리드는 조각을 직접 겹쳐 잇는 OLC⁠(overlap-layout-consensus), 숏리드는 조각을 k-mer로 쪼개 그래프로 푸는 de Bruijn graph를 씁니다. 결과는 read → contig⁠(빈틈 없는 연속 서열) → scaffold⁠(갭을 두고 이은 것) → chromosome 순으로 커지고, 품질은 N50·L50 같은 연속성 지표로 잽니다. 오랫동안 반복서열⁠(repeat)이 조립을 가로막았지만, 나노포어⁠(Nanopore)·PacBio HiFi 같은 롱리드가 반복을 관통하면서 2022년 사람 게놈 전체가 빈틈 하나 없이⁠(T2T) 완성됐습니다.

🔗 관련 글 · 어셈블리의 입구가 되는 시퀀싱과, 조각을 표준 게놈에 붙이는 법
• NGS란? 1·2·3세대 시퀀싱  ·  서열 정렬⁠(read alignment)이란?

1. 한 줄 정의 — 조각난 read를 원래 게놈으로

유전체 어셈블리는 시퀀싱으로 얻은 수많은 짧은 read를 겹치는 부분을 단서로 이어, 끊겨 있던 게놈 서열을 다시 하나의 긴 사슬로 복원하는 과정입니다. 핵심은 "왜 이어 붙여야 하나"인데, 오늘날의 시퀀서는 사람 게놈 30억 염기쌍⁠(bp)을 통째로 읽지 못하고, 길어야 수십 kb·짧으면 100~150 bp짜리 조각으로만 읽어 내기 때문이죠.

비유하자면 완성된 그림이 없는 직소 퍼즐을 맞추는 일과 같습니다. 다만 조각이 수백만 개고, 같은 부위를 여러 번 겹쳐 읽은 중복 조각도 섞여 있으며, 게놈 곳곳엔 거의 똑같이 생긴 반복 조각까지 있어 난도가 훨씬 높죠. 어셈블리 프로그램은 조각끼리 겹치는 서열⁠(overlap)을 찾아, 어느 조각이 어느 조각 뒤에 오는지를 추론해 긴 연속 서열로 이어 붙입니다.

2. 어원·역사 — 숏리드 그래프에서 완전 게놈까지

'assembly'는 조각을 모아 하나로 조립한다는 뜻 그대로입니다. 1995년 첫 박테리아 게놈⁠(Haemophilus influenzae)이 shotgun 방식으로 조립되면서 본격화됐고, 2001년 사람 게놈 초안도 같은 원리 위에 세워졌습니다. 다만 이 초안은 반복서열 구간 등에 수백 개의 갭이 남은 '미완성 지도'였죠.

전환점은 짧은 read를 값싸게 쏟아 내는 차세대 시퀀싱⁠(NGS)의 등장이었습니다. 수억 개의 짧은 조각을 효율적으로 조립하기 위해 k-mer 기반의 de Bruijn graph가 표준 도구로 자리 잡았는데, 이 접근을 명료하게 정리한 콤포와 펩즈너 (Compeau, Pevzner & Tesler, 2011)의 해설이 널리 인용됩니다. 그리고 2022년, 롱리드 기술이 무르익으면서 T2T 컨소시엄 (Nurk et al., 2022)이 사람 게놈을 텔로미어에서 텔로미어까지 빈틈 없이 완성했습니다. 조각을 잇는 20여 년의 여정이 비로소 한 매듭을 지은 셈이죠.

3. 개념 풀이 — 왜 조각을 이어야 하나

시퀀싱의 근본 한계는 '읽는 길이'에 있습니다. 게놈은 수백만~수십억 bp짜리 하나의 긴 문서인데, 시퀀서는 그걸 한 문장씩만 읽어 내죠. 그래서 게놈을 여러 벌 복사해 무작위로 잘게 부순 뒤 조각들을 읽고, 겹치는 문장을 단서로 원문의 순서를 되짚습니다. 같은 자리를 평균 몇 번 읽었는지를 커버리지⁠(coverage, 예: 30×)라 하는데, 커버리지가 높을수록 조립이 안정적입니다.

read를 이어 붙이면 먼저 contig가 나옵니다. contig는 갭 없이 염기가 죽 이어진 연속 서열이죠. 하지만 반복서열 때문에 조각이 어디로 이어지는지 확신할 수 없는 지점에서 조립이 끊기고, 게놈은 여러 개의 contig로 남습니다. 이 contig들을 짝지어 읽은 정보⁠(paired-end)나 롱리드로 순서·방향·대략의 간격까지 배치한 것이 scaffold입니다.

scaffold 안에는 길이만 아는 미지의 갭이 'N'으로 채워지고, 이 갭까지 메우고 오류를 다듬으면 최종적으로 chromosome 수준 서열에 이릅니다. 즉 read에서 chromosome으로 갈수록 더 크고 완전한 단위가 되는 계단을 하나씩 오르는 셈이죠.

4. 작동 원리 ① — de novo vs reference-guided

어셈블리는 참조 서열을 쓰느냐로 두 갈래가 갈립니다.

de novo 어셈블리는 아무런 밑그림 없이 read끼리의 겹침만으로 게놈을 처음부터 복원합니다. 참조가 없거나 참조와 많이 다른 생물⁠(새 종·미생물·암 게놈처럼 재배열이 심한 경우)에 필수죠. 계산량이 크고 반복서열에 취약하지만, 참조에 없던 새로운 서열·큰 구조변이까지 온전히 잡아낸다는 게 강점입니다.

reference-guided⁠(참조 기반) 어셈블리는 표준 게놈이라는 밑그림 위에 read를 정렬⁠(align)해 맞춰 갑니다. 같은 종의 개체를 읽을 때 훨씬 빠르고 가벼워, 사람 재시퀀싱에서 변이를 찾는 일상적 분석이 여기 해당합니다. 다만 밑그림에 없는 서열은 보이지 않고, 참조의 오류나 편향을 그대로 물려받는 한계가 있죠. 관련해서 read를 표준 게놈에 붙이는 과정은 서열 정렬⁠(read alignment)에서, 그 결과를 담는 파일은 SAM/BAM에서 따로 다뤘습니다. 정리하면 de novo는 '지도를 새로 그리기', reference-guided는 '기존 지도에 표시하기'라 볼 수 있습니다.

5. 작동 원리 ② — OLC와 de Bruijn graph

de novo 어셈블리 안에서도 read를 잇는 방식이 다시 둘로 나뉩니다.

OLC⁠(overlap-layout-consensus) 는 이름 그대로 3단계입니다. 먼저 모든 read 쌍의 겹침⁠(overlap)을 찾고, 그 겹침으로 read들의 배치⁠(layout)를 그래프로 짜고, 겹친 구간의 다수결로 최종 합의 서열⁠(consensus)을 뽑죠. read 하나하나를 통째로 다루므로 길이가 긴 롱리드에 잘 맞습니다. 다만 read 수가 수억 개로 늘면 모든 쌍의 겹침을 비교하는 비용이 커져, 짧은 read가 대량인 상황엔 부담이 됩니다.

de Bruijn graph 는 발상을 뒤집습니다. read를 통째로 겹치는 대신, 길이 k짜리 조각인 k-mer로 잘게 쪼갠 뒤, k−1만큼 겹치는 k-mer들을 노드·엣지로 엮어 그래프를 만들고 그 길을 따라 서열을 복원하죠 (Compeau, Pevzner & Tesler, 2011). 겹침을 일일이 비교하지 않아 수억 개의 짧은 read도 효율적으로 처리해, 숏리드 어셈블러⁠(예: SPAdes)의 표준이 됐습니다. 대신 k값 선택에 민감하고, 반복 구간에서 그래프가 얽혀 짧게 끊기기 쉽습니다. 그래서 대략 '롱리드는 OLC, 숏리드는 de Bruijn'이라는 짝이 성립하는데, 최근 롱리드 어셈블러는 두 발상을 섞은 그래프 기법도 씁니다.

6. 헷갈리는 개념 비교 — contig·scaffold와 품질 지표

어셈블리 결과를 읽으려면 계층과 지표를 구분해야 합니다. read는 시퀀서가 뱉은 원조각, contig는 갭 없이 이은 연속 서열, scaffold는 갭⁠(N)을 두고 순서·방향까지 배치한 상위 단위, chromosome은 그 끝에 있는 완성형입니다. 아래 표로 견주면 무엇이 무엇을 담는지 또렷해집니다.

단위	정의	갭⁠(N) 여부	만드는 단서
read	시퀀서가 읽은 원조각	없음	시퀀싱 자체
contig	갭 없이 이은 연속 서열	없음	read 겹침⁠(overlap)
scaffold	contig를 순서·방향 배치	있음 (길이만 아는 N)	paired-end·롱리드
chromosome	갭까지 메운 완성 서열	없음 (완전형)	갭 채우기·오류 교정

품질은 보통 연속성⁠(contiguity)으로 먼저 판단하고, 대표 지표가 N50과 L50입니다. contig를 긴 것부터 줄 세워 길이를 누적할 때, 누적 길이가 전체의 50%에 처음 도달하는 그 지점 contig의 길이가 N50입니다. 즉 "전체 서열의 절반이 이 길이 이상의 contig에 담겨 있다"는 뜻이라, N50이 클수록 조립이 덜 끊겨 있다는 신호죠. 같은 줄 세우기에서 50%를 채우는 데 필요한 contig의 '개수'가 L50이고, 이건 작을수록 좋습니다. 다만 N50은 연속성만 볼 뿐 정확도는 말해 주지 않으므로, 완전성 지표⁠(예: BUSCO)와 함께 봐야 합니다. 참고로 게놈 추정 크기를 기준으로 계산하면 서로 다른 어셈블리를 견주기 쉬운 NG50이 되죠.

7. 현장 활용 — 반복서열·롱리드·T2T

어셈블리의 최대 난제는 오래도록 반복서열이었습니다. 게놈 곳곳엔 거의 똑같은 서열이 수천~수백만 번 되풀이되는 구간⁠(예: 센트로미어의 위성 DNA)이 있는데, 짧은 read는 이 반복보다도 짧아 어느 반복에서 왔는지 구별하지 못합니다. 그래서 조립이 이 지점마다 끊겨 갭으로 남았죠. 이형접합⁠(heterozygosity)으로 부·모 유래 서열이 갈리는 것도 골칫거리입니다.

돌파구는 롱리드였습니다. 나노포어⁠(Oxford Nanopore)는 수십 kb~1 Mb를, PacBio HiFi는 정확도 높은 15~20 kb 리드를 읽어, 반복 구간을 통째로 가로질러⁠(span) 양옆 고유 서열까지 한 read에 담습니다. 반복의 '건너편'을 볼 수 있게 되자 갭이 메워지기 시작했죠. 그 정점이 2022년 T2T 컨소시엄의 T2T-CHM13으로, 사람 게놈을 텔로미어에서 텔로미어까지 빈틈 없이 조립해 이전 참조에 없던 약 2억 bp를 새로 채웠습니다 (Nurk et al., 2022). 나아가 하나의 참조로는 인류 다양성을 못 담는다는 문제의식에서, 여러 사람의 게놈을 함께 담는 판게놈⁠(pangenome)으로 표준 자체가 '하나에서 여럿'으로 넓어지고 있습니다.

이 흐름을 잡으려면 상류 개념부터 익히는 편이 좋습니다. 조각을 만들어 내는 NGS·시퀀싱과 그 원자료를 담는 FASTQ가 어셈블리의 입구이고, 조립한 서열에서 유사 부위를 찾을 땐 BLAST가 이어집니다.

8. 핵심 정리 & 다음 학습

• ✅ 유전체 어셈블리는 조각난 read를 겹쳐 원래 게놈을 복원하는 일 — 시퀀서가 게놈을 통째로 못 읽기 때문에 필수.
• ✅ de novo(참조 없이 겹침으로 복원) vs reference-guided(표준 게놈에 정렬). 새 종·구조변이엔 de novo, 같은 종 재시퀀싱엔 참조 기반.
• ✅ 알고리즘: OLC(read 통째로 겹침, 롱리드) vs de Bruijn graph(k-mer로 쪼갬, 숏리드).
• ✅ 결과 계층: read → contig(연속) → scaffold(갭 N 포함) → chromosome. 연속성은 N50(클수록 좋음)·L50(작을수록 좋음)으로.
• ⚠️ 최대 난제는 반복서열 — 롱리드(Nanopore·PacBio HiFi)가 반복을 관통해 T2T 완전 게놈 (CHM13, 2022)·판게놈 시대를 열었다.

🎓 다음 학습
• (입력 기술) NGS란? — 1·2·3세대 시퀀싱 — 어셈블리에 넣을 read가 어떻게 만들어지는지
• (원자료 포맷) FASTQ 파일이란? — 조립 전 read와 품질점수가 담기는 표준 포맷
• (맞춰 붙이기) 서열 정렬⁠(read alignment)이란? — reference-guided의 핵심, read를 표준 게놈에 붙이기
• (결과 파일) SAM/BAM 파일이란? — 정렬·조립 결과를 담는 표준 포맷
• (서열 검색) BLAST — 조립한 서열에서 상동 부위를 찾는 법

References

1. Compeau, P. E. C., Pevzner, P. A., & Tesler, G. (2011). How to apply de Bruijn graphs to genome assembly. Nature Biotechnology, 29(11), 987–991. doi:10.1038/nbt.2023
2. Nurk, S., Koren, S., Rhie, A., Rautiainen, M., et al. (2022). The complete sequence of a human genome. Science, 376(6588), 44–53. doi:10.1126/science.abj6987
3. Miga, K. H., & Eichler, E. E. (2023). Envisioning a new era: Complete genetic information from routine, telomere-to-telomere genomes. American Journal of Human Genetics, 110(11), 1832–1840. doi:10.1016/j.ajhg.2023.09.011
4. Liao, W. W., Asri, M., Ebler, J., et al. (2023). A draft human pangenome reference. Nature, 617(7960), 312–324. doi:10.1038/s41586-023-05896-x

Pipette & Pipeline · A bio portfolio journal