서열 정렬(read alignment)이란? — 수억 개 read를 유전체에 맞추는 법 (BWA·MAPQ·정렬 도구 완전 정리)

서열 정렬 워크플로 — 원시 read → 참조 색인 → 정렬(seed & extend) → BAM (위치·CIGAR·MAPQ). (직접 그린 도식)

TL;DR — 서열 정렬은 시퀀서가 쏟아낸 수억 개의 짧은 read를, 이미 아는 참조 유전체(reference genome) 위에서 "이 조각이 원래 어디서 왔나"를 찾아 제자리에 줄 세우는 일이다. 거의 모든 NGS 분석의 첫 단계다.

파이프라인에 놓으면 자리가 분명하다. FASTQ (원시 read) → 정렬 → SAM/BAM (정렬 결과) → 변이 호출 → VCF (변이). 정렬이 FASTQ를 BAM으로 바꾸는 그 단계다.

난제는 속도다. 30억 글자(사람 유전체)에서 100글자짜리 조각 수억 개의 자리를 일일이 대조하면 끝이 안 난다. 그래서 참조 유전체를 한 번 색인(index)해 두고 빠르게 검색한다. BWA·Bowtie2 (BWT/FM-index 계열)와 minimap2 (seed-and-chain)가 대표 도구이고, RNA-seq에는 인트론을 건너뛰는 STAR·HISAT2를 쓴다.

🔗 관련 글  ·  입력: FASTQ 파일이란?  ·  출력: SAM/BAM 파일이란?

1. 서열 정렬이란? — read의 '제자리' 찾기

시퀀서는 유전체를 통째로 읽지 못합니다. 잘게 조각내 짧은 read (보통 100~150 bp) 수억 개로 뱉어낼 뿐입니다(FASTQ 파일이 바로 그 read 뭉치입니다). 이 조각들이 원래 유전체의 어느 위치에서 왔는지는 표시돼 있지 않습니다.

서열 정렬(read alignment, mapping)은 그 조각 하나하나를 이미 완성돼 있는 참조 유전체 위에 얹어, 가장 잘 맞는 자리를 찾아 주는 작업입니다. 수억 조각을 참조라는 '정답지' 위에 줄 세우는 셈입니다. 정렬이 끝나야 비로소 "이 사람은 3번 염색체 12345 위치가 참조와 다르다(변이)" 같은 분석이 가능해집니다.

그래서 정렬은 거의 모든 NGS 분석의 출발점입니다. 변이 검출, 발현량 측정(RNA-seq), ChIP-seq까지 — read를 다루는 분석은 대부분 정렬부터 시작합니다.

2. 왜 어려운가 — 30억 글자에서 조각 찾기

문제의 크기를 먼저 봅시다. 사람 참조 유전체는 약 30억 염기(3 Gb)입니다. 그 위에 올려야 할 read는 한 번의 시퀀싱에서 수억 개가 나옵니다. read 하나를 30억 글자와 처음부터 끝까지 대조하고, 그걸 수억 번 반복하면 — 슈퍼컴퓨터로도 비현실적입니다.

게다가 read는 참조와 정확히 일치하지 않습니다.

• 시퀀싱 오류: 읽는 과정에서 글자가 틀릴 수 있습니다(Phred 품질점수가 그 신뢰도입니다).
• 개인 변이: 그 사람의 진짜 변이(SNP·삽입·결실)는 참조와 달라야 정상입니다.
• 반복서열: 유전체에는 비슷한 구간이 많아, 한 read가 여러 곳에 똑같이 잘 맞기도 합니다.

즉 정렬기는 '빠르면서도, 어긋남을 허용하면서, 가장 그럴듯한 자리'를 찾아야 합니다. 단순 검색으로는 풀 수 없는 이유입니다.

3. 어떻게 빠르게 하나 — 색인의 마법

해법의 핵심은 참조 유전체를 미리 색인(index)해 두는 것입니다. 책 뒤의 '찾아보기'처럼, 한 번 만들어 두면 이후 모든 read 검색이 빨라집니다. 색인 방식에 따라 두 계열로 나뉩니다.

• BWT / FM-index 계열(BWA · Bowtie2) — 버로우즈-휠러 변환(BWT)으로 참조 유전체를 압축하면서 검색에 유리한 형태로 바꿉니다. 덕분에 부분 문자열을 아주 빠르게 찾습니다. BWA-MEM과 더 빠른 재구현 BWA-MEM2가 DNA 짧은 read의 사실상 표준이고, Bowtie2는 틈(gap) 있는 정렬·국소 정렬에 강합니다.
• seed-and-chain 계열(minimap2) — read에서 짧은 대표 조각(미니마이저, minimizer)을 씨앗으로 뽑아 후보 위치를 찾고, 이를 사슬로 이어 정렬합니다. 짧은 read는 물론 긴 read (PacBio·나노포어)까지 두루 처리해 활용도가 높습니다.

두 계열이 공유하는 전략이 seed-and-extend입니다. read 전체를 한 번에 맞추는 대신, 정확히 일치하는 짧은 조각(seed)을 먼저 찾아 위치를 좁힌 뒤, 그 주변만 확장해 정렬합니다. 어긋남을 허용하면서도 속도를 지키는 비결입니다.

4. 정렬의 결과 — 위치·CIGAR·MAPQ

정렬 결과는 SAM/BAM 파일로 저장됩니다. read마다 핵심 정보가 붙습니다.

• 매핑 위치 — 어느 염색체·몇 번 위치에 맞았나(chr, pos).
• CIGAR — 어떻게 맞았나. match/mismatch·삽입(I)·결실(D)·잘림(soft clip, S)을 압축 기호로 적습니다(예: 100M은 100염기 연속 정렬).
• 매핑 품질(MAPQ) — 이 위치가 맞다는 확신도입니다. 반복서열 때문에 여러 곳에 똑같이 맞으면 MAPQ가 낮아집니다. 낮은 MAPQ read는 분석에서 거르는 게 보통입니다.
• FLAG — 정방향/역방향, 짝 read 여부 등을 비트로 표시.

이 필드들의 자세한 구조는 SAM/BAM 글에서 다뤘습니다. 정렬이 '제자리 찾기'라면, BAM은 그 답을 적어 둔 표준 답안지입니다.

5. 도구 고르기 — 데이터가 도구를 정한다

정렬기는 만능이 아닙니다. 데이터 종류에 맞는 도구를 써야 합니다. 특히 RNA-seq에 DNA 정렬기를 쓰면 결과가 망가집니다.

데이터	권장 도구	핵심
DNA 짧은 read (일루미나)	BWA-MEM2 · Bowtie2 · strobealign	BWT/FM-index, 변이 검출의 표준
RNA-seq (전사체)	STAR · HISAT2	splice-aware — 엑손-엑손 경계(인트론)를 건너뛰어 정렬
긴 read (PacBio·나노포어)	minimap2	seed-and-chain, 오류율 높은 롱리드에 강함

가장 흔한 실수가 RNA-seq를 DNA 정렬기로 정렬하는 것입니다. mRNA에는 인트론이 빠져 있어, read가 멀리 떨어진 두 엑손에 걸쳐 있을 수 있습니다. DNA 정렬기는 이걸 모르고 억지로 한 자리에 욱여넣어 결과를 망칩니다. 그래서 RNA에는 인트론을 건너뛸 줄 아는 splice-aware 정렬기(STAR·HISAT2)가 필요합니다.

6. 정렬 vs 조립 — 참조가 있느냐 없느냐

자주 헷갈리는 형제가 유전체 조립(de novo assembly)입니다. 둘 다 read를 다루지만 전제가 정반대입니다.

• 정렬(alignment) — 참조 유전체가 있을 때, read를 그 위에 맞춥니다. 답지를 보고 채점하는 것에 가깝습니다.
• 조립(assembly) — 참조가 없을 때, read들을 서로 겹치는 부분으로 이어 붙여 유전체를 처음부터 만듭니다. 그림 없이 퍼즐을 맞추는 일입니다.

사람처럼 좋은 참조가 있으면 정렬이 빠르고 정확합니다. 새로운 종, 또는 참조에 없는 구조변이 영역을 볼 때는 조립이 필요합니다.

7. 자주 헷갈리는 것

비교	차이
정렬 vs 조립	참조에 맞춤 / 참조 없이 새로 만듦
DNA 정렬기 vs splice-aware	연속 정렬(BWA) / 인트론 건너뛰기(STAR·HISAT2, RNA용)
MAPQ vs 염기 품질	read가 제자리에 맞았는지(정렬 신뢰도) / 각 염기가 맞게 읽혔는지(Phred)
멀티매핑	반복서열에 여러 곳 맞음 → MAPQ 낮음 → 보통 제외

8. 핵심 정리

• ✅ 서열 정렬 = 수억 개 read를 참조 유전체에 맞춰 제자리를 찾는 일. NGS 분석의 첫 단계.
• ✅ 파이프라인: FASTQ → 정렬 → BAM → 변이 호출 → VCF.
• ✅ 속도의 비결은 참조 색인(BWT/FM-index, minimizer) + seed-and-extend.
• ✅ 결과는 위치·CIGAR·MAPQ로 BAM에 기록. MAPQ는 '제자리에 맞았다는 확신도'.
• ✅ 도구는 데이터가 정한다 — DNA (BWA-MEM2)·RNA (STAR·HISAT2, splice-aware)·롱리드(minimap2).

9. 다음 학습 추천

• 📗 FASTQ 파일이란? — 정렬의 입력, 원시 read와 Phred 품질 (앞 단계)
• 📗 SAM/BAM 파일이란? — 정렬의 출력, 11필드·CIGAR·FLAG (다음 단계)
• 📗 VCF 파일이란? — 정렬 뒤 변이 호출의 결과 (그다음 단계)

References

1. Li, H., & Durbin, R. (2009). Fast and accurate short read alignment with Burrows-Wheeler transform. Bioinformatics, 25(14), 1754–1760.
2. Li, H. (2013). Aligning sequence reads, clone sequences and assembly contigs with BWA-MEM. arXiv, 1303.3997.
3. Langmead, B., & Salzberg, S. L. (2012). Fast gapped-read alignment with Bowtie 2. Nature Methods, 9(4), 357–359.
4. Dobin, A., et al. (2013). STAR: ultrafast universal RNA-seq aligner. Bioinformatics, 29(1), 15–21.
5. Li, H. (2018). Minimap2: pairwise alignment for nucleotide sequences. Bioinformatics, 34(18), 3094–3100.
6. Vasimuddin, M., et al. (2019). Efficient architecture-aware acceleration of BWA-MEM for multicore systems. IEEE IPDPS, 314–324.
7. Sahlin, K. (2022). Strobealign: flexible seed size enables ultra-fast and accurate read alignment. Genome Biology, 23, 260.

Pipette & Pipeline · A bio portfolio journal — bridging research, data, and industry.