Gun들지마의 Bioinformatics 생명정보학

이 글은 2017년 2월 Bioinformatics 저널에 실린 "Changes associated with Ebola virus adaptation to novel species"를 요약 및 번역한 것입니다.

에볼라 바이러스 (Ebola virus)는 원래 쥐 등의 설치류에게 전염되지는 않지만 유전자 변형으로 감염되어 질병을 일으킬 수 있습니다. 불과 몇년 전에 아프리카에 있었던 대규모의 발병은 수많은 희생자를 낳았습니다.

현재까지, 에볼라 바이러스는 5개의 종류로 구분이 됩니다. 이 중 4개는 (Ebola virus, Sudan virus, Bundibugyo virus, Tai forest virus) 인간을 숙주로 삼지만, 나머지 하나 (Reston virus)는 사람을 제외한 유인원에게 감염이 됩니다.

이러한 숙주의 특정성때문에, 과학자들은 바이러스에 유전자 변형을 일으켜서 쥐 등의 설치류에게 감염시키는 연구를 해왔고, 몇몇의 연구는 성공적으로 감염시킬 수 있었습니다.

이 논문은 그러한 성공적인 사례들을 종합하고 분석하여서, 어떠한 인자가 바이러스에게 새로운 숙주를 감염시킬 수 있는 능력을 가지게 하는지 조사했습니다. 특히 기니피그에게 감염시킨 유전자 변형 바이러스 세 종류 (Cross et al., 2015; Dowall et al., 2014; Vochkov et al., 2000)와 쥐에게 감연시킨 한 종류 (Ebihara et al., 2006)의 바이러스를 분석하였습니다.

이들을 종합한 결과, 단백질의 성질을 변화시키는 33개의 특정한 돌연변이를 발견할 수 있었습니다.

(사진 출처: Table 1. Pappalardo et al., Bioinformatics 2017) 세로줄은 돌연변이가 발견된 단백질의 종류이고, 가로줄은 각각 독립된 연구논문입니다. 숫자는 발견된 돌연변이의 수입니다.

NP: nucleoprotein, GP: glycoprotein, VP: viral protein

NP와 GP, 그리고 VP24의 돌연변이가 모든 바이러스에서 발견됩니다. 그리고 일부의 케이스에서 공통된 돌연변이도 발견할 수 있습니다. (L, VP35)

여기서 NP (nucleoprotein)은 VP30, VP35, L 등과 함께 바이러스의 복제 매커니즘을 담당하고 있습니다. NP는 또한 바이러스가 숙주의 면역체계에 의해 발견되지 못하게 하는 역할도 합니다. GP (glycoprotein)은 숙주세포에 바이러스가 침입할 수 있도록 도와줍니다. 

또한 VP24는 바이러스의 nucleocapsid를 형성하고, 바이러스의 복제를 돕고, 숙주의 면역전달을 막는 등의 역할을 합니다.

이러한 돌연변이들을 종합하여 본 결과, 바이러스가 유전자 변형을 일으켜서 새로운 숙주를 감염시키기 위해서는 아주 적은 수의 돌연변이로도 가능하다고 합니다. 특히, VP24에 일어난 돌연변이는 새로운 숙주 감염에 결정적인 역할을 함으로써, 단지 5개이하의 돌연변이 만으로도 전혀 다른 종의 생물을 감염시킬수 있게합니다.

결론적으로, 바이러스가 새로운 숙주를 감염시킬 수 있는 능력은 아주 쉽게 일어날 수 있으며 실제로 위에서 언급한 5가지 종류의 에볼라 바이러스에서 마지막인 Reston virus는 지금은 사람을 제외한 유인원만을 감염시킨다고 알려져있지만, 이 변종이 돼지에 감염되고 거기서 다시 사람에게 공기를 통하여 감염될 수도 있다는 연구가 나와있습니다.

만약 조금의 변형으로 이 바이러스가 인간과 밀접한 반려동물들, 즉 개나 고양이 혹은 가축들을 감염시킬 수 있게 된다면 그 여파는 걷잡을 수 없이 커질 것으로 보입니다.

사진출처: Science Magazine

타원형의 구체인 새의 알은 비슷비슷하게 생겼다 할지라도, 자세히 들여다보면 다 다르게 생겼습니다. 날씬하고 길쭉한 알도, 통통한 물방울 같이 생긴 알도, 그리고 동그란 탁구공 같이 생긴 알도 있지요.

이 알들의 생김새는 그 새의 종류에 따라 나뉘는데, 최신 Science Magazine의 기사에 따르면 새의 알들이 다 다르게 생긴 데에는 특별한 이유가 있다고 합니다.

프린스턴 대학교의 과학자인, Mary Stoddard는 항상 이것에 대한 의문을 품고 있었다고 합니다. 다행히도, 최근데 버클리의 한 박물관에서 1400 종의 새알을 디지털화 하였고, Mary Stoddard는 이 알들의 크기와, 지름, 모양을 측정하는 Eggxtractor 라는 프로그램을 만들어서 이 모양들에 대한 규칙성이 있는지를 조사하였습니다.

그 결과, 새알의 특정한 모양과 새의 비행능력에 밀접한 연관이 있다는 것을 발견하였습니다. 

예를 들어, 도요새나 바다오리 같은 비행능력이 뛰어난 새들은, 알의 모양이 좀더 비대칭이고 늘씬하다고 합니다. 반면에 하늘에 오랫동안 날지 않는 새들은 더 동그란 알을 낳고요.

그 이유는 더 오래 더 잘 나는 새들은 좀더 몸집이 작고 가벼워서 골반의 크기도 작기때문에 알의 모양이 길쭉할 수 밖에 없다고 결론을 내렸습니다. 어찌보면 당연한 이야기일지도 모르지만, 방대한 양의 디지털 데이터를 종합 및 분석하여서 의미있는 결론을 도출해 내는 생명정보학이 잘 이용된 결과라고 생각합니다.

이 글은 Science Magazine의 기사 원글을 편집 및 요약한 글입니다.

이 링크에서 아래와 같은 데이터 시각화의 예제를 감상하실 수 있습니다.

출처: https://www.youtube.com/watch?v=JhHMJCUmq28

양자 컴퓨터의 기본 원리를 제가 본 설명 중에는 가장 이해하기 쉽게 설명해 놓은 것 같습니다.

자막을 선택하시면 한글 자막도 나옵니다.

이 글은 원문 "Top N Reasons To Do A Ph.D. or Post-Doc in Bioinformatics/Computational Biology" 을 김기태님께서 번역하신 글입니다.

아주 유용한 글이라고 생각해서 퍼왔습니다.

박사 학위 또는 포닥을 Bioinformatics/Computational Biology로 해야하는 탑 N 가지 이유

번역 김기태
원본: http://caseybergman.wordpress.com/2012/07/31/top-n-reasons-to-do-a-ph-d-or-post-doc-in-bioinformaticscomputational-biology/

 
0. 컴퓨팅은 21세기 생물학의 가장 중요한 기술입니다.
시간이 점차 흐를 수록, 생물학은 점점 더 양적인 과학이 되어가고 있습니다. 지난 3세기 간 생물학은 관찰의 과학에서 실험의 과학으로, 그리고 데이터 과학으로 변화되었습니다. 가장 밑에 있는 과일들이 먼저 따이듣이, 관찰과 실험으로 발견 할 수 있는 과일들은 벌써 따였고, 그로인해 새로운 발견을 하기가 점점 어려워지고 있습니다. 향후 새로운 발견에는 큰 데이터세트와 고급 분석 방법을 사용하는 것이 필요로 합니다. 하지만 빅 데이터와 복잡한 모델은 computational skill을 필요로 합니다. 앞으로 이러한 현실을 피할 수 있는 방법은 없습니다.

분자생물학의 선구자이자 노벨상 수상자인 Walter Gilbert는 생물학의 앞으로 20년의 미래에 대해 이러한 말을 했습니다. 

"To use this flood of [sequence] knowledge, which will pour across the computer networks of the world, biologists not only must become computer literate, but also change their approach to the problem of understanding life."

또 다른 분자생물학의 선구자이자 노벨상 수상자인 Sydney Brenner는 몇년 동안 이 이슈에 대해서 이렇게 주장하였습니다.

"I spent many hours persuading people that computing was not only going to be the essential tool for biological research but would also provide models for analyzing complexity…The development of sequencing techniques and their widespread application has generated enormous databases of information, and the need for computers is no longer questioned"

1. Computational skill은 더 다양한 곳에 적용할 수 있습니다.
현실을 직시해 봅시다. 생물학이란 분야에서 모든 Ph.D.와 포닥이 아카데믹 리서치 쪽의 커리어를 갖지 못합니다. 최근 워싱턴 포스트의 리포트에 의하면 생명과학 또는 생물학 분야의 박사 오직 14%만 5년 이내에 정말로 누구나 탐내는 아카데믹 위치에 간다고 합니다. 그러므로 만약에 당신의 박사 또는 포닥 과정때 받은 모든 트레이닝이 아카데믹 분야 밖에서 쓰여지게 된다면, 가장 넓게 적용 될 수 있는 스킬을 획득하는게 어떨까요? 실험 스킬들은 거의 생물학 또는 의학 분야에서의 연구실에서만 사용될 수 있습니다. 반면에 Computational skill은 이 분야를 넘어서, (생물)과학 외 더 넓은 시장에서 사용될 수 있습니다. 당신의 컴퓨터 기술을 늘리는 것은 단지 직업만 찾을 기회를 주는 것이 아닙니다. 컴퓨터가 어떻게 작동하는지에 대한 깊은 생각과 매일 상호작용하여 숙달된다면 컴퓨터는 당신의 삶에 또 다른 혜택을 줄 것 입니다.

2. 컴퓨팅은 당신의 핵심 과학적 능력을 발전시키는데 도움이 됩니다.
생물학은 본질적으로 혼란스러운 학문입니다. 일부 생물학자들이 좋은 실험 설계 및 통계 분석을 통해 이 어지러움을 극복하는 방법을 훈련하지만, 대부분의 생물학자들은 데이터 수집 및 분석에 대해서는 나쁜 습관을 가지고 있다고 합니다. 컴퓨팅은 사람이 임시방편적인 방법으로 할 수 있는 과학을 직면하게 해줄 수 있고, 그러므로 중요한 과학적인 능력들을 터득할 수 있게 해줍니다. 이런 능력에는 논리적인 실험 설계, 지속적인 데이터 수집, 재생 가능한 방법의 개발, 적절한 통계 방법을 사용하여 데이터를 분석하는 것이 있습니다. 그래도 당신이 벤치 또는 필드를 떠나야 하는 것에 대해 확신이 안선다면, 컴퓨터를 교육을 받아서 실험 능력을 향상시키는 과학적인 모범 사례를 개발합니다.!

3. Ph.D.와 포닥과정을 사용하여 새로운 능력을 계발해야 합니다.
대부분의 생물학자들은 고등학교 및 학부생 때 배운 실험 기술들을 가지고 박사과정에 진학합니다. 아마도 이런 기술들은 가장 첨단적인 것이 아닐 수 있고, 당신이 실험 기술을 연마하기 위해 첨단 연구를 수행하고 있지도 않을 것 입니다. 그럼에도 불구하고 당신은 박사과정에 들어오기까지 많은 훈련들을 받아왔습니다. 반면에 과학적인 컴퓨팅 기술은 엑셀을 사용하는 방법과 GUI 바탕의 통계 패키지 사용법만 배웠을 것 입니다. 그러므로 당신의 박사 및 포닥 과정을 여태까지 가지고 있던 기술들을 발전시키는 것 뿐만 아니라, 새로운 것을 배우는데 써야합니다.
저자의 생각은 Computational biology를 연마하는데 가장 최적의 시간은 박사과정이고, 마지막 기회는 포닥이라고 합니다. 그 이유는 박사과정 동안은 시간이 있고, 안정적인 재원을 지원받고, 사무구조가 당신을 보호해 주고 있기 때문입니다. Computational skill을 훈련하는데 포닥도 좋은 선택입니다. 하지만 짧은 계약기간, PI에 대한 큰 의존성, 논문 출판에 대한 높은 기대는 당신이 박사과정 때 처럼 시간이 많다는 것을 의미하지 않습니다. 그래서 저자는 좋은 PI를 찾아가라고 말합니다.

4. 당신은 생물학에 대한 더 특별한 능력을 계발 할 수 있습니다.
위에서 말씀 드렸다 시피, 대부분의 생물학자들은 실험적인 훈련들은 받았지만, 진보된 컴퓨터 훈련을 받은 사람은 아직 소수 입니다. 이것이 (고맙게도!) 변하는 동안, 당신이 코드를 짤 수 있다면 적어도 10년 동안은 post-genomic 시대의 생물학에서 경쟁적으로 우위를 차지할 수 있습니다. 그리고 당신이 다른 사람들이 낼 수 없는 결과를 낼 수 있고, 더하여 무리 중에서 당신을 돋보이게 할 수 있는 능력을 가지고 있음으로, 고용시장에서 당신은 더욱 더 경쟁력을 가질 수 있습니다.

5. 당신은 더 많은 수의 논문을 출판 할 것 입니다.
항상 그렇다고 느끼는 것은 아니지만, 박사과정과 포닥은 진짜 빨리 지나갑니다. 그러므로 당신은 시실패하는 실험으로 꾸물거릴 수 있는 시간이 별로 없습니다. 그러나 오해하지 마십시요, Computational biology도 실패한 실험 만큼 혹은 보다 더 실패를 안겨다 줍니다. 하지만 결정적으로 실패는 weeks/month 단위가 아닌 hours/day 단위로 생깁니다. 그러므로 당신에게 다른 일에 더 빨리 착수 할 수 있도록 해줍니다. 결과적으로 Computational biology로 인해 당신이 시간적으로 더 많은 논문을 출판 할 수 있다는 것 입니다. 당신은 아마도 실험 논문이 더 어렵기 때문에 그 만큼 가치가 더 있을 것이라고 생각 할 수 있지만, 출판은 아직 과학계에서 주화로 남아 있습니다.
게다가 교수임용위원회의 속담같이 내려오는 말 "읽지는 못하더라도 셀 수는 있다"는 아직도 유효합니다. 더 심각하게 말하자면, 고용주 또는 펀딩 에이젼시가 연구원에게 바라는 것은 좋은 아이디어가 있는지와 그 아이디어를 성취할 수 있는지 입니다. 논문의 출판은 당신이 프로젝트를 끝낼 수 있다는 중요한 증거입니다. 그러므로 Computational biology는 당신이 다른 사람 보다 좀 더 빨리 과학계에서 성공 할 수 있게 해줄 수 있습니다.

6. 당신은 당신의 연구에 좀 더 융통성을 가질 수 있습니다.
저자가 말하는 Computational biologist의 가장 좋은 점은 실험 생물학을 할 때 보다 좀 더 자유롭다는 것 입니다. 당신은 컴퓨터 분석으로 가능한 모든 일을 할 수 있습니다. 이런 일은 범위가 Computational Neuroscience에서 부터 Theoretical Ecology 그리고 그 사이에 있는 모든 것 까지 엄청나게 광범위 합니다. 그리고 당신이 특정 실험 테크닉과 잘 연계 한다면 이 토픽에서 저 토픽으로 좀 더 자유롭게 넘어다닐 수 있습니다. 이러한 범위의 융통성은 당신의 지적인 호기심을 충족 시켜 주거나 최신 유행을 따라갈 수 있게 해줍니다. 초보 연구자에게 있어 가장 중요한 점은 Computational biology를 통해 얻는 융통성이 커리어 초기에서 부터 자신의 연구 프로그램을 계발하고, 이것으로 PI에게 다가갈 수 있다는 것 입니다. 이것은 당신이 커리어 초기에서 부터 독자적인 프로젝트를 맡아서 한 경험을 늘려주기 때문에, 나중에 당신이 성공할 확률을 더 욱더 높혀 주기에 아주 중요합니다.

7. 일에 방법에 있어서 좀 더 자유로울 수 있습니다.
일과 삶의 균형에서 Computational biology는 많은 이점들이 있습니다. 그러나 꽤 높은 생산성을 계속해서 유지해야 합니다. 실험실에 묶여있는 것과는 다르게, Computational biology는 거의 아무대서나 할 수 있을 뿐더러, 재택근무도 가능 합니다. 장시간 동안 이런 일에 대한 융통성은 당신의 커리어를 잘 수용할 수 있도록 도와줄 것이고, 삶의 어려운 시기를 헤쳐나갈 수 있게 해줄 뿐 만 아니라, 가족을 만드는 것 같이 인생의 큰 결정을 쉽게 할 수 있도록 해 줄 것 입니다. 시약을 뒤지거나 세포를 걷으러 실험실로 달려가는 것을 당신의 삶에 융합시키는 것 보다 코딩과 프로그램 돌리는 것을 당신의 삶에 융합하는 것이 훨씬 더 쉬울 것 입니다. 저자가 여기서 분명히 말하고자 합니다: 만약에 당신이 아카데믹한 생물학 분야의 커리어와 가족을 동시에 갖고 싶다면, 당신이 실험실에 갖혀 있는 것 보다 Computational biology를 박사과정 또는 포닥 때 하는 것이 위에 목표를 이루는데 훨씬 도움이 될 것입니다. 이것은 여성에게도 적용 됩니다. 밑에 글을 보십시요. 

8. Computational research는 비용효과가 큽니다. 
현재 공개적으로 사용할 수 있는 데이터가 너무 많기 때문에 Computational biology연구는 큰 예산 소모를 요구하는 실험보다 비용이 더 적게 듭니다. 이것은 몇 가지 이유 때문에 중요 합니다. 첫 번째로 Computational biology는 펀딩에 좀 덜 의존적 입니다. 그러므로 펀드를 따오기 위해서 지나친 시간을 낭비하지 않아도 됩니다. 당신은 그냥 하고 싶은 과학을 하면 되는 것 입니다. 이것은 지금 같이 현대의 경제 시대에 매우 중요합니다. 위에서 말했다 시피, Computational biology의 적은 비용은 자신의 연구를 이른 커리어에서 디자인 할 수 있도록 해줍니다. 비용효과는 당신이 새로운 연구실을 꾸렸을 때와 지속적으로 같은 생산성을 유지하는데도 중요합니다. 마지막으로 Computational biology의 비용효과는 과학 경제 도상 국가의 연구자와 부유국의 연구자를 동등한 입장에 서게 해줍니다. 저자가 멋대로 판단을 내린 것에 사과를 하지만 제한된 예산을 가지고 있는 개발도상국가의 연구자들은 세계적으로 톱 클래스가 되기 위해서 Computational biology를 선택하는 것을 숙고해야 한다고 합니다.

*[저의 생각으로, 만약에 간단한 분석을 한다면 wet lab 시약 및 장비 비용에 비해 dry lab이 돈이 좀 더 적게 들겠지만, 좋은 연구를 위해서 서버를 구축을 하기 시작한다면 dry lab도 만만치 않은 비용이 들어간다고 생각합니다. 많은 사람들이 "컴퓨터 한대만 있으면 쉽게 할 수 있는거 아니야?" 라고 생각하겠지만 제가 프로그램을 돌려본 결과 더 큰 메모리와 더 좋은 연산장치가 필요합니다.] 

9. 성공한 과학자는 마지막에 오피스로 귀결 됩니다.
만약에 당신이 성공하고 그렇게 갈망하던 PI 위치에 오른다면, 당신은 마침내 오피스 안에서 생활하게 됩니다. 몇몇의 용감한 영혼들은 실험실로 찾아가 실험을 할 것 이지만, 이것은 매우 드문 상황입니다. 사실 성공한 아카데믹 연구자의 토착 서식지는 사무실의 컴퓨터 앞에 의자 입니다. 당신이 물론 오피스안에서 wet lab과 필드 일을 할 수 는 없지만, 책상에 앉아 Computational biology 연구는 할 수 있습니다. 가장 많이 인용이된 bioinformatian인 Webb Miller가 말했듣이 자신의 연구를 계속하는 것은 당신의 긴 커리어의 여행에서 당신이 하는 일에 계속 동기 부여를 할 수 있는 가장 좋은 방법 중 하나입니다. 기억하십시요, 당신의 장기 목표는 "Principal Investigator(연구 책임자)"가 되는 것이지 "In Principle Investigator(원칙적 연구자)"가 되는 것이 아닙니다. 그러므로 당신이 아직 젊고 연구에 뜻이 있다면 한번 질문 해 보십시요: 당신 연구실의 다른 누군가가 모든 발견을 하는데 재미를 보는 동안 당신은 왜 대부분의 커리어에서 쓰지 않을 기술을 훈련 받으시나요?

10. [당신은 왜 이 리스트가 숫자 0에서 부터 시작하는 지 알아야 합니다.]
저자가 이 글을 쓴 이유는 Computational biology를 하면서 얻는 유익함에 대하여 토론을 하고자 였습니다. 저자가 이 리스트를 Top 10 리스트로 만들지 않고 Top N 리스트로 만든 이유는 또 다른 좋은 의견을 계속해서 추가 하기 위함입니다.

원문 출처: https://caseybergman.wordpress.com/2012/07/31/top-n-reasons-to-do-a-ph-d-or-post-doc-in-bioinformaticscomputational-biology/

번역본 출처: Korean Bioinformatics Facebook Group

2016년 학계를 뜨겁게 달구었던 주제 중 하나는 지카바이러스가 아닐까 생각합니다.

지카 바이러스는 dengue, yellow fever, 일본뇌염, west nile virus 등과 마찬가지로 모기에 의해 전파되고 감염되는 바이러스의 한 종류 입니다. 그 이름은 바이러스가 처음 확인된 우간다의 지카숲에서 유래되었으며, 아프리카와 아시아를 거쳐서 남미에도 전파되어있습니다.

지카바이러스에 감염이 되면 대부분 미열을 동반한 감기 증상이 나타나는데, 일부의 경우 증상이 전혀 없을 수도 있어서 그 진단이 어렵습니다. 현재 활발한 연구가 되고 있지만, 아직까지는 이렇다할 치료제나 백신이 없는 상태이지만, 이 바이러스의 심각성은 감염자 자신보다는 감염자가 임신할 경우에 태아에게 소두증을 유발할 수가 있기 때문에 더욱더 위험합니다.

지카 바이러스에 관련하여 여러 재미있는 연구가 많이 진행되고 있지만, 바로 지난 달에 유전체 시퀀싱을 이용하여 지카 바이러스가 미국에 들어오게 된 경로 및 바이러스 유전체의 다양성을 파악하는 두 논문이 네이쳐에 실렸습니다.

첫번째 논문 (Faria et al., 2017) 은 MINION을 이용해서 주로 브라질의 환자에게서 얻은 샘플을 시퀀싱하여 지카 바이러스의 유전체를 조사 하였고, 두번째 논문 (Metsky et al., 2017)은 10개국의 환자와 모기에서 얻은 샘플을 일루미나 시퀀싱을 이용해서 유전체를 얻었습니다.

이렇게 얻은 유전체 데이터로 phylogenetic tree를 만들었고, 그 결과 과학자들은 브라질에서 캐러비안으로 전파된 바이러스가 플로리다를 통해 유입되었다는 결론을 유추해냈습니다.

사진출처: http://www.nature.com/nature/journal/v546/n7658/full/nature22495.html

그리고 이 연구로, 과학자들은 지카 바이러스가 플로리다에 적어도 4번의 독립적인 사건으로 전파 되었다고 결론내렸습니다.