파일 형식을 알아보자! (FASTA, FASTQ, BAM, SAM)

생명정보학 분석에서 자주 만나는 파일 형식을 알아봅시다

안녕하세요, 한헌종입니다.
오늘은 생명정보학 분야에서 자주 만나게 되는 파일 형식이 어떤 게 있는지 알아봅시다.

생명정보학을 공부하면서 가장 많이 만나게 되는 파일 형식은 사실 tsv, csv일 것입니다.
이 형식들은 여러분이 잘 알고 계시는 ‘표’ 형태의 정보를 텍스트 파일로 나타낸 것입니다.
tsv 는 tab-separated values, 즉 ‘탭’으로 데이터를 나누어 적어놓은 파일이구요,
csv 는 comma-separated values, 즉 ‘쉼표’로 데이터를 나누어 적어놓은 파일입니다.
어려울 것 없이, 그냥 표라고 생각하시면 됩니다. tsv,csv 파일을 엑셀로 열면 아주 이쁘게 표로 표현된답니다.


csv 형태의 데이터는 표와 같습니다

세상의 모든 데이터가 tsv/csv 처럼 단순한 형태로 있으면 참 편할텐데, 그렇지가 않습니다.
생명정보학을 공부하시다 보면 아래에 소개드릴 특별한 파일 형식들을 많이 만나보시게 될 겁니다.
(사실 생각나는 대로 적어본 거라, 서로 연관성은 많이 없습니다.)
이 형식들에 익숙해지시면 데이터를 이해하고 분석하는 게 한결 수월해지실 겁니다.

그럼 한 번 알아볼까요?

FASTA

FASTA 파일은 특정 분자의 서열을 나타내는 데에 사용됩니다.
주로 Genome 의 각 chromosome 마다의 서열을 저장하는 데 쓰이죠.
혹은 gene/transcript/protein 각각의 염기서열 및 아미노산 서열을 저장할 때 사용되는 형식이에요.

FASTA 파일은 두 형태가 반복되는 형식입니다.
첫 부분은 그 아래에 나올 서열의 이름/ID 입니다. 항상 > (꺽쇠) 글자로 시작하죠.
다음에는 그 이름에 해당하는 서열이 나오게 됩니다.
보통 그 서열은 굉장히 깁니다. 염색체는 말할 것도 없고, 특정 유전자나 단백질도 몇백-몇만 글자로 표현해야 하죠.
그래서 이를 한 줄로 나타내지 않고, 보통 60글자씩 나눠서 여러 줄에 걸쳐 표현합니다.


FASTA 파일의 예시. 이름-서열-이름-서열 이 반복되네요

* 주의: FASTA 파일은 보통 엄청나게 크기 때문에, 가정용 컴퓨터에서 열어보지 않는 걸 추천합니다.

FASTQ

fastq 파일은 NGS (Next generation sequencing data) 의 결과를 저장하는 데 주로 쓰입니다.
NGS 실험을 진행하면, 그 결과로 cDNA library 서열을 읽어서 데이터로 얻을 수 있습니다.
즉, 각 cDNA library 의 염기서열을 알 수 있는거죠.
이 서열 하나를 ‘read’ 라고 하는데요.
fastq 파일은 여러 read 의 정보를 한 파일에 저장하게 됩니다.

보통 이 파일을 직접 사용하기보다, reference genome 에 align 한 뒤에 활용됩니다.
fastq 파일은 대부분의 연구에서 raw data, 즉 가공되지 않은 원본 파일로 여겨집니다.
그러니 분석하실 땐 fastq를 잘 백업해두셔서 잃어버리지 않도록 하세요!

fastq 파일은 네 줄이 한 단위입니다.
위에서 말씀드린 것처럼 하나의 cDNA library 정보가 네 줄에 나눠서 표현되어 있는 거죠.
이들은 각각 다음 정보를 가지고 있습니다:

sequence ID: @ 로 시작하며, 해당 서열의 이름을 나타냅니다.
sequence: 실제로 읽은 염기서열 정보입니다.
description: ‘+’ 글자로 시작하는데, + 하나만 있기도 하고 sequence ID를 넣거나 설명을 넣는 부분입니다.
quality: 각 염기서열이 얼마나 정확히 읽혔는지를 나타냅니다. Phred quality score 라는 표현법을 사용합니다.


fastq 파일의 예시. 이름-서열-설명-품질 이 반복됩니다

* 주의: fastq 파일도 역시, 보통은 엄청나게 크기 때문에 가정용 컴퓨터에서 열어보지 않는 걸 추천합니다.

BAM, SAM

BAM 파일을 먼저 살펴볼까요.
BAM 은 binary alignment map 이라는 형식이에요.
이 파일은 위에서 설명한 fastq 파일을 reference genome에 align 했을 때 만들어지는 파일이죠.
즉, 각 cDNA library 조각이 reference genome 의 어느부분에서 나왔구나~ 하는 정보를 담았다는 거죠.
fastq 에서는 각 read 의 염기서열과 그 품질을 알 수 있다면, BAM 파일은 염기서열과 reference 에서의 위치정보 를 알 수 있습니다.

그렇지만 BAM 파일은 사람이 읽을 수 없는 파일입니다…
정보를 압축하기 위해 binary 형태로 저장된 파일이기 때문이죠.
다행히도 이 BAM 파일을 ‘볼 수 있게’ 해놓은 파일이 있습니다. 바로 SAM 파일입니다.
BAM 파일과 SAM 파일은 동일한 정보를 가지고 있고, 서로 변환이 가능합니다. (변환 방법은 다음에 설명드릴게요)

SAM 파일은 header 부분과 alignment 부분으로 이루어져 있습니다.

header
header 부분은 파일에 대한 설명을 주는 부분입니다. @ 로 시작하는 라인들입니다.
alignment
alignment 부분이 각 read에 대한 alignment 정보를 제공하는 부분입니다.
필수적인 11개의 컬럼으로 이루어져 있고, 추가로 몇 개의 컬럼이 더 있을 수도 있습니다.


SAM 파일의 예시. 11개 컬럼이 너무 길어서 엑셀로 표시해보았어요

각 column의 설명은 다음과 같습니다:

QNAME: read 이름
FLAG: 2진수로 된 read alignment 에 대한 설명
RNAME: refernce sequence 의 이름
POS: reference sequence 에서 align 된 위치
MAPQ: mapping quality. 즉 얼마나 정확히 align 되었는지.
CIGAR string: alignment 정보를 표현한 문자열. Match, Gap 등의 설명을 각 염기마다 표현합니다.
RNEXT: 다음 read 의 reference sequence 이름. 주로 paired end read 에 대한 분석을 위해 사용됩니다.
PNEXT: 다음 read 의 align 된 위치. 주로 paired end read 에 대한 분석을 위해 사용됩니다.
TLEN: Template length. paired-end read 둘의 left-end 부터 right-end 까지의 길이입니다.
SEQ: segment sequence. 염기 서열을 나타냅니다.
QUAL: Phread quality score 입니다.

와, 저도 이 11개 컬럼의 뜻을 모두 알지는 못했는데 이렇게 많은 정보가 있는 줄은 몰랐네요!
* 주의: SAM 파일도 역시, 읽을수는 있다고 하나 엄청나게 크기 때문에 가정용 컴퓨터에서 열어보지 않는 걸 추천합니다.

오늘은 FASTA, FASTQ, BAM/SAM 파일에 대해 알아봤습니다.
분석의 앞부분에서 꼭 마주치게 되는 형식들이죠.
평소에 잘 안다고 생각했던 것들인데, 자세히 들어가보니 내용이 무척 많네요.
언젠가 이 파일들이 분석 순서상으로 어떻게 연관되어 있는지도 설명드릴게요.

아, 그리고 이 외에도 널리 사용되는 파일 형식들이 많은데요, VCF/BED/GTF 등이 있어요.
이 형식들은 다음에 또 알아보도록 할게요.

그럼 다음시간에 만나요!