1. 1
Bioinformatic with
Python and R
Python 과 R 을 활용한 개인 유전체 분석
국내에서도 이제 개인이 직접 유전자검사를 의뢰하여 자신의 유전체정보를 획득할 수 있는 시대
가 도래했다. 이 책은 자신의 유전체 정보의 의미와 자신의 유전체 데이터를 어떻게 분석 할지에
대한 책이다.
2. 1
목차
저자 서문............................................................................................ 6
사전지식................................................................................................................................... 6
예제 코드................................................................................................................................. 7
파이썬 기초 ............................................................................................................................. 7
R 기초...................................................................................................................................... 8
감사의 글................................................................................................................................. 8
데이터 분석 환경 만들기 ...................................................................... 9
도커를 이용한 환경 구축...................................................................................................... 10
유전체 데이터...................................................................................... 1
지노타입 데이터...................................................................................................................... 2
지노타입 빈도와 유전자형 빈도............................................................................................. 3
이형접합성(Heterozygosity) ................................................................................................... 4
매핑 데이터 ............................................................................................................................. 4
유전변이 데이터...................................................................................................................... 5
나쁜 데이터 1 - 유전체 버전 불일치...................................................................................... 5
나쁜 데이터 2 - 개행 문자 처리........................................................................................... 6
3. 2
나쁜 데이터 3 ‒ 유전체 데이터 좌표계 ................................................................................ 6
나쁜 데이터 4 - 염색체 표기 방법의 불일치 ........................................................................ 6
유전체 데이터 얻기................................................................................................................. 8
소비자 직접 거래 유전자 검사............................................................... 9
Genos Research .................................................................................................................... 11
Ancestry.com ........................................................................................................................ 12
23adnMe ............................................................................................................................... 12
FamilyTreeDNA ..................................................................................................................... 12
WeGene ................................................................................................................................. 12
오픈 플랫폼 ........................................................................................................................... 12
유전적 거리 측정 ............................................................................... 13
지노타입간의 유사도 측정.................................................................................................... 14
IBS 를 이용한 두 사람간의 지노타입 비교 ......................................................................... 14
염색체별 유사성 비교........................................................................................................... 18
염색체 표현하기.................................................................................................................... 19
인구 집단 비교 .................................................................................. 22
PCA 를 이용한 인구집단 표시.............................................................................................. 23
인구집단 데이터.................................................................................................................... 23
참조 인구집단 데이터셋 만들기........................................................................................... 26
PCA 를 이용한 클러스터링 ................................................................................................... 29
조상 정보 마커...................................................................................................................... 32
한국인내에서의 집단 구분.................................................................................................... 34
조상 정보 찾기 .................................................................................. 36
페이징 .................................................................................................................................... 37
4. 3
애드믹스처............................................................................................................................. 38
인종별 데이터셋과 페이징.................................................................................................... 39
인구집단 추정........................................................................................................................ 40
염색체 구간 설정 .................................................................................................................. 41
23andMe 데이터 읽기.......................................................................................................... 42
인종별 데이터 읽기............................................................................................................... 43
트레이닝 데이터 세트 만들기 .............................................................................................. 44
이디오그램 그리기 ................................................................................................................ 48
알아 맞추기....................................................................................... 50
남녀 알아 맞추기 .................................................................................................................. 50
혈액형 알아 맞추기............................................................................................................... 56
촌수 계산과 계통도 ............................................................................ 57
샘플간 쌍으로 거리 계산...................................................................................................... 58
친인척 찾기 ........................................................................................................................... 59
클러스터맵............................................................................................................................. 60
Phylip .................................................................................................................................... 61
염색체 이상 찾기 ............................................................................... 64
염색체별 생산량 측정........................................................................................................... 65
로그 취하기 ........................................................................................................................... 68
염색체 전체 커버리지........................................................................................................... 69
개인식별 ........................................................................................... 71
식별력이 높은 마커............................................................................................................... 72
일치확률................................................................................................................................. 72
범인 찾기............................................................................................................................... 73
6. 5
메타지노믹스 ......................................................................................................................... 92
개인식별................................................................................................................................. 92
한국인 유전체 데이터 ......................................................................... 93
KARE...................................................................................................................................... 93
딥러닝을 이용한 유전체 분석 .............................................................. 94
DeepVariant ‒ 구글............................................................................................................... 94
GATK4 using Deep Learning in VQSR................................................................................... 95
암 유전체 분석 .................................................................................. 97
Cancer Genomics ‒ 암유전체학 ........................................................................................... 97
부록 A. 외부 라이브러리..................................................................... 98
7. 22
CHAPTER3
인구 집단 비교
인종 간에 신체적, 문화적으로 서로 다양함을 보유하고 있다. 다양함에 있어서 유전적인 원인 또한 큰 부분
을 차지하고 있다. 인종 또는 집단에서의 유전적인 특징을 연구하는 것을 집단 유전학(population genetics)
라고 한다. 일본에서 이루어진 연구를 보면 일본인 7,003 명의 샘플을 모아 유전체 데이터를 분석한 결과
오키나와 지방에 거주하는 류큐(Ryukyu)와 일본 본토의 혼도(Hondo) 두개의 집단으로 분류된다는 것이다.
이 두 집단간의 가장 큰 차이를 보인 마커는 바로 귀지(마커 rs17822931)와 머리카락 굵기(rs3827760)와
관련된 유전자로 우리나라의 경우에는 100%가 마른 귀지 타입(지노타입 AA)을 가지고 있는데 반해 일본
은 마른 귀지와 젖은 귀지가 혼재하고 있다.
일본인의 유래에 대한 가설로는 16,000 년전 일본에 원래 거주하던 조몬과 3,000~18,00 년전 한반도를 통
해 넘어온 야오이 두 그룹이 기원이라는 이중 구조(dual structure) 모델과 원래 하나의 민족이라는 하나의
기원(single origin) 가설이 존재하는데 한반도에서 넘어온 야오이(마른 귀지) 사람과 일본내에 거주하던 조
몬(젖은 귀지)이 혼합된 민족임을 시사한다.
이번 장을 끝마치면 당신은 아래의 3 가지에 대해서 배울 수 있다.
• 전세계 인종의 공용 유전체 데이터에 접근하는 방법
• 23anMe 데이터와 1000GenomesProject 데이터를 결합하는 방법
• PCA 분석을 통해 인구집단의 특성을 찾고 이를 시각화 하는 방법
우리는 어려서부터 단일 민족이라는 이야기를 많이 들어왔으나 이제는 다문화 가정이라는 것이 보편화되
고 있다. 인종간의 차이는 무엇이고 그렇다면 나는 유전적으로 어떤 위치에 있는지에 대해서 알아보도록
하자.
8. 23
PCA 를 이용한 인구집단 표시
어느 조상으로부터 유래 되었는지에 대한 정보력을 가진 AIM 마커는 약 128 개 정도로 기존에 인종 정보
가 알려진 공개된 데이터로부터 128 개의 AIM 만을 추출하여 이를 주성분 분석 (Principal Components
Analysis, PCA) 기법을 이용하여 그래프를 그리게 된다. PCA 는 고차원의 데이터 (128 개의 데이터)를 저차
원의 데이터(X,Y 축을 가진 2차원 그래프)로 환원시켜 서로간의 연관성을 한눈에 파악할 수 있도록 해준다.
아래 그림은 각 개인의 AIM 을 추출하고 이를 2 차원 그래프에 투영한 것으로 같은 인종끼리 모아지는 형
태를 확인할 수 있다. 이렇게 기본이 되는 그래프 위에 자신의 PCA 값을 계산하여 그래프에 찍어 주면 자
신이 어느 위치에 존재하는지를 확인 할 수가 있다.
그림 11 인종별 PCA 그래프
인구집단 데이터
지금까지 공개된 인구집단의 데이터는 HapMap 또는 HGDP 를 통해 공개된 인종별 인구집단 데이터가 존
재한다. 최근에는 NGS 를 통해 생산된 인구집단 데이터인 1000 Genomes Project 데이터 또한 존재한다.
여기서는 1000GenomesProject 에서 공개된 3 개의 인구집단 데이터를 이용한다.3 개의 그룹은 CEU(북유
럽 조상을 둔 미국 유타 지역 주민),YRI(나이지리아의 이바단에 거주하는 요루바족),CHB/JPT(중국 한족/토
교에 거주하는 일본인) 그룹으로 크게 유럽인, 아프리카인, 아시아인을 대표한다고 보면 되겠다.
공개된 YRI 인종의 유전체정보가 담겨진 VCF 파일을 다운로드한다. 이때 .tbi 확장자를 가진 파일을 같이
9. 24
다운로드하는데 이 파일은 tabix 라는 툴이 사용하는 인덱스 파일로 파일 크기가 큰 유전체 데이터셋에서
원하는 지역을 빠르게 찾을 수 있도록 도와준다.
import urllib
u = urllib.URLopener()
u.retrieve("ftp://ftp.1000genomes.ebi.ac.uk/vol1/ftp/pilot_data/paper_data_sets/a_map_of_
human_variation/low_coverage/snps/YRI.low_coverage.2010_09.genotypes.vcf.gz",
"YRI.low_coverage.2010_09.genotypes.vcf.gz")
u.retrieve("ftp://ftp.1000genomes.ebi.ac.uk/vol1/ftp/pilot_data/paper_data_sets/a_map_of_
human_variation/low_coverage/snps/YRI.low_coverage.2010_09.genotypes.vcf.gz.tbi",
"YRI.low_coverage.2010_09.genotypes.vcf.gz.tbi")
import tabix
YRI_file = "YRI.low_coverage.2010_09.genotypes.vcf.gz"
yri = tabix.open(YRI_file)
유전체 데이터에서 좌표 (coordiantes)는 기본적으로 0-베이스를 기준으로 한다. 즉 시퀀스의 첫번째 기준
점은 0 과 1 사이에 존재한다. 기본적으로 0-베이스와 1-베이스의 차이는 아래와 같다. 우리가 4 번째에 존
재하는 ‘G’는 1-베이스 기반에서의 위치는 1 이지만 제로-베이스에서는 3-4 가 된다.
그림 12 유전체 데이터 좌표계
23andMe 의 데이터는 1-베이스 좌표를 이용하게 되는데 23andMe 의 첫번째 나오는 rs3094315 의 경우
위치가 742429 이지만, 우리가 지금 사용하는 VCF 포맷은 0-베이스를 사용하기 때문에 742428-742429
가 된다. 해당 지역에 대해서 검색한 결과를 보면 처음의 5 개는 각각 염색체 번호, 위치, 마커 이름, 표준
베이스, 변이 베이스의 순서로 염색체 1 번의 742429 번째 염기는 ‘G’ 이지만 사람들은 ‘A’도 가지고 있다는
의미이다.
10 번째 컬럼부터는 실제 개인별 지노타입 정보를 0 과 1 로 표현한 것으로 0 은 레퍼런스 염기를 1 은 변
이 염기를 의미한다. 따라서 첫번째 사람은 ‘0|1’ 즉 ‘GA’, 두번째 사람은 ‘1|1’ 즉 ‘AA’ 지노타입을 가지고 있
다는 의미이다.YRI 인 총 59 명에 대한 지노타입 정보가 담겨져 있다는 것을 알 수 있다.
rs3094315 = yri.query("1", 742428, 742429)
print(rs3094315.next())
['1', '742429', 'rs3094315', 'G', 'A', '.', 'PASS',
'AA=g;AC=46;AN=118;DP=237;HM2;GP=1:752566;BN=103', 'GT:DP:CB', '0|1:3:SM', '1|1:4:MB',
'1|0:5:SMB', '0|1:2:SMB', '1|0:6:SMB', '1|0:7:SMB', '0|1:4:SMB', '0|0:4:SMB', '1|1:0:SMB',
10. 25
'1|1:12:SMB', '0|1:4:SMB', '0|1:2:SMB', '1|0:4:MB', '0|0:7:SMB', '1|1:4:SMB', '0|0:4:SMB',
'1|1:6:SMB', '0|0:5:SMB', '0|1:4:SMB', '1|1:5:MB', '0|0:6:SMB', '0|0:5:SMB', '0|1:1:SMB',
'1|1:2:SMB', '0|0:9:SMB', '0|0:1:SMB', '0|0:10:SMB', '0|1:9:SMB', '1|0:9:SMB', '0|1:2:SMB',
'0|1:8:SMB', '1|1:4:SMB', '0|1:9:SMB', '0|0:2:SMB', '1|0:5:SMB', '0|1:2:SMB', '0|0:3:SMB',
'0|0:0:SMB', '0|0:4:SMB', '0|1:7:SMB', '1|0:3:SM', '0|0:2:SMB', '0|0:0:SMB', '0|1:9:SMB',
'0|1:4:SMB', '0|0:1:SMB', '0|0:1:SMB', '0|0:1:SMB', '0|0:3:SMB', '1|1:2:SMB', '0|0:2:SMB',
'1|0:4:SMB', '0|0:2:SMB', '0|0:2:SMB', '1|0:2:SMB', '0|0:0:SMB', '1|0:2:SMB', '1|1:3:SMB',
'1|0:4:SMB']
VCF 파일과 달리 23andMe 포맷은 실제 지노타입이 표시되어 있기 때문에 23andMe 의 지노타입 표시 형
태를 1000GenomesProject 의 지노타입 표현 형태인 0 과 1 로 변경해야 한다. 파이썬의 데이터프레임 형
태로 23andMe 데이터를 불러들인다.
import pandas as pd
anon = pd.read_table("../genome_Hong_ChangBum_Full_20100816082459.txt", sep = "t", comment
= "#", header = None)
print("The 23andMe datset has {} rows and {} columns.".format(anon.shape[0], anon.shape[1]))
print(anon.head())
The 23andMe datset has 578320 rows and 4 columns.
0 1 2 3
0 rs3094315 1 742429 AA
1 rs12562034 1 758311 GG
2 rs3934834 1 995669 CC
3 rs9442372 1 1008567 GG
4 rs3737728 1 1011278 GG
23andMe의 데이터는 약 57만개의 지노타입 정보가 포함되어 있는데 우리는 이중에서 1000개의 지노타
입 정보만을 이용한다. 데이터프레임의 각 컬럼의 이름을 변경한다.
anon = anon.iloc[0:1000,:]
anon.columns = ["rsid", "chrom", "pos", "genotype"]
print(anon.head())
rsid chrom pos genotype
0 rs3094315 1 742429 AA
1 rs12562034 1 758311 GG
2 rs3934834 1 995669 CC
3 rs9442372 1 1008567 GG
4 rs3737728 1 1011278 GG
23andMe 의 지노타입을 1000GenomesProject 의 지노타입으로 변환하기 convert_anon_genotype 함수
를 작성한다.23andMe의 지노타입의 위치정보와 일치하는 지노타입 정보를 1000GenomeProject에서 찾
아 레퍼런스 염기와 변이염기를 ref, alt 로 각각 지정한 후 23andMe 의 지노타입이 3 가지 지노타입 중 어
떠한 형태인지를 확인하여 ‘0|0’, ‘0|1’, ‘1|1’ 중 하나를 반환한다. 23andMe 의 데이터의 지노타입에서 사용하
는 염기(A, C, G, T)외에도 다른 형태의 데이터가 존재하는데 해당 염기가 존재하지 않거나 다른 염기가 1 개
11. 26
이상 더 추가되는 형태인 deletion과 insertion, 그리고 해당 염기를 읽는 것에 실패한 missinggenotype도
존재한다. 이들은 23andMe에서 I,D,-로 표시하게 되는데 이러한 것들에 대해서는 별도의 처리가 필요하지
만 여기서는 ‘0|0’ 즉 레퍼런스 염기와 같은 것으로 간주하고 처리한다.
def convert_anon_genotype(chrom, pos, genotype, vcf_tabix):
site = vcf_tabix.query(chrom, pos - 1, pos)
try:
row = site.next()
except StopIteration:
return None
ref = row[3]
alt = row[4]
if genotype == ref+ref:
return("0|0")
elif (genotype == ref+alt) | (genotype == alt+ref):
return("0|1")
elif genotype == alt+alt:
return("1|1")
else:
return("0|0")
함수 작성이 끝났으면 23andMe 데이터가 저장된 anon 데이터프레임의 염색체, 위치, 지노타입 정보를
zip 함수를 이용해 묶어준 후 지노타입 표현 방식을 변경하여 genotypes_1kg_format 이라는 리스트에 저
장한다. 변경된 지노타입은 genotype_1kg_format 이라는 컬럼 이름으로 anon 데이터프레임에 추가한다.
최종적으로 우리는 2 가지 형식의 지노타입을 모두 가지게 되었다.
genotypes_1kg_format = []
for chrom, pos, genotype in zip(anon['chrom'], anon['pos'], anon['genotype']):
genotypes_1kg_format.append(convert_anon_genotype(str(chrom), pos, genotype, yri))
anon['genotype_1kg_format'] = genotypes_1kg_format
print(anon.head())
print(anon.shape)
rsid chrom pos genotype genotype_1kg_format
0 rs3094315 1 742429 AA 1|1
1 rs12562034 1 758311 GG 0|0
2 rs3934834 1 995669 CC 0|0
3 rs9442372 1 1008567 GG 1|1
4 rs3737728 1 1011278 GG 1|1
(1000, 5)
참조 인구집단 데이터셋 만들기
유전자 데이터로부터 조상을 예측하기 위해서 행별로 샘플의 정보와 각 컬럼에는 각 염색체의 특정 위치
에서의 지노타입을 표시한 데이터 프레임을 만들 것이다. 각 샘플들은 인구집단을 구분하기 위한 컬럼과
12. 27
샘플을 각각 구분하기 위한 컬럼을 가진다.
population sample marker1 marker2 marker3 marker4 … marker1000
YRI YRI1 0|1 0|1 0|1 0|1 0|1
… …
YRI YRI59
CEU CEU1
… …
CEU CEUn
CHBJPT CHBJPT1
… …
CHBJPT CHBJPTn
각 행별로 YRI59 샘플의 정보를 가지는 데이터프레임을 만든다.
yri_genotypes = pd.DataFrame({"sample": ["YRI" + str(i) for i in range(1, 60)], "population":
"YRI"})
print(yri_genotypes.head())
population sample
0 YRI YRI1
1 YRI YRI2
2 YRI YRI3
3 YRI YRI4
4 YRI YRI5
각 샘플의 지노타입을 얻기 위해 tabix 를 이용하여 1000 개의 마커를 1000 Genomes Project 에서 선택하
는 함수를 작성한다. 마커에 대한 정보가 없는 샘플의 경우에는 None을 리턴하고 존재하는 경우에는 해당
지노타입을 리턴한다. None 으로 지정된 열은 23andMe 에는 데이터가 존재하지만 YRI 데이터에서는 존재
하지 않는 것으로 나중에 데이터가 누락된 곳은 삭제한다.
def extract_genotype(chrom, pos, vcf_tabix):
site = vcf_tabix.query(chrom, pos - 1, pos)
try:
g = site.next()[9:]
except StopIteration:
return None
g = [i.split(":")[0] for i in g]
return(g)
13. 28
for rsid, chrom, pos in zip(anon['rsid'], anon['chrom'], anon['pos']):
g = extract_genotype(str(chrom), pos, yri)
yri_genotypes[rsid] = g
print(yri_genotypes.iloc[0:10, 0:6])
population sample rs3094315 rs12562034 rs3934834 rs9442372
0 YRI YRI1 0|1 0|0 1|0 0|1
1 YRI YRI2 1|1 0|0 0|1 1|0
2 YRI YRI3 1|0 0|0 1|0 0|1
3 YRI YRI4 0|1 0|0 1|0 0|1
4 YRI YRI5 1|0 0|0 0|1 1|0
5 YRI YRI6 1|0 0|0 0|0 1|1
6 YRI YRI7 0|1 0|0 1|0 0|1
7 YRI YRI8 0|0 0|0 0|0 0|1
8 YRI YRI9 1|1 0|0 1|0 0|0
9 YRI YRI10 1|1 0|0 1|1 0|0
YRI 와 마찬가지로 CEU 와 CHB/JPT 인종에 대한 정보도 ceu_genoytpes, chbjpt 라는 이름으로 데이터프레
임으로 만든다.
# 유럽인에 대한 지노타입 데이터 추가
CEU_file = "CEU.low_coverage.2010_09.genotypes.vcf.gz"
ceu = tabix.open(CEU_file)
# CEU 샘플의 개수를 확인
number_ceu_samples = len(ceu.query("1", 742428, 742429).next()[9:])
# CEU 샘플에 대한 인종, 샘플명을 가진 데이터프레임 생성
ceu_genotypes = pd.DataFrame({"sample": ["CEU" + str(i) for i in range(1, number_ceu_samples
+ 1)], "population": "CEU"})
# 중국과 일본인에 대한 지노타입 데이터 추가
CHBJPT_file = "CHBJPT.low_coverage.2010_09.genotypes.vcf.gz"
chbjpt = tabix.open(CHBJPT_file)
number_chbjpt_samples = len(chbjpt.query("1", 742428, 742429).next()[9:])
chbjpt_genotypes = pd.DataFrame({"sample": ["CHBJPT" + str(i) for i in range(1,
number_chbjpt_samples + 1)], "population": "CHBJPT"})
for rsid, chrom, pos in zip(anon['rsid'], anon['chrom'], anon['pos']):
yri_genotypes[rsid] = extract_genotype(str(chrom), pos, yri)
ceu_genotypes[rsid] = extract_genotype(str(chrom), pos, ceu)
chbjpt_genotypes[rsid] = extract_genotype(str(chrom), pos, chbjpt)
각각 인종별로 만들어진 3 개의 데이터프레임을 genotypes 라는 하나의 데이터 프레임으로 통합한다. 총 3
개의 인종의 179 명에 대한 1000 개의 지노타입 정보가 들어있는 데이터 프레임을 얻을 수 있다.
genotypes = yri_genotypes.copy()
genotypes = genotypes.append(ceu_genotypes, ignore_index=True)
genotypes = genotypes.append(chbjpt_genotypes, ignore_index=True)
14. 29
print("Now the genotypes data frame has {} samples and {}
genotypes").format(genotypes.shape[0], genotypes.shape[1]-2)
Now the genotypes data frame has 179 samples and 1000 genotypes
PCA 를 이용한 클러스터링
이제 우리는 3개의 인종의 179명 데이터를 포함한 나의 데이터를 이용하여 PCA를 사용하여 샘플간의 차
이를 시각화 하려고 한다. 우리는 PCA 를 위해 scikit-learn 라이브러리를 사용할 것이다. 우리는 지노타입
정보를 연속적인 값으로 변환하는데 지노타입이 레퍼런스와 동일한 경우 1, 하나만 레퍼런스와 일치하는
경우 0.5, 레퍼런스와 지노타입이 둘다 일치하지 않는 경우 0 으로 변환한다.
from sklearn.decomposition import PCA
pca = PCA(n_components = 2)
genotypes_only = genotypes.copy().iloc[:, 2:]
genotypes_only[genotypes_only == "1|1"] = 1
genotypes_only[genotypes_only == "0|1"] = 0.5
genotypes_only[genotypes_only == "0/1"] = 0.5
genotypes_only[genotypes_only == "1|0"] = 0.5
genotypes_only[genotypes_only == "0|0"] = 0.0
# 지노타입 정보가 없는 경우 삭제한다.
genotypes_only = genotypes_only.dropna(axis=1)
import matplotlib.pyplot as plt
%matplotlib inline
pca.fit(genotypes_only)
pc = pca.transform(genotypes_only)
plt.figure(figsize=(10,6))
plt.scatter(pc[:, 0], pc[:, 1])
plt.title('PCA of 1000 23andMe SNPs')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.show()
23andMe 에서 제공하는 데이터 중 일부인 1000 개 미만의 지노타입정보만으로도 3 개의 명확한 클러스터
로 구분된 것을 확인 할 수 있다. 이 3 개의 클러스터는 각 인구집단의 정보를 추가하면 3 개의 인구집단을
대표한다는 것을 확인할 수 있다. PCA 의 강점 중 하나는 분석을 위해서 K-means 분석처럼 별도의 클러스
터의 수를 지정할 필요가 없다는 것이다.
15. 30
그림 13 모든 인종에 대한 PCA 결과
세 그룹은 정확히 인종 정보와 일치하는지를 확인해 본다. 빨간색(r)은 YRI, 파란색(b)은 CEU, 노란색(y)은
CHB/JPT 로 표시한다.
import numpy as np
plt.figure(figsize=(10,6))
for c, pop in zip("rby", ["YRI", "CEU", "CHBJPT"]):
plt.scatter(pc[np.where(genotypes['population'] == pop), 0],
pc[np.where(genotypes['population'] == pop), 1], c = c, label = pop)
plt.title('PCA of 1000 23andMe SNPs')
plt.xlabel('PC1')
plt.ylabel('PC2')
plt.legend(loc = 'upper left')
plt.show()
PCA 그래프를 보면 주성분 1(PC1, X 축)에서 YRI 와 CEU, CHB/JPT 가 서로 분리되는 것을 확인 할 수 있다.
이것은 우리 인류의 기원이 아프리카에서 시작하여 이후 유럽 및 아시아로의 이주를 반영하는 것이다. 두
번째 주성분에서의 유럽과 아시아가 서로 분리된 것은 각각 유전적 차이를 가지고 이주했음을 시사한다.
16. 31
그림 14 인종별 PCA 결과
마지막으로 자신의 23andMe 지노타입 데이터에서 1000 Genomes Project 에 존재하지 않는 데이터는 제
거한 후 PCA 를 수행한다.
# 23andMe 데이터 중 인구집단 샘플들에서 지노타입이 존재하는 마커만 선별한다.
anon = anon.loc[anon['rsid'].isin(genotypes_only.columns.values), :]
anon_genotypes = anon.copy()["genotype_1kg_format"]
anon_genotypes[anon_genotypes == "1|1"] = 1
anon_genotypes[anon_genotypes == "0|1"] = 0.5
anon_genotypes[anon_genotypes == "1|0"] = 0.5
anon_genotypes[anon_genotypes == "0|0"] = 0.0
anon_genotypes = anon_genotypes.reshape(1,-1)
anon_pca = pca.transform(anon_genotypes)
기존의 인구집단 그래프를 그리고 23andMe 데이터에 대한 PCA 결과를 그래프에 추가한다.
plt.figure(figsize=(10,6))
for c, pop in zip("rgb", ["YRI", "CEU", "CHBJPT"]):
plt.scatter(pc[np.where(genotypes['population'] == pop), 0],
pc[np.where(genotypes['population'] == pop), 1], c = c, label = pop)
# take the code above and add in the anonymous sample
plt.scatter(anon_pca[0,0], anon_pca[0,1], c = "yellow", label = "Anonymous 23andMe Sample",
marker = (5,1,0), s = 200)
plt.title('PCA of 1000 23andMe SNPs')
plt.xlabel('PC1')
17. 32
plt.ylabel('PC2')
plt.legend(loc = 'upper left')
plt.show()
아래 그림에서도 알 수 있듯이 나의 샘플(노란색별)은 중국인과 일본인의 클러스터에 존재하고 있다.
그림 15 중국인/일본인들에 사이에 존재하는 샘플
실제 1000 Genomes Project 에서는 여기서 사용된 3 개의 인구 집단보다 더 많은 인구집단이 존재한다.
1000 Genomes Project 의 최종 버전에는 총 26 개의 인구집단이 존재한다. 좀 더 많은 인구집단에 대해서
PCA 를 수행하고 그래프를 그려 보는 것을 추천한다.
조상 정보 마커
우리는 앞서 1000개 정도의 마커만으로 인구집단이 확연히 구분되는 것을 확인했다. 그렇다면 인구집단을
구분할 수 있는 최소한의 마커는 몇개일까? 일반적으로 한 집단의 기원이나 조상들은 대부분 뒤섞여 있다.
다른 집단과 거의 섞이지 않은 집단들도 있지만 대부분은 조상들의 기원이 다양하다. 한가지 주의할 것은
조상 집단이라는 것은 인종이 아니라는 것이다. 인구집단을 것을 구분하는 경계는 명확하지 않을 뿐더러
그 안에 다양한 다양성을 가진다는 것이다. 하지만 유전적으로 볼 때 조상 집단이 존재하며 이렇게 조상
집단이 뒤섞인 (admix) 경우에 한사람의 SNP 를 분석하면 그 조상을 알 수 있다.
조상(ancestry)으로 부터 물려 받아서 변하지 않는 정보력을 가진 마커들을 조상 정보 마커(Ancestry
Informative Marker, AIM)라고 한다. 한국인 집단과 유럽인 집단의 유전자 중에서 이 두 그룹을 구분하는 정
18. 33
보력을 가진 유전자가 100 개인 경우, 전체 유전자를 검사하지 않아도 100 개만으로도 개인이 두 그룹을
중 어디에 속하는지를 알 수 있게 된다.
인구 집단간에 유전적인 차이를 나타내는 값으로 Fst 를 사용한다. 집단내에서는 유전적으로 동일하나 집단
간에서는 유전적으로 완벽히 불일치하는 경우 Fst=1 이 되며, 집단간 모두 동일한 경우 Fst=0 이 된다. 인간
집단에서 평균적으로 약 15% (0.15)를 보이는데 이는 약 85%에 해당하는 유전적 다양성은 다른 인구집단
에서도 찾아 볼 수 있다는 것으로 오직 15%만이 인구집단마다 서로 다르게 나타난다는 의미이다.
!"# =
%&'(&#()* ,-#.--* /)/01&#()*" − %&'(&#()* .(#ℎ(* /)/01&#()*"
%&'(&#()* ,-#.--* /)/01&#()*"
이렇게 비교하고자 하는 인구집단간의 각 마커에 대해서 Fst 를 구해서 정보력이 높은 즉 1 에 가까운 마커
만을 선별하면 된다. 연구에 따르면 각 인구집단은 128 개 정도의 마커만으로도 구분이 가능하며 24 개 정
도로도 유용하게 사용할 수 있다고 한다. 다음은 인구집단간, 인구집단내에서의 Fst 값을 보여주는 것으로
일반적으로 0.25 이상의 경우에는 분화의 정도가 크다고 하는데 인구집단간의 차이를 보면 Africa 와 비교
하면 Europe, E.Asia, Americas 의 순으로 분화의 정도가 큰 것을 확인할 수 있다. 집단내에서는 Europe 이
가장 분화의 정도가 작다.
19. 34
한국인내에서의 집단 구분
그렇다면 한국인내에서의 집단 구분이 가능할까? 역사적으로 백제는 고구려의 귀족들이 내려와서 다시 일
부가 일본으로 건너갔다는 이야기와 흉노족의 일부가 신라로 내려가 김씨 왕조가 되었다는 이야기 등 많
은 이야기들이 있는데 그렇다면 유전정보 중 SNP 마커들로 어떠한 의미 있는 정보들을 얻을 수 있을지 한
번 들여다 보자.
한국의 10개지역에 거주하는 70세 이상의 노인 10여명씩 총 150여명을 대상으로 약 5만개의 마커를 가
지고 PCA를 수행한 결과이다. 각 지역은 중부(연천, 평창, 제천, 천안), 남서부(김제, 나주, 제주), 남동부(경주,
고령, 울산)의 10 개 지역으로 구성되었다. PC1 값을 기준으로 2 개의 클러스터를 확실하게 확인 가능한데
바로 본토 지역과 제주지역의 2 개로 구분되는 것을 확인할 수 있다.
이는 한국인을 제외한 타 인구 집단과 비교하면 일본과 한국 본토 사이에 제주 집단이 존재하는 것을 확인
할 수 있다.
하지만 우리가 처음 제기했던 각 지역의 역사적인 이야기를 뒷받침하기에는 뚜렷한 증거를 찾기에는 부족
20. 35
한면이 있다. 물론 제한된 샘플이라는 점과 제한된 마커를 사용했다는 제약이 존재하지만 적어도 이 데이
터만으로는 한국인은 지역별로 구분할 수 없이 충분히 섞여져 있다는 것을 확인할 수 있다.
