QTL 분석으로 배우는 디지털육종 데이터분석 
             

 

씨더스, 경남 RISE와 함께 배우는 디지털육종 데이터분석 교육

디지털육종은 단순히 유전체 데이터를 확보하는 것에서 끝나지 않습니다. 데이터를 바탕으로 작물의 형질과 관련된 유전적 요인을 찾아내고, 이를 품종 개발과 우수 개체 선발에 활용하는 것이 핵심입니다.

씨더스는 부산대학교 경남 RISE 사업의 지원을 받아 진행 중인 디지털육종 데이터분석 교육을 통해 이러한 실무 역량을 체계적으로 전달하고 있습니다.

 1회차에서는 NGS 데이터를 이용한 유전변이 분석을, 2회차에서는 GWAS를 활용한 형질 연관성 분석을 다뤘다면, 3회차에서는 QTL(Quantitative Trait Loci) 분석을 중심으로 교배집단에서 목표 형질과 관련된 유전체 영역을 탐색하는 방법을 교육했습니다.

이번 과정은 QTL의 기본 개념부터 실제 육종 활용 사례, QTL IciMapping 프로그램 실습까지 현장 중심으로 구성되었습니다.

여러 유전자가 만드는 형질, QTL 분석이 필요한 이유

식물이 가진 형질은 크게 질적 형질과 양적 형질로 나눌 수 있습니다.

꽃 색이나 종자 모양처럼 명확하게 구분되는 형질은 비교적 적은 수의 유전자에 의해 결정됩니다.

반면 식물의 키, 수량, 당도, 종자 무게와 같은 형질은 여러 유전자가 함께 작용하고 환경의 영향도 받기 때문에 보다 복잡한 특성을 보입니다.

이처럼 여러 유전자의 영향을 받는 형질을 양적형질이라고 하며, 이러한 형질을 분석하기 위해 활용되는 것이 QTL(Quantitative Trait Loci) 분석입니다.

QTL은 양적형질에 영향을 주는 유전체상의 위치를 의미합니다. QTL 분석을 통해 특정 형질과 관련된 염색체 구간을 찾고, 그 안에 존재하는 후보 유전자와 분자마커를 탐색할 수 있습니다.

이는 디지털육종에서 목표 형질을 보다 효율적으로 선발하기 위한 중요한 기반 기술입니다.




 

표현형과 유전형을 연결하는 데이터 분석

QTL 분석은 교배집단의 표현형 데이터와 유전형 데이터를 함께 활용합니다.

예를 들어 키가 큰 부모와 작은 부모를 교배하면 후대에서는 다양한 키를 가진 개체가 나타납니다.

이들의 키를 측정한 표현형 데이터와 마커 정보를 포함한 유전형 데이터를 함께 분석하면, 특정 염색체 구간이 키와 어떤 관련이 있는지를 확인할 수 있습니다.

교육에서는 QTL 분석이 진행되는 전체 과정을 단계별로 학습했습니다.

이러한 분석은 단순히 통계적으로 의미 있는 위치를 찾는 것이 아니라, 최종적으로 우수한 유전자형을 가진 개체를 조기에 선발하고 분자마커를 개발하는 데 활용됩니다.

실제 품종 개발에도 활용되는 QTL

교육에서는 QTL 분석이 실제 육종 현장에서 어떻게 활용되고 있는지도 함께 살펴보았습니다.

대표적인 사례로 벼의 sd-1 유전자는 식물의 키를 낮춰 쓰러짐을 줄이고 수량성을 향상시키는 데 활용되었습니다.

또한 토마토에서는 야생종이 가진 당도 관련 유전체 영역을 분석해 과실의 당 함량과 연관된 후보 유전자를 탐색한 연구 사례도 소개했습니다.

이처럼 QTL 분석은 연구 단계에 머무르지 않고, 수량성, 품질, 당도와 같은 실제 육종 목표를 달성하기 위한 핵심 기술로 활용되고 있습니다.

QTL IciMapping으로 더욱 정밀한 분석

이번 교육에서는 QTL IciMapping 프로그램을 활용해 보다 정밀한 QTL 분석 방법을 실습했습니다.

QTL IciMapping은 Inclusive Composite Interval Mapping 기법을 기반으로 여러 QTL의 영향을 함께 고려하여 목표 형질과 관련된 위치를 탐색하는 분석 방법입니다.

기존 분석 방법에서 발생할 수 있는 과적합이나 위양성을 줄이고, 서로 가까운 위치에 존재하는 QTL도 보다 정확하게 구분할 수 있다는 장점이 있습니다.

또한 RIL, F2, 여교배집단, 반수체 집단 등 다양한 교배집단을 분석할 수 있으며, 개별 QTL의 효과뿐 아니라 QTL 간 상호작용까지 분석할 수 있습니다.

 

유전연관지도 작성부터 QTL 탐색까지

실습에서는 먼저 애기장대 RIL 데이터를 활용해 유전연관지도를 작성했습니다.

수강생들은 마커를 염색체별로 그룹화하고 유전적 거리를 계산하면서, 각 마커가 염색체에 어떻게 배열되는지를 직접 확인했습니다.

이후에는 옥수수 RIL 데이터를 이용해 유전형과 표현형 정보를 불러오고, 분석 조건을 설정한 뒤 목표 형질과 연관된 QTL을 탐색했습니다.

분석 결과에서는 LOD 점수, QTL 위치, 가산효과(Additive Effect) 등을 확인했으며, permutation test를 이용해 데이터에 적합한 LOD 임계값을 설정하는 방법도 함께 학습했습니다.

결과를 올바르게 해석하는 것이 더 중요합니다

QTL 분석은 프로그램을 실행하는 것보다 분석 결과를 정확하게 해석하는 과정이 더욱 중요합니다.

교육에서는 F2와 RIL처럼 교배집단의 구조에 따라 분석 결과가 달라질 수 있다는 점과, 표현형 데이터와 유전형 데이터의 마커 이름이 일치하는지 반드시 확인해야 한다는 점을 강조했습니다.

또한 소규모 집단에서는 특정 QTL의 효과가 실제보다 크게 추정될 수 있으므로, 높은 LOD 점수만으로 결론을 내리기보다 집단의 규모와 마커 밀도, 반복 실험 결과를 함께 고려해야 한다는 점도 설명했습니다.

데이터를 육종 기술로 연결하는 씨더스

QTL 분석을 통해 확보한 결과는 후보 유전자 탐색과 분자마커 개발로 이어지고, 이를 활용하면 식물이 충분히 자라기 전에도 목표 형질을 가진 개체를 선발할 수 있습니다. 이는 육종 기간을 단축하고 연구 효율을 높이는 데 중요한 역할을 합니다.

씨더스는 이번 교육에서도 이론 설명에 그치지 않고 유전연관지도 작성, 통계적 유의성 검정, 결과 해석까지 전 과정을 직접 실습할 수 있도록 구성했습니다.

디지털육종의 경쟁력은 단순히 데이터를 많이 보유하는 데 있지 않습니다. 데이터를 이해하고, 형질과 연결하며, 실제 품종 개발과 육종 의사결정에 활용할 수 있을 때 비로소 가치가 만들어집니다.

씨더스는 앞으로도 NGS, GWAS, QTL, Genomic Selection, 표현체 분석으로 이어지는 현장형 교육을 통해 디지털육종 전문 인재를 양성하고, 데이터 기반의 지속가능한 그린바이오 산업 발전에 기여하겠습니다.


 

DATA IS REAL

씨더스는 데이터와 AI로 더 건강한 먹거리를 제안하는 기업입니다.