트리밍: 어댑터·저품질 제거 (fastp)

QC(FastQC)가 진단이라면, 트리밍은 그 진단에 따라 실제로 read를 손보는(자르는) 단계입니다. 파이프라인에서의 위치:

FASTQ → QC(FastQC) → [② 트리밍(fastp)] → 정렬 → 정량(TPM) → 비교

FastQC와 달리 데이터가 바뀌고 새 FASTQ가 생깁니다.

fastp 소프트웨어 소개

fastp는 FASTQ를 한 번에 QC·트리밍·필터링하는, 요즘 가장 널리 쓰이는 전처리 도구입니다. “ultra-fast all-in-one FASTQ preprocessor”를 표방합니다.

항목	내용
개발	OpenGene 프로젝트, 주 저자 Shifu Chen
라이선스	MIT: 오픈소스, 자유 사용·수정·재배포
언어	C/C++ (네이티브 컴파일 → 빠름)
실행 방식	CLI(명령줄). GUI 없음
입력	FASTQ(gz 포함), single/paired-end
소스	github.com/OpenGene/fastp
논문	Shifu Chen, iMeta (2025): “fastp 1.0: an ultra-fast all-round tool…”

오픈소스 운영·저장소

• 저장소: github.com/OpenGene/fastp: MIT 라이선스. Bioconda·리눅스 배포판으로 널리 배포됩니다(우리가 설치한 것도 이 경로).
• 운영 형태: 주 저자(Shifu Chen) 중심에 39명 기여자가 참여하는 활발한 프로젝트. 릴리스 58회, 최신 v1.3.6 (2026-06). 이슈·PR도 많아, FastQC보다 개발이 훨씬 왕성합니다. (우리 실습에서 쓴 것도 v1.3.6)
• FastQC가 “학술 코어 시설의 단일 메인테이너 도구”라면, fastp는 커뮤니티 기여가 활발한 현역 프로젝트에 가깝습니다.

기술 스택

구성	내용
주 언어	C++ 91.4% (핵심 로직). 스크립트 Python 5.8%·Shell 1.8%
빌드	Make / CMake
핵심 라이브러리	libisal·libdeflate(초고속 gzip 압축/해제), libhwy(Google Highway: SIMD 가속)
병렬	멀티스레드(기본 3, -w로 조정)

• C++ 네이티브 + SIMD·고속 압축 라이브러리 덕에 매우 빠릅니다. FastQC(Java)와 달리 처리와 QC를 한 번에 하면서도 속도가 납니다.

어떻게 동작하나

• FASTQ를 한 번 스트리밍으로 읽으며 품질 프로파일링(QC) + 어댑터·품질 트리밍 + 필터링을 동시에 수행합니다.
• FastQC(진단만)와 달리 fastp는 진단 + 실제 수정을 함께 합니다 → 정리된 새 FASTQ를 내놓습니다.
• paired-end이면 두 read의 겹침(overlap)을 분석해 어댑터를 자동 감지하고(서열 몰라도 됨), 한쪽 mate 탈락 시 짝도 같이 처리해 짝을 동기화합니다.

산출물

• 정리된 FASTQ(out_R1.fastq.gz, out_R2.fastq.gz): 다음 단계 정렬 입력.
• HTML 리포트: before/after 품질 곡선·어댑터·필터 통계를 인터랙티브 그래프로.
• JSON 리포트: 기계가 읽는 통계(자동화·MultiQC 취합용).

왜 필요한가: 정렬을 방해하는 것들 제거

정렬은 read를 게놈에 맞춰봅니다. read 안에 게놈에 없는 서열이나 못 믿을 염기가 섞여 있으면 잘못 붙거나 아예 안 붙습니다. 크게 세 가지를 정리합니다.

① 어댑터(adapter): 게놈에 없는 인공 서열

라이브러리를 만들 때 DNA 조각 양 끝에 어댑터(시퀀서가 잡는 손잡이)를 붙입니다. 원래는 어댑터 다음부터 읽지만, 조각(fragment)이 read 길이보다 짧으면 조각을 다 읽고 반대편 어댑터까지 넘어가서 읽어버립니다(read-through). 아래 슬라이더로 fragment를 짧게 만들어 직접 확인해 보세요.

이 어댑터 조각은 게놈에 없으니 정렬을 방해 → 잘라내야 합니다. fragment가 짧을수록 어댑터가 많이 섞입니다.

② 저품질 염기: 주로 read 끝

시퀀싱은 사이클이 진행될수록(끝으로 갈수록) 신호가 약해져 품질이 떨어지는 경향이 있습니다. 품질 낮은 염기는 틀렸을 가능성이 커서(→ 오정렬), 기준 이하로 떨어지는 끝부분을 잘라냅니다.

③ 기타 인공물: polyX, N, 너무 짧아진 read

아래에서 종류별로 자세히. 자르고 나서 너무 짧아진 read는 정렬에 도움이 안 되니 통째로 버립니다.

polyX · polyG · N 자세히

세 인공물은 생기는 원인이 서로 달라서, 알아두면 QC 결과를 정확히 해석할 수 있습니다.

polyA / polyT: 생물학에서 온 것

• mRNA는 3’ 끝에 polyA 꼬리(AAAA…)가 달려 있습니다(mRNA의 표식). read가 이 꼬리를 읽으면 AAAA…, 반대 가닥을 읽으면 상보서열 TTTT…(polyT)로 나옵니다.
• 즉 polyA/T는 오류가 아니라 진짜 mRNA에서 유래한 서열입니다. 게놈 정렬엔 방해가 되니 끝에 붙은 꼬리는 잘라냅니다.

polyG: 장비(2-color)의 가짜 신호

• 일부 Illumina 장비(NextSeq · NovaSeq · iSeq)는 2가지 형광(2-color) 조합으로 4염기를 구분하는데, 이 방식에서 “신호 없음” = G 로 해석합니다.
• 그래서 클러스터가 fragment 끝을 지나 더 읽을 게 없어지면(신호 소멸), 장비가 그걸 G로 착각해 read 끝에 가짜 GGGG…를 만듭니다: 실제 서열이 아닌 인공물.
• 반면 4-color 장비(HiSeq 2000/2500, MiSeq) 는 염기마다 고유 형광이라 polyG 문제가 없습니다. fastp는 장비를 감지해 자동 처리하거나 --trim_poly_g로 명시합니다.

N: 판독 실패(ambiguous base)

• 시퀀서가 그 자리 염기를 A/T/G/C 중 무엇인지 결정 못 했을 때 넣는 문자. 품질 점수도 최저로 붙습니다.
• N이 드문드문이면 무해하지만, 한 read에 너무 많으면 믿을 수 없어 통째로 버립니다.

polyX의 X는 “아무 염기나” 라는 뜻: polyA·T·G·C를 통틀어 부릅니다. fastp의 --trim_poly_x는 read 끝의 이런 단일염기 반복을 종류 안 가리고 잘라줍니다.

fastp 사용법

fastp \
  -i R1.fastq.gz -I R2.fastq.gz \          # 입력(두 파일 같이 = 짝 유지)
  -o out_R1.fastq.gz -O out_R2.fastq.gz \  # 출력
  --trim_poly_x \                          # polyA/T 꼬리 정리
  --html report.html --json report.json    # before/after 리포트

• 어댑터 자동 감지가 기본이라 대개 추가 옵션 없이도 잘 됩니다.
• 자주 쓰는 옵션: -q(품질 기준), -l(최소 길이), --trim_poly_g(2-color polyG), -w(스레드).

실제 결과: 공개 샘플 하나

한 공개 human RNA-seq 샘플에 fastp(v1.3.6) 실행 전/후:

지표	Before	After	해석
read 수	4,469,592	4,186,118	~93.7% 유지 (6.3% 제거)
Q30 비율	89.9%	92.9%	나쁜 부분 제거 → 평균 품질↑
평균 길이	100 bp	97 bp	잘린 만큼 약간 짧아짐
짝(pair)		각 2,093,059	양쪽 동일 → 짝 유지

제거 내역: 어댑터 383,422 read(8.2M 염기), polyX 91,389 read, 저품질 265,342 read, 너무 짧음 17,288 read.

→ 데이터가 원래 좋아서 가볍게 정리됐습니다. “Q30↑ · 길이 약간↓“가 전형적인 트리밍 트레이드오프입니다.

트리밍이 됐는지 확인: FastQC 재실행

트리밍 후 다시 FastQC를 돌려 어댑터가 실제로 빠졌는지, 품질이 유지됐는지 확인합니다. 같은 샘플에서 Adapter Content가 WARN → PASS로 바뀌는 실제 before/after 그래프는 FastQC 레퍼런스의 재검증 섹션에 있습니다.

⚠️ 주의: 과하게 자르지 말 것

• 품질 기준을 너무 빡세게 잡으면 멀쩡한 read까지 버려 발현량 정량이 왜곡될 수 있습니다. 데이터가 좋으면 가볍게.
• 요즘 정렬 도구(STAR·HISAT2)는 soft-clipping으로 안 맞는 끝부분을 알아서 무시하기도 해서, 과한 품질 트리밍의 효용이 예전보다 줄었습니다. 어댑터 제거는 여전히 확실히 하는 게 좋습니다.

대안·보완 도구

도구	특징
Trim Galore	cutadapt + FastQC를 감싼 래퍼(Perl). 어댑터 자동감지, RNA/bisulfite 등 프리셋. 오래 검증돼 널리 쓰임.
Trimmomatic	Java. ILLUMINACLIP·SLIDINGWINDOW 등 단계를 세밀하게 지정. 어댑터 파일을 직접 줘야 하지만 제어가 정밀. 레거시 파이프라인에 흔함.
cutadapt	Python. 어댑터 제거의 핵심 엔진(많은 래퍼가 내부적으로 사용). 어댑터 패턴 제어가 정밀.
BBDuk (BBTools)	Java. k-mer 기반으로 어댑터·오염·품질을 한 번에. 매우 다재다능.
AfterQC	fastp의 전신(같은 저자).

어떻게 고르나

• 빠르고 한 번에 끝내려면 → fastp(QC+트리밍 통합, 우리 선택).
• 단계별 정밀 제어가 필요하면 → Trimmomatic.
• 어댑터 패턴을 직접 다루려면 → cutadapt.
• 다목적(오염 제거 등)까지 → BBDuk.

한 줄 요약: 트리밍 = 정렬을 방해하는 어댑터·저품질 끝·인공물을 잘라내 깨끗한 FASTQ를 만드는 단계. fastp는 QC·트리밍·필터를 한 번에 하는 빠른 C++ 도구이며, 자른 뒤 FastQC로 다시 확인합니다.