배경

인간 게놈 프로젝트가 완료된 이후 분자생물학계가 직면한 가장 거대한 장벽은 유전체의 98%에 달하는 비부호화 영역(noncoding region)의 기능 해석이었다. 단백질을 암호화하는 엑손 영역은 아미노산 서열 변화를 직접 대조해 변이의 유해성을 상대적으로 쉽게 예측할 수 있다. 반면 전사 조절을 담당하는 프로모터, 인핸서, 절단 연접 부위와 비번역 RNA 영역은 단 하나의 염기만 바뀌어도 질환 발병 위험이 급변함에도 그 해석 체계가 극히 불투명했다.

전장 유전체 연관분석(GWAS)을 거쳐 질환과 연관성이 보고된 단일염기다형성(SNP)의 90% 이상이 바로 이 비부호화 영역에 밀집해 있다. 그러나 기존 생물정보학 도구들은 다종 간 서열 보존 점수에 과도하게 의존하여 인간 특이적 조절 변이나 세포주별 후성유전체 변화를 추론하지 못하는 한계를 드러냈다. 대량 병렬 리포터 분석(MPRA) 같은 고속 대량 스크리닝 실험이 개발되었으나, 수억 개에 달하는 인간 변이 조합을 전수 검증하기에는 천문학적 비용과 기술적 제약이 뒤따랐다. 염기서열 정보만으로 비부호화 변이가 유전자 발현과 크로마틴 구조에 미치는 영향을 정량화할 수 있는 전산 모델의 등장이 절실했던 배경이다.

핵심 발견

최근 수년간 유전체 딥러닝(genomic deep learning) 기술은 단순한 국소 합성곱 신경망(CNN) 기반 모델을 넘어 수만에서 수십만 염기쌍에 이르는 장거리 상호작용을 포착하는 신경망 아키텍처로 진화했다. 초기 딥시(DeepSEA)나 바셋(Basset)이 수천 염기쌍 안팎의 서열에서 전사인자 결합 여부나 DNA 분해효소 민감성을 판별하던 수준이었다면, 엔포머(Enformer)와 보르조이(Borzoi) 같은 최신 모델은 트랜스포머(Transformer) 구조를 결합해 최대 수십만 염기쌍 거리에서 일어나는 프로모터와 인핸서 간 3차원 물리적 접촉까지 연산 범위에 편입시켰다.

이들 고도화된 모델은 인간 세포주별 캡 분석 유전자 발현(CAGE) 신호, RNA 전사량, 히스톤 수식화(ChIP-seq) 패턴을 단일 염기 수준의 정확도로 예측해 낸다. 특정 비부호화 위치에 인위적 변이를 주입했을 때 다운스트림 표적 유전자의 발현이 얼마나 증감하는지 가상 실험(in silico mutagenesis)으로 시뮬레이션할 수 있는 단계에 도달했다. 세이(Sei) 모델처럼 비부호화 변이를 크로마틴 상태에 따른 수십 종의 서열 계열로 분류해 병원성 변이를 질환 특이적으로 우선순위화하는 성과도 도출됐다.

다만 모델 구조의 비대화가 온전한 예측 정확도로 직결되지는 않았다. 희귀 변이(rare variants)를 평가할 때 참조 유전체 서열에 과적합되어 대립유전자 간 발현 차이를 과소평가하거나, 동일 염기 변화가 특정 조직에서만 미치는 미세한 조절 효과를 분리해 내는 능력은 여전히 한계를 노출하고 있다. 학습에 활용된 기능유전체학 데이터셋 자체의 편향성 역시 조직 간 성능 격차를 유발하는 핵심 요인으로 꼽힌다.

의미와 전망

유전체 딥러닝은 비부호화 변이를 정밀 의료와 신약 타깃 발굴 영역으로 끌어올리는 중대한 전환점을 형성하고 있다. 수만 명의 환자 유전체 해독 데이터가 축적되어도 변이의 기능적 의미를 규명하지 못해 '의의 불명 변이(VUS)'로 남겨두던 희귀 난치성 유전 질환의 진단율을 획기적으로 개선할 수 있는 기반이 마련된 셈이다. 암 유전체학에서도 체세포 비부호화 돌연변이가 유발하는 종양유전자의 비정상적 과발현 기전을 밝혀내는 데 핵심적 도구로 자리잡기 시작했다.

향후 과제는 컴퓨터 시뮬레이션 결과와 실제 생체 내 분자 동역학 간의 간극을 메우는 일이다. 다양한 인종 집단의 유전적 다형성을 반영한 유전체 파운데이션 모델(Genomic Foundation Model)을 구축하고, 단일세포 전사체 및 다중오믹스 실측 데이터를 손실 함수에 직접 반영하는 훈련 기법이 요구된다. 모델 해석 가능성을 높여 변이가 질환을 일으키는 구체적 전사인자 모티프 파괴 양상을 명확히 역추적할 수 있어야 임상 현장에서의 신뢰를 담보할 수 있을 것이다.