희귀 유전 변이 효과 추정하는 베이지안 알고리즘으로 질병 예측 정확도 높인다
배경
기존 유전체 연구는 주로 집단에서 흔하게 발견되는 변이의 영향력을 분석해 왔다. 흔한 변이를 추적하는 방식은 비교적 수월하게 대규모 상관관계를 밝혀내며 다유전자위험점수(Polygenic Risk Score, PRS) 모델의 유용한 기반이 됐다. 하지만 개별 환자가 지닌 독특하고 희귀한 유전 변이의 질병 유발 위험을 예측하기는 대단히 까다로운 상황. 빈도가 극도로 낮은 희귀 변이는 표본 수가 부족해 통계적 유의성을 확보하기 어려운 까닭이다.
학계는 이 한계를 극복하고자 여러 변이의 효과를 한데 묶어 분석하는 유전자 부담 검사(gene-burden test)에 의존해 왔다. 이 기법은 개별 변이의 세부적인 차이를 무시한 채 유전자 전체 단위로 변이 개수를 합산하는 방식을 취한다. 이로써 질병 위험을 높이는 유해 변이와 질병을 예방하는 유익 변이의 효과가 서로 상쇄되는 치명적인 오차가 발생하는 구조. 심지어 질병과 무관한 무해 변이까지 분석에 섞여 들어가 예측 성능이 저하되는 부작용도 뒤따랐다. 이에 개별 희귀 변이가 지닌 구체적인 영향력을 정밀하게 발라내어 PRS 모델의 성능을 향상시킬 분석 모델의 필요성이 대두됐다.
핵심 발견
서울대학교 보건대학원 이승근 교수 연구팀은 희귀 변이의 영향력을 개별적으로 계산하는 통계적 분석법인 'RareEffect'를 개발했다. 연구팀은 유전자 혹은 염기서열 영역 단위의 유전율(heritability)을 우선 측정한 뒤, 베이지안 프레임워크(Bayesian framework)를 적용해 개별 변수의 구체적인 효과 크기를 산출하는 방식을 설계했다. 분산 성분 모델(variance component model)로 작동하는 이 알고리즘은 유해성과 유익성 변이가 뒤섞인 영역에서 개별 변이의 순수한 영향력을 정밀하게 잡아내는 원리.
대규모 바이오뱅크 데이터를 효율적으로 다루기 위한 기술적 보완도 이루어졌다. 연구팀은 유전적 친척 행렬의 수학적 구조를 활용하는 'FaST-LMM'(Factored Spectrally Transformed Linear Mixed Models) 기법을 접목했다. 대규모 연산에 드는 비용과 시간을 크게 줄여 분석 효율을 현실적인 수준으로 끌어올린 기법. 또한 환자와 정상군의 비율이 극도로 불균형한 질병 데이터 분석을 안정화하고자 'Firth 편향 보정(Firth bias correction)'의 고속 알고리즘을 계산 과정에 통합했다. 극도로 빈도가 낮은 희귀 변이의 신호 유실을 막기 위해 이들을 적절히 합치는 변이 축소 전략을 병행하며 분석력을 보완했다.
연구팀은 영국 바이오뱅크(UK Biobank, UKB)의 45만 명 전장엑솜분석(Whole Exome Sequencing, WES) 코호트 자료를 활용해 RareEffect의 실무적 성능을 입증했다. 100가지 양적 형질과 이분형 질병 형질을 대상으로 분석을 수행한 결과, 기존의 부담 검사 모델에 비해 한층 정밀한 예측력을 확인했다. 특히 콜레스테롤 수치와 같은 연속형 지표는 물론 제2형 당뇨병, 암 등 주요 만성 질환의 유전적 위험도를 판별하는 과정에서 성과가 두드러지는 추세.
의미와 전망
RareEffect의 등장은 유전체 연구의 초점을 흔한 변이에서 희귀 변이로 옮기는 이정표가 될 것으로 예상된다. 이번 분석 기법은 개별 환자가 보유한 희귀 변이의 위험을 단일 변이 단위로 파악하게 함으로써 진정한 의미의 개인 맞춤형 정밀 의료를 앞당기는 열쇠. 특히 약물 대사 유전자의 희귀 변이 분석이 수월해짐에 따라 신약 개발을 추진하는 제약 기업의 임상시험 설계 효율도 크게 개선될 가능성이 높다.
그러나 실제 임상 현장에 전면 도입되기까지 해결해야 할 과제도 여전히 존재한다. 대규모 WES 데이터를 해독하고 RareEffect 알고리즘을 구동하는 데 요구되는 컴퓨팅 인프라 비용을 낮춰야 하는 숙제. 또한 영국 바이오뱅크 자료가 주로 유럽계 인구 집단에 치우쳐 있어 아시아계를 비롯한 타 인종 집단에서도 동일한 예측 성능이 나타나는지 다인종 코호트 검증이 뒷받침되어야 마땅하다. 유전체의 비부호화 영역(non-coding region)에 존재하는 수많은 변이의 기능적 상호작용까지 설명하기에는 통계적 가정이 다소 단순하다는 지적도 제기된다.
Nature Genetics, Published online: 17 August 2026; doi:10.1038/s41588-026-02705-9RareEffect is an accurate and computationally efficient Bayesian method for estimating rare variant effect sizes. These estimates can be leveraged to improve polygenic prediction models, thereby outperforming other methods for rare variant polygenic scoring.
의료 현장에서는 RareEffect를 활용해 희귀 변이 기반의 PRS를 산출함으로써 심혈관 질환이나 암 같은 중증 질환의 고위험군을 조기에 선별하는 시나리오가 가능하다. 기존 검사법으로 진단하기 어려웠던 경계선상의 환자들도 개별 유전 변이의 정밀 분석으로 잠재적 위험 요인을 발견하고 맞춤형 예방 치료를 처방받는 길도 열렸다. 특정 약물에 심각한 부작용을 보이거나 약효가 떨어지는 희귀 변이 보유자를 임상시험 시작 전에 미리 가려내는 선별 프로세스. 이는 임상시험 성공률을 올리고 개발 비용을 대폭 절감하는 유용한 전략이 된다. 동반진단(Companion Diagnostics, CDx) 기기 개발 단계에서도 이 분석 결과를 반영해 특정 유전 변이를 표적하는 정밀 의약품의 허가 가능성을 높일 것으로 보인다.