배경

전장 유전체 연관분석(genome-wide association study, GWAS)은 질환과 연관된 수많은 유전 변이를 발굴하며 현대 의학의 지평을 넓혔다. 하지만 대다수 질병 변이는 단백질을 직접 암호화하지 않는 비부호화 영역에 위치해 구체적인 생물학적 기전을 밝히기 어렵다는 난제가 존재한다.

이러한 공백을 메우고자 학계는 발현 양적 형질 궤적(expression quantitative trait loci, eQTL) 분석을 도입했다. 유전 변이가 조직별 유전자 발현량에 미치는 영향을 통계적으로 규명하는 접근법이다. 나아가 eQTL 참조 패널을 GWAS 요약 통계와 결합하는 전사체 전체 연관분석(transcriptome-wide association study, TWAS)과 공존국소화(colocalization) 분석은 질환 발병을 이끄는 인과 유전자를 선별하는 핵심 도구로 자리 잡았다.

문제는 분석의 신뢰성을 담보하는 기반에 있었다. 학계는 복잡한 사후 통계 모델링과 다중 검정 보정에는 엄격한 잣대를 들이댔으나, 분석의 출발점인 리보핵산 시퀀싱(RNA sequencing, RNA-seq) 상위 전처리 과정에는 상대적으로 무심했다. 원천 서열 리드를 유전자 발현량으로 환산할 때 어떤 전사체 주석(annotation) 데이터베이스를 쓰는지, 정렬 기반 정량화와 의사정렬 기반 정량화 중 무엇을 택하는지에 따라 하위 연구 결과가 흔들릴 수 있다는 사실을 간과한 셈이다.

핵심 발견

국제 연구진은 학술지 네이처 제네틱스(Nature Genetics) 10월 26일 자에 게재한 논문에서 상위 RNA-seq 처리 단계의 선택이 유전체 분석 전반을 뒤흔들 수 있음을 실증했다. 연구팀은 동일한 유전체 및 전사체 원천 데이터를 대상으로 전사체 주석 체계와 발현량 정량화 파이프라인 조합을 체계적으로 대조했다.

전사체 주석의 기준선 설정부터 뚜렷한 격차가 드러난다. 젠코드(GENCODE)나 엔셈블(Ensembl), 엑손 정의 범위가 상이한 주석 버전을 적용했을 때 동일한 시퀀싱 리드에서도 유전자별 할당 발현량이 유의미하게 달라졌다. 특히 여러 전사체 동형(isoform)이 공존하거나 유전자 경계가 겹치는 유전체 영역에서 정량화 왜곡이 두드러졌다.

이러한 전처리 편차는 eQTL 매핑 단계로 고스란히 전이된다. 정량화 알고리즘의 차이만으로 통계적 유의성을 만족하는 eQTL 변이-유전자 쌍의 구성이 크게 요동쳤다. 전통적인 정렬 기반 정량화 도구와 전사체 분해 추정을 적용하는 알고리즘 사이에서 eQTL 발굴 일치율이 예상치를 밑돌았다.

하류 분석인 TWAS와 공존국소화 결과 역시 직접적인 영향을 받는다. 상위 전처리 방식을 바꿨을 뿐인데 질환 위험을 매개하는 핵심 원인 유전자로 지목되던 후보군 순위가 뒤바뀌는 현상이 관찰됐다. GWAS 신호와 조직별 발현 신호가 동일한 변이에서 비롯됐는지를 평가하는 공존국소화 사후 확률조차 전처리 선택에 따라 결론이 정반대로 갈렸다. 데이터 가공의 초기 선택이 최종 질병 유전자 규명 결과를 좌우한 셈이다.

의미와 전망

이번 연구는 기능유전체학 연구 생태계에 묵직한 경고를 던진다. 고도화된 통계 모델을 적용하더라도 원천 데이터 전처리 단계에서 발생한 미세한 편향이 연구 결론 전체를 왜곡할 수 있음을 입증한 까닭이다.

연구진은 향후 유전체 연구에서 데이터 재현성을 확보하기 위한 구체적인 방법론 보고 기준을 확립해야 한다고 촉구했다. 논문 작성 시 단순히 분석 파이프라인 명칭을 나열하는 관행에서 벗어나 사용한 전사체 주석의 빌드 버전과 정량화 파라미터를 상세히 명시해야 한다는 지적이다. 단일 파이프라인에 의존하지 않고 복수의 전처리 조합을 비교하는 민감도 검증 절차 역시 필수 요소로 꼽힌다.

학계는 장기적으로 롱리드 시퀀싱 기술의 보급이 주석 불완전성을 완화하는 전환점이 될 것으로 내다본다. 전장 전사체를 조각내지 않고 직접 해독함으로써 동형 단백질 정량 오차를 근본적으로 줄일 수 있어서다. 알고리즘과 기준 데이터베이스의 표준화 논의가 본격화될지 주목된다.