PHBC로 질환 간 공유 유전분산 추정…보조 형질 확장 시 SNP 유전율의 48%
배경: 질환 쌍의 유전상관을 넘어
영국 바이오뱅크의 15개 질환을 분석한 연구에서 다른 질환과 공유되는 공통 단일염기다형성(SNP) 유전율의 비율은 평균 27%로 추정됐다. 보조 질환·형질 집합을 확장했을 때는 48%였다. Nature Genetics에 발표된 연구는 이 비율을 추정하는 편향 보정 다면발현 공유 유전율 추정법(PHBC)을 제안한다.
다면발현은 유전적 요인이 여러 형질에 영향을 미치는 현상이다. 기존 연구는 주로 질환 두 개씩의 유전상관을 추정하거나 여러 질환에 공통된 유전 성분을 찾는 데 집중했다. 특정 질환의 유전분산 가운데 여러 질환·형질과 공유되는 부분의 규모는 어떻게 추정할까. 질환 사이에 공유되는 정보가 겹치므로 개별 유전상관을 단순히 더하는 방식으로는 답하기 어렵다.
핵심 발견: 추정 잡음을 보정하자 38%에서 27%로
PHBC는 전장유전체연관분석(GWAS) 요약통계에서 구한 유전상관 행렬로 공유 유전분산을 추정한다. 표본이 유한하면 실제 유전상관이 없어도 추정값에는 잡음이 남아 공유 비율이 과대평가될 가능성이 생긴다. 연구팀은 무작위 표본추출을 반복하는 몬테카를로 방식으로 이 편향을 보정했다. 시뮬레이션 결과, 보정 후 추정치는 대체로 실제 설정값에 가까웠다.
실제 자료 분석에는 비혈연 영국계 157,206명의 유전자료로 산출한 7개 범주, 15개 질환의 GWAS 요약통계를 사용했다. 공유 SNP 유전율 비율의 질환별 평균은 보정 전 38%(표준오차 4%포인트)에서 보정 후 27%(표준오차 3%포인트)로 낮아졌다. 보정 여부가 결과 해석에 상당한 영향을 준 셈이다. 같은 분석에서 주요우울장애는 44%(표준오차 8%포인트), 제2형 당뇨병은 45%(표준오차 6%포인트)로 추정됐다.
연구팀은 공개 GWAS 메타분석의 30개 질환과 정량 형질 17개를 추가해 보조 집합을 확장했다. 일부 메타분석에는 영국 바이오뱅크 자료도 포함돼 있다. 전체 45개 질환과 17개 정량 형질로 구성한 보조 집합에서 기존 15개 표적 질환의 평균 공유 비율은 48%(표준오차 5%포인트)였다. 각 분석에서는 표적 질환과의 유전상관 제곱이 0.5 미만인 보조 질환·형질을 사용했다.
기본 분석에서 표적 질환과 같은 범주의 보조 질환을 제외해도 평균은 27%에서 24%(표준오차 2%포인트)로만 낮아졌다. 공유 성분이 같은 범주에만 집중되지 않고 여러 질환 범주에 걸쳐 있다는 결과다.
의미와 전망: 공유 비율의 분모와 적용 범위
48%라는 수치는 개인의 발병 확률이나 전체 질병 원인의 절반을 뜻하지 않는다. 분석한 공통 SNP가 설명하는 유전분산 중 선택한 보조 질환·형질의 유전적 성분을 조합해 설명할 수 있는 비율이다. 개별 다면발현 유전자좌를 찾아 기여도를 모두 합한 값과도 구분해야 한다. 보조 형질 집합과 코호트의 질환 정의가 바뀌면 추정 대상도 달라진다.
연구진은 결과를 다유전자 위험점수 연구의 사전정보 구성에 활용하거나, 조직·세포 유형과 유전자 경로별 공유 성분 분석으로 확장할 가능성을 제시했다. 환자의 예후 개선이나 동반 질환 예방 효과를 검증한 연구는 아니다. 자료가 유럽계 중심이므로 다른 인구집단에서의 검증은 후속 과제로 남는다.
수치 안정성을 확보하려고 유전상관이 높은 보조 형질을 제거하는 과정의 확률성이 보고된 표준오차에 반영되지 않았다는 한계도 명시됐다. 공유 유전분산의 규모를 해석할 때는 이러한 추정 불확실성과 분석 조건을 함께 살펴야 한다.
연구의 방법과 결과는 Nature Genetics 원문에서 확인할 수 있다.
Nature Genetics, Published online: 09 June 2026. DOI: 10.1038/s41588-026-02607-w
Summary: Bypassing the low prediction velocities and summary statistic inflation errors that historically cloud empirical cross-trait linkage disequilibrium score regression in complex comorbidities, this multi-omic translation scales a programmable statistical mapping infrastructure termed PHBC. Utilizing mathematical bias-correction frameworks synchronized with deep-depth phenotypic registers across the UK Biobank database, the computing platform systematically charts the pleiotropic shared heritability architecture of target diseases against extensive auxiliary disease sets concurrently. This molecular calibration delivers a validated, non-invasive computational baseline to isolate pervasive sharing mechanics across discrete disease categories, suppress sample-overlap artifacts, and guide prospective adaptive cohort stratification under precision multi-trait genomic governance.
여러 질환의 GWAS 자료를 함께 해석하는 연구자는 PHBC로 표적 질환의 공통 SNP 유전분산 중 다른 질환·형질과 공유되는 규모를 추정할 수 있다. 예를 들어 제2형 당뇨병과 여러 질환의 자료를 분석할 때, 유전상관 추정 잡음에 따른 과대평가를 줄이고 보조 형질 집합에 따른 공유 비율의 차이를 비교하는 용도다.
이 결과는 여러 형질의 정보를 결합하는 다유전자 위험점수 연구에서 사전정보를 구성하는 데 참고할 수 있다. 향후 공유 성분을 조직·세포 유형이나 유전자 경로별로 나누는 방법이 개발되면 다중질환 관련 약물 표적의 우선순위를 검토하는 연구로 확장할 여지도 있다. 개인별 예측 성능 향상이나 치료 효과는 이번 연구에서 입증되지 않았으므로 실제 적용에는 별도 검증이 뒤따라야 한다.