배경

인간 유전체 해독 기술의 발전으로 전장 유전체 시퀀싱(Whole Genome Sequencing, WGS) 비용이 크게 낮아졌지만, 희귀질환 환자의 절반 이상은 여전히 유전적 원인을 밝혀내지 못한 채 진단 방랑을 겪는다. 지금까지 유전학 연구와 임상 진단은 단백질을 직접 암호화하는 엑솜(exome) 영역에 집중됐다. 엑솜은 전체 유전체의 약 1.5%에서 2%에 불과하다. 나머지 98%에 달하는 방대한 비코딩(noncoding) 영역에도 수많은 질환 유발 변이가 존재할 것으로 추정됐으나, 실제 원인으로 규명된 사례는 극히 드물었다.

비코딩 영역 변이의 임상 해석이 부진했던 까닭은 명확한 해독 규칙의 부재에 기인한다. 단백질 코딩 서열은 코돈(codon) 체계를 바탕으로 아미노산 치환이나 조기 종결 같은 기능 상실을 비교적 쉽게 예측할 수 있다. 반면 조절 서열은 변이가 생겨도 표현형에 미치는 영향을 직관적으로 가늠하기 어렵다. 인핸서(enhancer)나 프로모터(promoter) 같은 조절 인자가 수십만 염기쌍 이상 떨어진 유전자를 원격 제어하는 3차원 염색질 구조도 분석 난도를 높이는 요소다. 방대한 비코딩 서열 속에서 실제 질병을 일으키는 치명적 변이와 무해한 양성 변이를 가려낼 검증 도구가 부족했던 셈이다.

핵심 발견

네이처 제네틱스(Nature Genetics)에 실린 이번 종설은 비코딩 변이가 희귀질환을 유발하는 분자 기전을 정리하고, 진단 발굴률이 저조했던 근본 원인을 집중 조명했다. 저자들은 비코딩 조절 이상이 주로 유전자 발현량의 정량적 변화를 유도하기 때문에 완전한 단백질 결손보다 조직 특이적이고 미세하게 작용한다고 분석했다. 진화적 보존도 분석에만 의존하던 기존 방식으로는 특정 세포 환경에서만 활성화되는 조절 변이를 포착하기 어려웠다는 지적이다.

연구진은 비코딩 변이 발굴을 가속할 핵심 해법으로 대규모 병렬 리포터 분석(Massively Parallel Reporter Assay, MPRA)과 고해상도 염색질 입체 구조 분석(Micro-C), 기계학습 기반 예측 알고리즘의 결합을 제시했다. 포화 돌연변이 유전자 편집 기술(Saturation Genome Editing, SGE)을 활용하면 비코딩 서열의 모든 단일 염기 변이를 실험실 환경에서 한 번에 기능 평가할 수 있다. 여기에 서열 정보를 직접 해석해 세포 유형별 염색질 접근성과 전사 활성을 수치화하는 딥러닝 서열 모델이 결합하면서 기능 예측 정확도가 비약적으로 개선되는 추세다. 수만 개의 후보 변이 중 실제 질환 원인 변이를 좁혀내는 선별 효율이 과거 대비 수십 배 이상 높아졌다는 평가다.

의미와 전망

비코딩 조절 네트워크의 정밀한 규명은 희귀 유전질환의 진단율을 끌어올리는 전환점이 될 것으로 전망된다. 원인을 알지 못해 적절한 치료 시기를 놓치던 환자들에게 분자 수준의 명확한 병인을 제시할 수 있기 때문이다. 축적된 비코딩 변이 데이터는 안티센스 올리고뉴클레오타이드(Antisense Oligonucleotide, ASO)나 에피유전체 교정(epigenome editing)처럼 비코딩 조절 서열을 직접 표적하는 정밀 치료제 개발의 청사진을 제공한다.

과제도 뚜렷하다. 컴퓨터 알고리즘의 예측치와 실제 환자 체내 표현형 사이의 간극을 메우려면 장기 및 발달 단계별 단일세포 전사체 지도와의 정밀한 대조가 뒤따라야 한다. 질환 모델 오가노이드를 활용한 고속 기능 검증 체계 구축과 비코딩 변이 임상 해석 가이드라인의 표준화 역시 해결해야 할 숙제로 꼽힌다. 유전체 데이터 해석 역량이 코딩 영역의 경계를 넘어 비코딩 영역으로 본격 확장되는 흐름이다.