배경

인간 유전체 30억 쌍 가운데 단백질을 직접 암호화하는 부위는 단 1.5% 안팎에 불과하다. 나머지 98%가 넘는 비코딩 영역은 유전자 발현을 조절하는 핵심 스위치 역할을 맡고 있음에도, 서열 변이가 질환에 미치는 영향을 실험실에서 일일이 검증하기란 사실상 불가능에 가까운 실정이었다. 컴퓨터 알고리즘으로 진화적 보존성을 측정하려는 시도가 이어졌으나, 주변 염기서열 문맥을 제대로 반영하지 못하는 한계를 드러냈다. 최근 대규모 염기서열을 자연어처럼 학습하는 유전체 언어모델(Genomic Language Model, gLM)이 대안으로 부상하며 기대를 모았다. 문제는 기존 gLM 모델 대다수가 단일 종 서열만 분석하거나, 다중 종 서열을 정렬할 때 진화적 거리를 전혀 고려하지 못한다는 사실이다. 인간과 침팬지처럼 가까운 종 사이의 염기 일치는 중복 데이터로 작용해 편향을 낳았고, 먼 유연관계에 놓인 종의 변이는 과소평가되기 일쑤였다. 생물학적 진화 계통도를 학습 알고리즘에 직접 통합해야 한다는 요구가 커진 배경이 여기에 있다.

핵심 발견

미국 UC버클리 컴퓨터과학과 윤 송(Yun S. Song) 교수 연구진은 전장 유전체 정렬(Whole-Genome Alignment, WGA) 데이터에 계통수 거리를 결합한 유전체 모델 GPN-Star를 구축해 국제학술지 네이처에 발표했다. 단순 나열식 다중 정렬에 머물던 이전 방식과 달리 종 사이의 진화 분기 시간을 교차 어텐션 연산에 직접 매핑하는 계통 인식 아키텍처가 핵심 동력으로 꼽힌다. 기준 종인 인간 서열만 가리던 관행을 탈피해 정렬된 여러 종의 염기서열 전반을 무작위 마스킹 처리함으로써 학습 신호의 밀도를 대폭 끌어올렸다. 포유류 241종과 척추동물 100종의 진화 계통을 학습시킨 결과, 유전체 내 모든 대립유전자에 작용하는 기능적 제약(functional constraint)을 정밀 수치화하는 성과로 이어졌다. 성능 평가 지표는 뚜렷한 격차를 보여준다. 임상 유전 변이 데이터베이스 클린바(ClinVar) 변이 식별 실험에서 GPN-Star는 기존 보존성 지표 PhyloP와 앙상블 점수 CADD를 큰 격차로 앞질렀다. 비코딩 조절 부위에서도 전장 유전체 연관성 분석(Genome-Wide Association Study, GWAS) 인과 변이를 찾아내는 정확도가 종전 최고 모델 대비 우위를 점했다는 평가다. 생쥐, 닭, 초파리, 예쁜꼬마선충, 애기장대 등 5대 모델 유전체 분석까지 확장하며 종의 경계를 넘는 유연성을 증명해 보인 셈이다.

의미와 전망

GPN-Star의 등장은 비코딩 유전 변이의 질환 연관성을 추적하던 신약 개발 연구진에게 강력한 길잡이를 제공한다. 희귀 난치 질환 환자의 엑솜 시퀀싱에서 원인을 찾지 못해 전장 유전체 시퀀싱(Whole-Genome Sequencing, WGS)을 진행하더라도, 쏟아지는 수백만 개의 비코딩 변이 중 진짜 원인을 추리는 작업은 모래사장에서 바늘 찾기에 비유되곤 했다. 진화 압력을 정밀 계산하는 GPN-Star를 도입하면 유력 후보군을 압축하는 작업 효율이 몇 배 이상 상승할 전망이다. 연구진이 산출 점수를 UCSC 게놈 브라우저 트랙으로 공개하고 모델 가중치를 전면 개방한 조치도 생태계에 활력을 불어넣는 요인으로 꼽힌다. 고성능 연산 장비를 갖추지 못한 중소 바이오텍도 클릭 몇 번으로 변이 위험도를 즉시 판정할 길이 열렸기 때문이다. 해결해야 할 현실적 과제도 분명 존재한다. 종간 염기 정렬이 어려운 반복 서열이나 구조 변이 영역에서는 예측 신뢰도가 다소 흔들리는 양상을 보인다. 진화 역사가 보존한 염기 정보에 기대므로, 특정 세포나 조직에서 일어나는 후성유전학적 발현 동역학을 실시간으로 포착하지는 못한다는 한계도 뚜렷하다. 단일세포 염색질 접근성 데이터와의 융합이 차세대 핵심 과제로 부각되는 이유다.