배경

인간 유전체 분석 기술이 고도화되면서 질병을 유발하는 표적 유전자를 특정하기 위한 연구가 활발히 이어져 왔다. 전장 유전체 연관 분석(Genome-Wide Association Studies, GWAS)은 수많은 질환 관련 유전자좌를 발굴하는 성과를 냈다. 그러나 대다수 변이가 단백질을 암호화하지 않는 비부호화 영역에 위치해 질병을 직접 일으키는 인과 유전자를 규명하기 어려웠다.

이러한 한계를 극복하고자 전사체 수준 연관 분석(Transcriptome-Wide Association Studies, TWAS)이 통계 유전학계의 핵심 도구로 자리 잡았다. TWAS는 발현 양적 형질 유전자좌(expression Quantitative Trait Loci, eQTL) 데이터를 통합해 유전자 발현 수준과 질병 표현형 사이의 상관관계를 통계적으로 모델링한다. 연구진은 이를 기반으로 특정 조직이나 세포에서 질병 위험을 높이거나 낮추는 유전자를 추정해 왔다.

기존 분석 파이프라인은 인접한 유전 변이들이 함께 유전되는 연관불평형(Linkage Disequilibrium, LD) 현상을 완전히 배제하지 못한다는 구조적 취약점을 안고 있었다. 인과 변이가 아닌 인접 표지 변이에 의해 주변 유전자들의 발현 프로파일이 묶여 함께 변하는 공조절 현상이 발생하기 때문이다. 가짜 양성 신호가 질병 원인으로 오인되거나 인과 관계의 방향이 뒤바뀔 수 있다는 우려는 꾸준히 제기됐다.

핵심 발견

연구진은 세포 유형 전반에서 연관불평형에 기인한 발현 프로파일 공조절이 TWAS 결과에 미치는 교란 효과를 수학적으로 모델링하고 정량화했다. 인과 변이가 존재하는 표적 유전자와 그 주변에 위치한 비인과 유전자가 공유하는 유전적 구조를 정밀하게 분리해 시뮬레이션과 실제 유전체 데이터에 대입했다.

분석 결과, 주변 표지 변이와 얽힌 공조절은 단순한 통계적 잡음을 넘어 유전자-질병 연관성의 방향 자체를 뒤흔드는 것으로 확인됐다. 실제 질병 발생을 억제하는 유전자가 인접 유전자좌의 강한 LD 신호에 가려져 질병을 촉진하는 위험 인자로 잘못 추정되는 역전 현상이 체계적으로 관측됐다.

조직 간, 세포 유형 간 발현 데이터가 복잡하게 얽힐수록 이러한 신호 교란 확률은 유의미하게 상승했다. 특히 복합 유전 질환에서 여러 유전자가 좁은 게놈 영역에 밀집된 경우, 공조절 교란으로 도출된 가짜 상관계수가 기존 보정 모델을 통과하는 비율이 적지 않다는 점이 수치로 입증됐다. 연구진은 세포 특이적 전사 조절 네트워크와 국소적 LD 구조를 함께 반영하지 않는 기존 TWAS 알고리즘의 맹점을 통계 지표로 명확히 드러냈다.

기존 방법론들이 주로 표본 수 확대나 기계학습 모델의 예측력 개선에 집중했다면, 이번 연구는 연관 변이에 의한 다면발현적 신호 얽힘을 분리 측정하는 정량 지표를 제시했다는 점에서 접근 방식을 달리한다.

의미와 전망

이번 분석은 그동안 전사체 연구에서 정설처럼 여겨지던 질병 후보 유전자 우선순위 선정 방식에 경종을 울린다. 수많은 신약 후보 물질 발굴 단계에서 TWAS가 제시한 방향성을 맹신해 표적 유전자의 기능을 억제하거나 촉진하는 치료제를 개발하다가 후기 단계에서 실패를 겪는 사례가 적지 않았다. 질병 연관 방향성이 통계적 착시로 뒤바뀐 상태였다면 전임상 검증 과정에서 막대한 자원과 시간이 낭비될 수밖에 없다.

유전체 역학계는 전사체 연관성 분석 결과를 단일 진실로 수용하기보다 국소적 변이 구조를 함께 검증하는 표준 검증 체계를 도입해야 하는 과제를 안게 됐다. 고해상도 단일세포 전사체 데이터와 크리스퍼 유전자 가위 기반의 기능 유전체학 실험을 통합해 통계적 상관관계를 물리적으로 검증하는 단계가 필수로 요구된다.

동시에 조직 특이적 eQTL의 복잡성과 인종 간 LD 구조 차이를 완벽히 반영하기에는 현존하는 다인종 유전체 참조 패널이 여전히 제한적이라는 한계가 상존한다. 비유럽계 인구 집단 데이터를 대폭 확충하고 세포 미세환경의 전사 변동성을 통합 반영하는 다변량 통계 보정 알고리즘의 개발이 후속 연구로 이어져야 할 시점이다.