Co-expression-based models improve eQTL predictions and highlightnovel transcriptome-wide genes associated with schizophrenia

이 논문은 공발현(co-expression) 네트워크를 활용한 새로운 trans-eQTL 예측 모델(INGENE, MODULE)을 통해 유전자 발현 예측 성능을 높였으며, 이를 통해 조현병과 관련된 기존에 알려지지 않은 641개의 새로운 유전자를 발굴했습니다.

핵심

🧠 제목: "조연 배우들의 활약이 주인공을 만든다: 조현병 유전자를 찾는 새로운 방법"

1. 배경 설명: "우리 몸이라는 거대한 오케스트라"

우리 몸의 설계도는 **'DNA'**입니다. 하지만 설계도만 있다고 음악(생명 현상)이 연주되는 건 아니에요. 설계도를 보고 실제로 악기를 연주하는 연주자들이 바로 **'유전자 발현(Gene Expression)'**입니다.

보통 과학자들은 특정 질병(예: 조현병)이 생기는 이유를 찾을 때, **'주연 배우(cis-eQTL)'**에게만 집중해 왔습니다. "이 배우가 연기를 못 해서 극(질병)이 망가졌구나!"라고 생각하며, 유전자 바로 옆에 붙어 있는 유전적 변이만 찾아다닌 거죠.

2. 문제점: "주연만 봐서는 전체 공연을 이해할 수 없다"

하지만 조현병 같은 복잡한 병은 주연 배우 한두 명의 문제라기보다, 무대 뒤에서 조용히 움직이는 **'조연 배우들과 스태프들(trans-eQTL)'**의 상호작용 때문에 일어나는 경우가 많습니다.

기존 방식은 이 조연들의 움직임을 무시하고 주연 배우만 관찰했기 때문에, 왜 공연(우리 몸)이 엉망이 되었는지 완벽하게 설명하지 못했습니다.

3. 이 논문의 혁신: "INGENE과 MODULE이라는 새로운 관찰 카메라"

연구팀은 INGENE과 MODULE이라는 새로운 분석 모델을 만들었습니다. 이 모델의 핵심은 **'협동(Co-expression)'**입니다.

• 비유하자면: 예전에는 배우 한 명 한 명의 대사만 체크했다면, 이제는 **"이 배우가 등장할 때 저 배우는 어떤 표정을 짓고, 조명은 어떻게 바뀌는가?"**라는 **'팀워크(네트워크)'**를 통째로 관찰하기 시작한 것입니다.
• 유전자들이 서로 어떻게 연결되어 '팀'을 이루어 움직이는지를 계산에 넣었더니, 훨씬 더 정확하게 유전자의 상태를 예측할 수 있게 되었습니다.

4. 결과: "숨어있던 범인들을 찾아내다"

연구팀이 이 새로운 모델을 뇌의 6개 부위 데이터에 적용해 보니 놀라운 결과가 나왔습니다.

1. 예측력 상승: 기존 방식보다 유전자가 어떻게 작동할지 훨씬 더 정확하게 맞혔습니다.
2. 새로운 단서 발견: 조현병과 관련이 있다고 알려진 유전자를 찾아냈는데, 그중 무려 **641개나 되는 유전자가 기존에는 몰랐던 새로운 범인(연관 유전자)**이었습니다!
3. 협력의 중요성: 기존에 알고 있던 125개의 유전자를 확인하는 동시에, '조연들의 움직임(trans-effects)'을 봤을 때만 비로소 보이는 새로운 유전자들을 대거 발견한 것이죠.

5. 요약하자면?

"조현병은 유전자 하나가 고장 나서 생기는 단순한 문제가 아니라, 유전자들이 서로 주고받는 복잡한 '팀워크'가 깨져서 생기는 문제다. 우리는 이번 연구를 통해 그 팀워크를 읽어내는 새로운 안경(모델)을 만들었고, 그 안경을 통해 그동안 놓쳤던 조현병의 숨은 원인들을 대량으로 찾아냈다!"라고 할 수 있습니다.

---

💡 핵심 키워드 정리:

• Cis (주연): 유전자 바로 옆에서 직접 영향을 주는 것.
• Trans (조연/스태프): 멀리 떨어져서 팀워크를 통해 영향을 주는 것.
• Co-expression (팀워크): 유전자들이 함께 움직이는 패턴.
• 결론: 팀워크를 분석하니 조현병의 원인을 훨씬 더 잘 찾을 수 있게 되었다!

기술 요약

[기술 요약] 공발현 기반 모델을 통한 eQTL 예측 성능 향상 및 조현병 관련 신규 전사체 유전자 발굴

1. 문제 제기 (Problem)

복잡한 유전적 형질(complex heritability phenotypes)과 통계적으로 연관된 비부호화 변이(non-coding genetic variants)들은 주로 전사 조절 메커니즘(transcriptome regulatory mechanisms)을 통해 작용하는 것으로 알려져 있습니다. 기존의 뇌 조직 내 유전자 발현 예측 방식은 주로 cis-eQTL(유전자 인근의 변이)에 의존해 왔습니다. 그러나 이러한 방식은 유전자와 멀리 떨어진 곳에서 작용하여 여러 유전자의 발현을 동시에 조절하는 trans-eQTL(원거리 변이)의 집합적인 영향을 충분히 반영하지 못한다는 한계가 있습니다.

2. 연구 방법론 (Methodology)

본 연구에서는 trans-eQTL의 영향을 효과적으로 포착하기 위해 공발현 네트워크(co-expression networks) 내에서 후보 trans-eQTL들의 집합적 효과를 모델링하는 두 가지 새로운 모델인 INGENE과 MODULE을 도입했습니다.

• 데이터셋: 인간의 6개 뇌 부위(편도체, 미상핵, 등측/하부 전대상피질, 배외측 전전두엽 피질, 해마)에서 얻은 RNA-seq 데이터를 활용했습니다.
• 모델링 전략: 개별 변이의 효과를 넘어, 공발현 관계에 있는 유전자들 사이의 상호작용과 trans-eQTL의 집합적 영향을 모델에 통합했습니다.
• 검증: 기존의 cis-기반 모델 및 현재 가장 우수한 성능을 보이는 벤치마크 모델인 EpiXcan과 비교하여 예측 성능을 검증했습니다.

3. 주요 기여 (Key Contributions)

• 새로운 예측 모델 개발: trans-eQTL의 집합적 효과를 반영할 수 있는 INGENE 및 MODULE 모델을 제안하여 유전자 발현 예측의 패러다임을 확장했습니다.
• 예측 성능의 비약적 향상: cis-모델과 trans-모델을 통합함으로써, 연구된 6개 뇌 부위 전체의 18,744개 유전자에 대해 유전자 수준의 발현 임퓨테이션(imputation) 성능을 유의미하게 개선했습니다 (MLE = 0.05).
• 질환 연관성 연구의 확장: 기존 cis-모델만으로는 발견하기 어려웠던 trans-유전적(trans-heritability) 신호를 포착할 수 있는 방법론을 제시했습니다.

4. 연구 결과 (Results)

• 모델 성능: 제안된 모델은 기존의 cis-기반 모델과 EpiXcan보다 높은 유전자 예측력을 입증했습니다.
• 조현병(SCZ) 관련 유전자 발굴: PGC(Psychiatric Genomics Consortium) wave 3 유전형 데이터를 적용한 결과, 6개 뇌 부위에 걸쳐 766개의 조현병 관련 유전자를 식별했습니다 (pFDR < .01).
• 신규성 확인: 식별된 유전자 중 641개는 전사체 전체 수준(transcriptome-wide)에서 새롭게 발견된 조현병 연관 유전자였으며, 나머지 125개는 기존에 알려진 후보 유전자를 재확인했습니다.

5. 연구의 의의 (Significance)

본 연구는 cis-예측과 trans-예측이 상호 보완적임을 입증했습니다. 특히, 조현병과 같은 복잡한 정신 질환의 위험 요인을 이해하는 데 있어 trans-유전성(trans-heritability)과 유전적 상호작용(genetic interactions)이 매우 중요한 역할을 한다는 점을 시사합니다. 이는 향후 유전적 변이가 어떻게 질병으로 이어지는지에 대한 분자적 메커니즘을 규명하는 데 있어 강력한 도구가 될 것입니다.