Structural variants in human congenital heart disease disrupt distal genomic regulatory contacts of developmental genes

본 연구는 심혈관 질환 (CHD) 과 관련된 구조적 변이가 발달 유전자의 원거리 유전체 조절 상호작용을 방해하여 3 차원 염색체 구조를 변화시키고 심장 발달 유전자의 발현 이상을 유발한다는 가설을 검증하기 위해 머신러닝 모델 'CardioAkita'를 개발하고, 이를 통해 변이의 병원성과 CHD 의 발병 기전을 규명했습니다.

핵심

🏗️ 비유: "인간의 몸은 거대한 도시, 유전자는 설계도"

우리의 몸은 거대한 도시라고 상상해 보세요.

• **유전자 (DNA)**는 이 도시를 짓기 위한 설계도입니다.
• 단백질은 도시를 이루는 건물들입니다.
• **3 차원 염색질 구조 (Chromatin)**는 설계도가 펼쳐져 있을 때, 어떤 건물이 서로 연결되어 있는지를 보여주는 접힌 지도나 다리 같은 것입니다.

보통 우리는 설계도 (DNA) 의 글자 하나가 틀려지면 (돌연변이) 건물이 망가진다고 생각합니다. 하지만 이번 연구는 **"설계도에서 글자가 아니라, 지도가 접히는 방식 (구조) 이 망가져도 건물이 엉망이 될 수 있다"**는 것을 증명했습니다.

---

🔍 이 연구가 해결한 문제: "미스터리한 심장 질환"

선천성 심장 질환을 가진 아이들 중 60% 는 정밀한 유전자 검사에서도 "병의 원인을 알 수 없다"는 결과를 받습니다. 마치 **"집이 무너졌는데, 설계도에는 큰 흠집이 없다"**는 것과 비슷합니다.

연구팀은 **"아마도 설계도 (DNA) 는 멀쩡해 보이지만, 지도가 접히는 방식 (3 차원 구조) 이 엉망이 되어, 필요한 건물이 제때 지어지지 않는 것"**이라고 추측했습니다.

🤖 해결책: "심장 전문 AI, '카디오아키타 (CardioAkita)'"

연구팀은 이 문제를 해결하기 위해 **인공지능 (AI)**을 개발했습니다.

• 이름: 카디오아키타 (CardioAkita)
• 역할: DNA 서열만 보고 **"심장이 만들어지는 과정에서 지도가 어떻게 접히고, 어떤 다리가 생길지"**를 예측하는 심장 전문 건축 AI입니다.

기존의 AI 는 일반적인 세포만 다뤘지만, 이 AI 는 **심장 세포가 태어나는 과정 (배아 단계)**을 학습했기 때문에 훨씬 정교합니다.

🧪 실험 과정: "AI 의 예측을 직접 확인하다"

연구팀은 세 가지 단계로 실험을 진행했습니다.

1. 대규모 조사 (AI 가 먼저 스캔):

   • 심장 질환을 가진 아이들과 건강한 아이들의 유전자 데이터를 AI 에 넣었습니다.
   • 결과: 심장 질환이 심할수록, AI 가 예측한 **'지도 접힘의 혼란도 (Disruption Score)'**가 높았습니다. 즉, **"지도가 엉망일수록 병이 심했다"**는 뜻입니다.

2. 실제 환자 찾기 (AI 가 원인을 짚어내다):

   • 원인을 몰랐던 3 명의 환자를 선정했습니다.
   • AI 가 **"이 작은 변이 (DNA 조각이 빠지거나 뒤집힌 것) 가 지도를 망칠 것 같다"**고 경고했습니다.
   • 특히, 68 개의 글자만 빠진 아주 작은 변이조차 AI 는 "이게 핵심 연결고리를 끊을 거야"라고 예측했습니다.

3. 실험실 검증 (인간이 직접 확인):

   • 연구팀은 **배아 줄기세포 (iPSC)**를 실험실로 가져와서, AI 가 경고한 변이들을 직접 만들어 넣었습니다 (유전자 가위 CRISPR 사용).
   • 결과: AI 의 예측이 정확했습니다!
     • 지도가 접히는 방식이 바뀌었습니다. (예: 두 개의 건물이 연결되어야 하는데 연결이 끊어지거나, 엉뚱한 건물끼리 붙어버림).
     • 심장 발달에 중요한 유전자들의 목소리 (발현) 가 비정상적으로 커지거나 작아졌습니다.
     • 특히 아주 작은 68bp 변이조차 심장 발달 초기 단계에 치명적인 영향을 미쳤습니다.

💡 핵심 메시지: "작은 변이도 지도를 망칠 수 있다"

이 연구의 가장 큰 의미는 다음과 같습니다.

• 기존의 생각: "유전자 변이가 크거나, 유전자 자체를 망가뜨려야 병이 난다."
• 새로운 발견: "유전자 자체는 멀쩡해도, **그 주변 DNA 가 접히는 방식 (3 차원 구조)**이 조금만 바뀌어도, 심장 발달에 필요한 신호가 엉망이 되어 질병이 생긴다."

마치 **건물 (유전자) 은 멀쩡한데, 건물 사이의 **다리 (연결고리)**가 무너지거나 **비상구 (조절 장치)**가 막혀서 도시 전체가 마비된 것과 같습니다.

🚀 앞으로의 기대

이 연구는 AI 를 이용해 유전자 검사에서 '의미 불명'으로 분류되던 변이들을 찾아내고, 그것이 실제로 질병을 일으키는지 예측할 수 있는 길을 열었습니다.

앞으로 심장 질환을 앓는 아이들에게 **"원인이 되는 변이를 찾아내고, 왜 병이 생겼는지 설명"**해 줄 수 있게 되며, 더 정확한 진단과 치료법 개발에 큰 도움이 될 것입니다.

한 줄 요약:

"심장 질환의 원인을 찾기 위해 AI 를 활용했고, DNA 가 접히는 방식 (지도) 이 망가져서 병이 생긴다는 것을 실험으로 증명했습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 진단의 한계: 선천성 심장 질환 (CHD) 은 가장 흔한 주요 선천성 기형 중 하나이지만, 시퀀싱된 환자의 약 60% 는 알려진 유전적 원인이 규명되지 않습니다. 특히 비코딩 영역 (noncoding regions) 의 변이는 그 임상적 중요성을 판단하기 매우 어렵습니다.
• 구조적 변이 (SV) 의 복잡성: 결실, 중복, 역위 등의 구조적 변이는 유전체 3 차원 구조 (3D chromatin structure) 를 변경하여 원거리 조절 요소 (enhancer) 와 프로모터 간의 상호작용을 방해할 수 있습니다. 그러나 이러한 변이가 질병을 유발하는지, 그리고 그 메커니즘이 3 차원 유전체 구조의 교란인지 실험적으로 대규모로 검증하는 것은 비용과 기술적 한계로 인해 불가능에 가깝습니다.
• 기존 모델의 부족: 기존에 개발된 Akita 모델은 3 차원 유전체 구조를 DNA 서열만으로 예측할 수 있었으나, 주로 만능 줄기세포 (hESC) 나 암세포 등 특정 세포주에서 훈련되어 심장 발달 과정에 특화된 심장근세포 (cardiomyocyte) 의 3 차원 구조를 정확히 예측하지 못했습니다.

2. 방법론 (Methodology)

A. CardioAkita 모델 개발

• 데이터: WTC11 유도만능줄기세포 (iPSC) 를 심방 (atrial) 과 심실 (ventricular) 심근세포로 분화시키는 과정의 고해상도 Hi-C 데이터 (D0~D45) 를 활용했습니다.
• 모델 아키텍처: 기존 Akita 모델의 컨볼루션 신경망 (CNN) 구조를 기반으로 하되, 출력 헤드를 수정하여 iPSC, 심방 및 심실 분화 과정의 12 개 시간대 (time points) 에 대한 3 차원 유전체 접촉 지도 (contact maps) 를 동시에 예측하도록 설계했습니다.
• 학습 및 평가: 1 메가베이스 (Mb) 단위의 DNA 서열을 입력받아 Hi-C 접촉 지도를 예측하도록 훈련되었으며, hold-out 테스트 세트를 통해 평균 제곱 오차 (MSE) 와 상관관계 (1-CORR) 로 성능을 평가했습니다.

B. 대규모 구조적 변이 (dnSV) 스크리닝

• 코호트 분석: Pediatric Cardiac Genomics Consortium (PCGC) 의 CHD 환자 34 명에서 확인된 42 개의 de novo 구조적 변이 (dnSV) 와 대조군 (SFARI SCC 코호트의 건강한 형제) 의 변이를 비교했습니다.
• SuPreMo 파이프라인: SuPreMo 도구를 사용하여 각 변이의 참조 (reference) 와 대립 (alternate) 서열을 생성하고, CardioAkita 로 예측된 접촉 지도 간의 차이 (MSE 기반 'Disruption Score') 를 계산했습니다.
• 심각도 상관관계: CHD 의 임상적 심각도 (심각한 vs 비심각한) 와 변이의 교란 점수 간의 연관성을 분석했습니다.

C. 실험적 검증 (WGS 및 유전자 편집)

• 후보 변이 발굴: 유전적 원인이 불명확한 3 명의 CHD 환자 (Proband A, B, C) 에 대해 전장 유전체 시퀀싱 (WGS) 을 수행하고, CardioAkita 점수가 가장 높은 변이를 선별했습니다.
• 세포 모델 제작: 선별된 변이 (68bp 결실, 84kb 결실, 58kb 결실) 를 WTC11 iPSC 에 CRISPR/Cas9 으로 도입하여 동형접합 (homozygous) 또는 이형접합 (heterozygous) 세포주를 생성했습니다.
• 분화 및 분석:
  • Capture-C: 변이 부위의 3 차원 유전체 구조 변화를 실험적으로 확인했습니다.
  • RNA-seq: 분화 단계 (D0, D2, D15) 에 따른 유전자 발현 변화를 분석하고, 유전자 온톨로지 (GO) 분석을 수행했습니다.

3. 주요 결과 (Key Results)

A. CardioAkita 의 성능 및 특이성

• CardioAkita 는 기존 Akita 모델보다 심근세포 분화 단계 (특히 심실 D23) 에서 3 차원 유전체 구조를 더 정확하게 예측했습니다.
• 특히 세포 유형 간 차이가 큰 유전체 영역 (예: CHRDL2, KCNE3 유전자 부위) 에서 심근세포 특이적인 접촉 변화 (상승 또는 하강) 를 성공적으로 예측했습니다.

B. CHD 심각도와의 상관관계

• CHD 환자군의 de novo SV 들은 대조군에 비해 유전체 접힘 (genome folding) 을 교란시키는 점수가 유의미하게 높았습니다.
• 심각한 CHD(conotruncal 결손 등) 를 가진 환자군의 변이가 가장 높은 교란 점수를 보였으며, 상위 5% 의 가장 파괴적인 변이 대부분이 이 그룹에 속했습니다. 이는 3 차원 유전체 구조 교란이 CHD 의 병인 메커니즘과 밀접하게 연관됨을 시사합니다.

C. 실험적 검증 및 메커니즘 규명

• Proband A (68bp 비코딩 결실): 매우 작은 크기의 비코딩 결실임에도 불구하고, CTCF 결합 부위를 제거하여 두 개의 작은 유전체 도메인을 합쳐버렸습니다. 이로 인해 STRA6, ISLR 등 심장 발달 관련 유전자의 접촉이 손실되었고, 해당 유전자들의 발현이 크게 증가 (최대 32 배) 했습니다. 이는 좌우 비대칭 및 심장 패턴 형성에 관여하는 유전자 네트워크의 교란을 초래했습니다.
• Proband B (84kb 결실): 두 개의 유전체 도메인을 합쳐 EFCAB2 와 DESI2 간의 비정상적인 상호작용 (ectopic interactions) 을 유발했습니다. KIF26B 등 세포 이동 및 신호 전달 관련 유전자의 발현 변화가 관찰되었습니다.
• Proband C (58kb 결실): 심장 중배엽 결정에 중요한 MESP1 과 MESP2 유전자를 포함하는 결실로, 유전체 루프 아커 (loop anchor) 의 위치 이동을 초래했습니다. 이는 MESP1 녹다운과 유사한 전사체 변화를 일으켰으며, 이형접합 상태에서도 유전적 불충분성 (haploinsufficiency) 을 보였습니다.

4. 주요 기여 및 의의 (Significance)

1. 새로운 예측 도구 개발: 심장 발달 특이적 3 차원 유전체 구조를 DNA 서열만으로 예측할 수 있는 최초의 머신러닝 모델인 CardioAkita를 개발했습니다.
2. 진단 지식 격차 해소: 임상적으로 '의미 불명의 변이 (VUS)'로 분류되었던 작은 비코딩 구조적 변이들이 실제로는 3 차원 유전체 구조를 교란시켜 심각한 CHD 를 유발할 수 있음을 증명했습니다.
3. 병인 메커니즘 규명: SV 가 단순히 유전자를 삭제하는 것을 넘어, 원거리 조절 요소와의 상호작용을 방해하여 발달 유전자의 발현을 교란시킨다는 메커니즘을 실험적으로 입증했습니다.
4. 임상적 적용 가능성: 계산 모델링을 통해 대규모 유전체 데이터에서 병인성 변이를 선별하고, 실험적 검증이 필요한 후보를 우선순위화하는 효율적인 파이프라인을 제시했습니다. 이는 60% 에 달하는 원인 불명의 CHD 환자들에게 새로운 진단 기회를 제공할 수 있습니다.

5. 결론

이 연구는 구조적 변이가 3 차원 유전체 구조를 교란시킴으로써 선천성 심장 질환을 유발한다는 가설을 강력하게 지지하며, 머신러닝 기반의 3 차원 유전체 모델이 희귀 유전 질환의 원인 규명 및 치료 표적 발견에 핵심적인 도구가 될 수 있음을 보여줍니다.