A DNA foundation model predicts osteoporosis risk genes without proximity bias

이 논문은 근접성 편향 없이 DNA 서열을 기반으로 변이와 유전자 간의 조절 관계를 직접 예측하는 딥러닝 기반 모델 '로잘린드 (Rosalind)'를 소개하고, 골다공증 위험 유전자 식별 및 약물 표적 발견에 대한 유효성을 실험적으로 입증했습니다.

핵심

🏠 1. 문제: "가장 가까운 집"이라는 잘못된 상식

과거 과학자들은 유전체 (DNA) 상에서 질병과 관련된 신호 (변이) 가 발견되면, **"그 신호와 가장 가까이 있는 유전자"**가 질병의 원인이라고 믿었습니다.

• 비유: 마치 밤에 거리에서 불이 난 것을 보고, "가장 가까운 집이 불을 지폈을 거야!"라고 추측하는 것과 같습니다.
• 현실: 하지만 DNA 는 3 차원 공간에서 구겨져 있고 접혀 있습니다. 그래서 가장 가까이 있는 집이 아니라, 아주 멀리 떨어진 다른 집이 실제로 불을 지필 수도 있습니다.
• 문제점: 기존의 방법들은 "가장 가까운 집"만 조사하다가, 진짜 범인 (질병을 일으키는 유전자) 을 놓치고 잘못된 집 (근처 유전자) 을 잡는 실수를 자주 저질렀습니다.

🕵️ 2. 해결책: AI 비서 '로잘린드'의 등장

연구팀은 **'로잘린드 (Rosalind)'**라는 새로운 DNA 기반 AI 모델을 만들었습니다. 이 모델은 단순히 거리를 재는 게 아니라, DNA 서열 자체가 가진 복잡한 문법과 규칙을 학습합니다.

• 비유: 로잘린드는 "가장 가까운 집"을 보는 게 아니라, 전체 도시의 지도와 각 건물의 내부 구조, 그리고 누가 불을 질렀을 법한 패턴을 모두 분석하는 탐정입니다.
• 특징: 이 AI 는 DNA 서열만 보고도, "아, 이 신호는 저 멀리 있는 그 유전자를 조종하고 있구나!"라고 정확히 찾아냅니다.

🦴 3. 실전 테스트: 뼈가 약해지는 병 (골다공증)

연구팀은 이 AI 를 '골다공증' (뼈가 약해지는 병) 연구에 적용해 보았습니다.

1. 예측: 로잘린드는 골다공증 위험 신호가 있는 곳 근처의 유전자뿐만 아니라, 멀리 떨어진 유전자들도 후보로 꼽았습니다.
2. 실험: 과학자들은 실험실에서 사람의 뼈를 만드는 세포 (골아세포) 를 이용해 실험을 했습니다.
   • 방법: AI 가 예측한 '멀리 떨어진 유전자'와 기존의 '가장 가까운 유전자'를 각각 세포에서 없애고 (제거하고), 뼈가 만들어지는지 확인했습니다.
3. 결과: 놀랍게도, AI 가 예측한 '멀리 떨어진 유전자'를 제거했을 때 뼈 생성에 훨씬 큰 변화가 생겼습니다. 즉, AI 가 맞았습니다!
   • 특히, **'1 차 섬모 (Primary Cilium)'**라는 세포의 작은 안테나 구조를 만드는 유전자들이 골다공증과 깊은 연관이 있다는 새로운 사실을 발견했습니다. 기존에는 이 부분을 간과하고 있었습니다.

💡 4. 왜 이것이 중요한가요? (약 개발의 미래)

이 연구의 핵심 메시지는 **"질병의 원인을 정확히 찾아내야 좋은 약을 만들 수 있다"**는 것입니다.

• 기존 방식: 가장 가까운 유전자를 잘못 건드리면 약이 효과가 없거나 부작용이 생길 수 있습니다. (약 90% 의 신약 개발이 실패하는 이유 중 하나)
• 새로운 방식 (로잘린드): AI 가 진짜 범인을 정확히 찾아내면, 약 개발 성공 확률이 2 배 이상 높아집니다.

🚀 요약

이 논문은 **"유전자의 범인을 찾을 때, '가장 가까운 사람'만 의심하지 말고, DNA 의 복잡한 문법을 읽을 수 있는 AI 를 쓰면 훨씬 정확하다"**는 것을 증명했습니다.

마치 진짜 범인을 잡기 위해 CCTV (DNA 서열) 를 꼼꼼히 분석하는 AI 탐정이 등장하여, 그동안 놓치던 질병의 원인을 찾아내고 더 효과적인 약을 개발하는 길을 열어준 셈입니다. 이는 앞으로 골다공증뿐만 아니라 당뇨병, 고혈압 등 다양한 난치성 질환을 치료하는 데 큰 도움이 될 것입니다.

기술 요약

1. 문제 정의 (Problem)

• 신약 개발의 실패율: 임상 개발 단계에서 신약 후보물질의 약 90% 가 실패하며, 인간 유전적 증거 (Human Genetic Evidence) 를 기반으로 한 표적 발굴이 성공률을 높이는 핵심 요소임.
• 비코딩 변이와 유전자의 연결 문제: 전장 유전체 연관 분석 (GWAS) 신호의 약 90% 가 비코딩 영역에 위치하며, 이는 유전자 발현을 조절하는 메커니즘과 관련됨. 그러나 비코딩 변이 (Variant) 가 어떤 유전자 (Effector Gene, eGene) 를 조절하는지 규명하는 것은 여전히 큰 장벽임.
• 근접성 편향 (Proximity Bias): 기존 변이 - 유전자 매핑 (V2G) 방법론의 가장 큰 한계는 **가장 가까운 유전자 (Nearest Gene)**를 인과적 유전자로 가정하는 것임. 그러나 DNA 는 3 차원 공간에서 접혀있어 선형적 거리가 실제 물리적 상호작용을 반영하지 못함. 이로 인해 실제 조절 유전자가 변이로부터 멀리 떨어져 있는 경우 (Distal Genes) 를 놓치거나, 인접한 비인과적 유전자를 잘못 식별하는 오류가 발생함.
• 기존 방법의 한계: 기존 L2G (Locus-to-Gene) 모델이나 통합 오믹스 데이터 기반 접근법도 여전히 거리 기반 편향에 크게 의존하며, 단일 세포 eQTL 매핑은 비용과 자원의 제약으로 광범위하게 적용하기 어려움.

2. 방법론 (Methodology)

저자들은 Rosalind라는 새로운 DNA 기반 모델 (Foundation Model) 을 개발하여 위 문제를 해결함.

• 모델 아키텍처:
  • Enformer 스타일 기반: 장기적인 조절 상호작용을 포착하는 트랜스포머 (Transformer) 아키텍처를 기반으로 함.
  • RoPE (Rotary Positional Embeddings) 도입: 기존 상대적 위치 인코딩을 RoPE 로 대체하여 긴 거리 (Long-range) 의 거리 인코딩 능력을 강화함.
  • 파인튜닝 (Fine-tuning): GTEx (Genotype-Tissue Expression) 프로젝트의 49 개 조직에서 파생된 약 17,000 개의 정밀 매핑 (Fine-mapped) 된 cis-eQTL 변이 - 유전자 쌍을 학습 데이터로 사용.
• 학습 전략:
  • 이진 분류 태스크: 변이가 특정 유전자의 발현에 인과적인지 (Causal) 여부를 이진 분류하는 태스크로 파인튜닝 수행.
  • 레이블링: SuSiE 프레임워크를 통해 계산된 사후 포함 확률 (PIP, Posterior Inclusion Probability) 을 사용. PIP > 0.9 는 '인과적 (Positive)', PIP < 0.01 은 '비인과적 (Negative)'으로 레이블링.
  • 알레일 특이적 임베딩: 참조 대립유전자 (Reference) 와 대안 대립유전자 (Alternate) 시퀀스를 모두 인코딩하여 변이의 영향을 학습.
• 예측 방식:
  • 변이로부터 256kb(또는 131kb) 이내의 모든 유전자를 스코어링하여 인과적일 가능성을 예측. 가장 가까운 유전자에 의존하지 않고 시퀀스 기반의 조절 논리를 직접 학습.

3. 주요 기여 (Key Contributions)

1. 근접성 편향 극복: DNA 시퀀스만으로 비코딩 변이와 표적 유전자의 관계를 예측하여, 거리 기반 휴리스틱에 의존하지 않는 새로운 V2G 매핑 프레임워크 제시.
2. 광범위한 검증: 다양한 복잡형질 (제 2 형 당뇨병, 고혈압, 천식, 건선) 과 골다공증에 적용하여 모델의 일반화 능력 입증.
3. 실험적 검증 (Osteoporosis Case Study): 예측된 유전자들을 인간 조골세포 (Osteoblast) 에서 CRISPR/Cas9 을 이용한 녹아웃 (Knock-out) 스크리닝을 통해 기능적으로 검증.
4. 새로운 생물학적 통찰: 골다공증 위험과 관련된 유전자가 주로 변이에서 멀리 떨어진 (Distal) 위치에 있음을 실험적으로 증명하고, 1 차 섬모 (Primary Cilium) 구조 유지 유전자의 역할을 규명.

4. 결과 (Results)

• 벤치마크 성능:
  • GTEx 데이터셋에서 Rosalind 는 기존 Enformer 모델 및 거리 기반 베이스라인 모델보다 인과적 변이 - 유전자 쌍을 식별하는 정확도 (AUROC/AUPRC) 가 우수함.
  • 특히 변이와 유전자의 거리가 멀어질수록 성능 저하가 적어, 기존 모델이 놓치는 원거리 유전자를 효과적으로 포착함.
• GWAS 적용 및 약물 표적 재발견:
  • 4 가지 주요 질환 (T2D, 고혈압 등) 에 적용 시, Open Targets 의 L2G 모델이 예측한 유전자 중 20% 미만이 원거리 유전자인 반면, Rosalind 는 2 배 이상 높은 비율의 원거리 유전자를 우선순위화함.
  • Rosalind 는 L2G 가 놓친 승인된 약물 표적 (예: 당뇨병의 GIPR, NDUFA7, 고혈압의 GUCY1B1) 을 성공적으로 재발견함.
• 골다공증 실험적 검증:
  • 예측: 1,103 개의 골밀도 (eBMD) GWAS 신호에 대해 Rosalind 는 239 개의 고신뢰도 위험 유전자를 예측했으며, 그 중 대다수가 원거리 유전자였음.
  • CRISPR 스크리닝: 인간 조골세포에서 예측된 유전자와 '가장 가까운 유전자 (Nearest Gene)'를 각각 녹아웃하여 미네랄화 (Mineralization) 영향을 측정.
  • 결과: Rosalind 가 예측한 원거리 유전자가 가장 가까운 유전자보다 골 형성 표현형에 유의미하게 더 큰 영향을 미치는 것으로 확인됨 (McNemar's test, p=0.011).
  • 새로운 발견:
    • FDPS: 변이 rs914615 의 가장 가까운 유전자는 THBS3 였으나, Rosalind 는 FDPS 를 예측. FDPS 는 이산화탄소 억제제 (Bisphosphonate) 의 표적이며, 골다공증 치료와 직접적인 관련이 있음.
    • CHUK: 변이 rs603424 의 가장 가까운 유전자는 PKD2L1 이었으나, Rosalind 는 NF-κB 조절 인자인 CHUK 를 예측.
    • 1 차 섬모 (Primary Cilium): CATIP 와 GANAB 와 같은 1 차 섬모 구조 관련 유전자가 골다공증 위험과 연관됨을 발견. 이는 기존 GWAS 에서 간과되었던 메커니즘임.

5. 의의 및 결론 (Significance)

• 신약 개발 가속화: 인간 유전체 데이터를 기반으로 한 딥러닝 모델이 비코딩 영역의 복잡한 조절 네트워크를 해석하여, 임상 성공 확률이 높은 새로운 약물 표적을 발굴할 수 있음을 입증함.
• 근접성 편향의 해법: 단순한 거리 기반 추정을 넘어, DNA 시퀀스 자체의 조절 문법 (Regulatory Syntax) 을 학습하여 실제 생물학적 인과 관계를 규명하는 새로운 패러다임을 제시함.
• 확장 가능성: 이 프레임워크는 골다공증뿐만 아니라 다양한 복잡형질 질환에 적용 가능한 확장 가능한 (Scalable) 도구로, 표적 발굴 프로세스의 효율성을 크게 향상시킬 것으로 기대됨.

요약하자면, 이 논문은 Rosalind라는 AI 모델을 통해 GWAS 신호에서 **가장 가까운 유전자가 아닌 실제 조절 유전자 (Distal Genes)**를 정확히 찾아내고, 이를 실험적으로 검증하여 골다공증 치료에 대한 새로운 통찰을 제공한 획기적인 연구입니다.