Epistasis and the changing fitness landscapes of SARS-CoV-2

이 논문은 SARS-CoV-2 변이체 간의 유전적 배경 차이가 비동义적 돌연변이의 적합도 비용에 영향을 미치는 상호작용 (에피스타시스) 을 통해 적합도 지형이 어떻게 변화하는지를 분석하고, 변이체 간 불일치가 돌연변이 효과에 미치는 영향을 정량화한 연구입니다.

핵심

이 논문은 SARS-CoV-2(코로나바이러스)가 어떻게 진화해 왔는지, 그리고 왜 같은 바이러스가 변이될 때마다 약간의 변화가 완전히 다른 결과를 낳는지를 설명합니다.

핵심 주제는 **'에피스타시스 **(Epistasis)라는 생물학 용어인데, 이를 쉽게 풀어서 **유전자의 '팀워크'나 '상황에 따른 반응'**이라고 생각하시면 됩니다.

아래는 이 논문의 내용을 일상적인 비유로 풀어낸 설명입니다.

---

🦠 코로나바이러스의 진화: "상황에 따라 달라지는 규칙"

1. 거대한 데이터의 보물상자

지난 5 년 동안 전 세계는 코로나바이러스의 유전자 지도 (게놈) 를 수백만 개나 만들어냈습니다. 마치 수백만 개의 퍼즐 조각을 모은 것과 같습니다. 과학자들은 이 조각들을 분석해서 "어떤 유전자 변화가 바이러스를 더 강하게 만들었는지, 혹은 약하게 만들었는지"를 계산해 냈습니다.

2. 문제는 "상황"입니다 (에피스타시스)

여기서 재미있는 일이 발생합니다.

• 비유: 같은 **레시피 **(유전자 변화)가 있습니다.
  • **델타 변이 **(21J)라는 주방에서는 이 레시피가 **맛있는 요리 **(바이러스에게 유리함)가 됩니다.
  • 하지만 **오미크론 변이 **(21K)라는 다른 주방에서는 같은 레시피가 **타고 버린 요리 **(바이러스에게 불리함)가 됩니다.

왜 그럴까요? 바로 **주방의 다른 재료들 **(다른 유전자들) 때문입니다.
이 논문의 핵심은 **"어떤 유전자 변화의 효과는, 그 바이러스가 이미 가지고 있는 다른 유전자들 **(배경)이라는 사실을 밝혀낸 것입니다. 이를 생물학 용어로 **'에피스타시스 **(상호작용)라고 합니다.

3. 연구팀이 한 일: "유전자 간의 친구 관계" 찾기

연구팀은 수백만 개의 데이터를 분석하여 다음과 같은 질문을 던졌습니다.

"어떤 변이가 생겼을 때, 그 효과가 달라지는 이유는 무엇일까?"

그들은 **유전자들 사이의 '친구 관계 **(상호작용)를 찾아내는 수학적 모델을 만들었습니다.

• 비유: 바이러스 유전자를 거대한 축구 팀이라고 상상해 보세요.
  • 어떤 선수가 (유전자 A) 골을 넣는 능력은, 그 선수가 혼자 뛰는 게 아니라 **동료들 **(유전자 B, C, D)에 따라 달라집니다.
  • 팀의 다른 선수들이 바뀌면 (변이가 생기면), 그 선수가 골을 넣는 능력도 바뀝니다.

연구팀은 이 모델을 통해 **"유전자 A 가 변했을 때, 그 효과가 바뀌는 이유는 유전자 B, C, D 와의 '친구 관계' 때문"**이라는 것을 증명했습니다. 특히, **유전자가 물리적으로 가까이 있는 경우 **(접촉하는 경우) 서로 영향을 많이 미친다는 것을 발견했습니다.

4. 주요 발견: "한 번의 변화가 여러 곳에 영향을 준다"

연구 결과는 놀라웠습니다.

• 바이러스가 **단 하나의 유전자 **(예: 스파이크 단백질의 특정 부위)를 바꿀 때마다, 그 변화는 주변의 다른 1~3 개의 유전자 효과까지 함께 바꿔버립니다.
• 마치 도미노처럼, 한 장이 넘어지면 주변 여러 장이 함께 넘어지는 것과 같습니다.
• 특히 오미크론이 등장했을 때, 스파이크 단백질의 여러 부분이 한꺼번에 바뀌면서 (약 50 개의 돌연변이), 바이러스의 전체적인 '성격'이 완전히 달라진 이유가 바로 이 복잡한 상호작용 때문이었습니다.

5. 왜 이 연구가 중요한가요?

이 연구는 우리에게 중요한 교훈을 줍니다.

• 과거의 데이터는 미래의 정답이 아니다: "어떤 백신이나 약이 델타 변이에는 효과가 있었다"고 해서, 오미크론 변이에도 똑같이 효과가 있을 것이라고 장담할 수 없습니다. 바이러스의 '배경'이 바뀌었기 때문입니다.
• 예측의 정확도 향상: 이제 우리는 바이러스가 어떻게 진화할지 더 잘 예측할 수 있게 되었습니다. 단순히 "어떤 유전자가 변하는가"만 보는 것이 아니라, **"그 유전자가 어떤 팀 **(배경)을 함께 고려해야 하기 때문입니다.

📝 한 줄 요약

"코로나바이러스는 혼자 변하지 않는다. 한 유전자의 변화는 다른 유전자들과의 '팀워크'에 따라 그 효과가 달라지는데, 이 복잡한 관계를 수학적으로 밝혀내어 바이러스의 진화 방향을 더 잘 이해할 수 있게 되었다."

이 연구는 마치 거대한 퍼즐을 맞추는 과정에서, 단순히 조각 하나하나의 모양만 보는 것이 아니라 조각들이 어떻게 서로 맞물려 있는지를 이해함으로써, 앞으로 어떤 그림이 완성될지 더 정확하게 예측할 수 있게 해준 것입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: SARS-CoV-2 의 등장 이후 전 세계적으로 수백만 개의 게놈 시퀀스가 생성되었습니다. 이러한 방대한 데이터는 바이러스 진화를 고해상도로 분석할 수 있는 기회를 제공합니다. 특히, 특정 유전적 위치 (site) 에서 수천 번 독립적으로 발생한 돌연변이들을 관찰할 수 있게 되었습니다.
• 기존 접근법의 한계: 기존 연구들은 주로 단일 변이 (mutation) 의 적합도 효과 (fitness effect) 를 추정하거나, Deep Mutational Scanning (DMS) 실험을 통해 특정 변이 (주로 스파이크 단백질의 RBD 영역) 에 대한 적합도를 측정했습니다. 그러나 DMS 는 실험적 제약으로 인해 전 게놈을 커버하기 어렵고, 자연 발생 데이터 기반 분석은 주로 '단일 변이의 적합도'에 집중하여 유전적 배경 (genetic background) 에 따라 변이의 적합도 효과가 어떻게 변하는지 (에피스타시스) 를 체계적으로 분석하지 못했습니다.
• 핵심 질문: SARS-CoV-2 가 다양한 변이 (Delta, Omicron 등) 로 진화하면서, 유전적 배경이 달라질 때 특정 아미노산 돌연변이의 적합도 비용 (fitness cost) 이 어떻게 변화하는가? 이 변화는 어떤 에피스타시스 (상호작용) 메커니즘에 의해 설명될 수 있는가?

2. 방법론 (Methodology)

저자들은 전 세계 SARS-CoV-2 시퀀스 데이터 (GISAID, UShER 트리 기반) 를 활용하여 다음과 같은 분석 절차를 수행했습니다.

• 적합도 효과 추정:
  • 중립 진화 (neutral evolution) 기대치 대비 관찰된 돌연변이 발생 횟수를 비교하여 각 위치별 돌연변이의 적합도 효과 ($\Delta f$) 를 추정했습니다.
  • 유전적 배경이 거의 일정한 각 계통 (clade) 내에서 독립적으로 적합도 효과를 추정하여, 계통 간 차이 ($\Delta \Delta f$) 를 분석했습니다.
• 에피스타시스 신호 정량화:
  • 서로 다른 계통 (a, b) 에서 동일한 돌연변이의 적합도 효과 차이를 부호付き z-score ($z_{ab}$) 로 정의하여 정량화했습니다.
  • 이 z-score 분포가 무작위 변동 (noise) 을 넘어선다면, 이는 유전적 배경 차이 (에피스타시스) 나 시간적 선택 압력 변화에 기인한다고 판단했습니다.
• 쌍별 상호작용 모델 (Pairwise Interaction Model) 개발:
  • 일반화된 Potts 모델을 기반으로 한 에피스타시스 모델을 도입했습니다.
  • 돌연변이 $\sigma_i \to \sigma'_i$의 적합도 효과는 고유한 효과 ($h_i$) 와 배경 아미노산 ($\sigma_j$) 과의 쌍별 상호작용 ($J_{ij}$) 의 합으로 표현됩니다.
  • 모델 식: $\Delta f^a_i = h_i + \sum_{j \neq i} J_{ij}(\sigma'_i, \sigma^a_j)$.
  • 계통 간 적합도 차이 ($\Delta \Delta f$) 는 배경 아미노산이 다른 위치 ($j$) 들과의 상호작용 차이로 설명됩니다.
• 모델 추론 및 정규화:
  • 파라미터 수가 제약 조건보다 많아 과적합 (overfitting) 을 방지하기 위해 Elastic Net 정규화를 적용했습니다.
  • 특히, 단백질 3 차원 구조 (PDB 및 AlphaFold 모델) 기반의 거리 의존적 정규화 (distance-dependent regularization) 를 도입하여, 공간적으로 가까운 아미노산 간 상호작용을 더 강력하게 가중치 부여했습니다. 이는 생물학적 타당성을 높이고 파라미터의 퇴화 (degeneracy) 를 해결합니다.

3. 주요 결과 (Key Results)

• 적합도 지형의 변화 확인:
  • Delta (21J) 와 Omicron BA.1 (21K) 과 같은 서로 다른 계통 간에 돌연변이의 적합도 효과가 크게 달라지는 경우가 많았습니다. (예: Delta 에서는 유익했던 돌연변이가 Omicron 에서는 해로울 수 있음).
  • 이러한 적합도 효과의 변화는 무작위 오차보다 훨씬 큰 분산을 보였으며, 이는 에피스타시스와 시간적 변화의 복합적 결과임을 시사했습니다.
• 에피스타시스의 공간적 국소화:
  • 적합도 효과가 크게 변하는 위치들은 두 계통 간의 배경 아미노산 불일치 (mismatch) 위치와 물리적으로 가까운 곳에 집중되어 있었습니다.
  • 무작위 벤치마크와 비교 시, 높은 z-score 를 가진 위치들이 배경 불일치 위치 근처에 있을 확률이 통계적으로 유의미하게 높았습니다.
• 상호작용 네트워크 및 영향력:
  • 추론된 상호작용 매핑 ($J_{ij}$) 은 스파이크 단백질의 기능적 도메인 (NTD, RBD) 내에서 구조적으로 밀집된 상호작용 클러스터를 보여주었습니다.
  • 핵심 발견: 각 배경 불일치 (mismatch) 는 평균적으로 1~3 개의 추가적인 위치에서 돌연변이 효과에 상당한 변화를 일으킵니다. 즉, 하나의 변이가 전체 적합도 지형을 광범위하게 재구성할 수 있음을 의미합니다.
  • RBD 의 371, 417, 452, 486 번 위치 등 주요 면역 회피 및 ACE2 결합 부위가 에피스타시스 상호작용의 중심 hub 로 확인되었습니다.
• 모델 검증:
  • 훈련/테스트 세트 분리: 훈련 데이터 (20A~23H) 로 추론된 상호작용 파라미터를 사용하여, 훈련 데이터에 없는 새로운 변이 (23I, 24A/JN.1) 간의 적합도 변화 예측을 시도했습니다. 모델은 관측된 적합도 차이의 약 50% 를 설명할 수 있었습니다.
  • DMS 실험 데이터와의 비교: Dadonaite et al. 의 실험적 DMS 데이터와 비교한 결과, 모델이 예측한 적합도 변화와 실험적 변화 사이에 중간 정도의 상관관계 (Pearson $r \approx 0.32$) 가 있었습니다. 이는 모델이 실험적으로 포착된 경향성을 잘 반영하고 있음을 보여줍니다.

4. 주요 기여 (Key Contributions)

1. 자연 발생 데이터 기반 전 게놈 에피스타시스 매핑: DMS 실험의 한계를 넘어, 수백만 개의 자연 발생 시퀀스를 활용하여 SARS-CoV-2 전 게놈 (특히 스파이크 단백질) 의 에피스타시스 상호작용을 체계적으로 추론했습니다.
2. 변화하는 적합도 지형의 정량적 설명: 변이 간 유전적 배경 차이가 어떻게 돌연변이 효과를 변화시키는지, 그리고 이것이 단백질 3 차원 구조와 어떻게 연관되는지를 정량적으로 규명했습니다.
3. 예측 모델 개발: 훈련된 에피스타시스 모델을 통해 새로운 변이 (예: JN.1) 에 대한 적합도 변화를 부분적으로 예측할 수 있는 프레임워크를 제시했습니다. 이는 향후 변이 출현 시 백신 및 치료제 효능 예측에 기여할 수 있습니다.
4. 방법론적 혁신: 단백질 구조 정보를 활용한 거리 기반 정규화를 도입하여, 고차원 에피스타시스 모델 추론의 안정성과 해석 가능성을 높였습니다.

5. 의의 및 결론 (Significance)

• 진화 역학 이해: SARS-CoV-2 가 어떻게 빠른 속도로 새로운 변이를 만들어내며 면역 회피를 달성하는지에 대한 깊은 통찰을 제공합니다. 단일 돌연변이의 효과가 고정된 것이 아니라, 바이러스의 현재 유전적 배경에 따라 역동적으로 변한다는 점을 강조합니다.
• 공중보건 대응: 향후 SARS-CoV-2 의 진화 경로를 예측하고, 새로운 변이가 어떤 적합도 이점 (또는 비용) 을 가질지 예측하는 데 활용될 수 있습니다. 이는 백신 업데이트 전략 및 항바이러스제 개발에 중요한 정보를 제공합니다.
• 확장 가능성: 이 연구에서 제시된 방법론은 SARS-CoV-2 에 국한되지 않고, 다른 RNA 바이러스의 진화 연구 및 적합도 지형 분석에도 적용 가능한 일반적인 프레임워크로 평가됩니다.

요약하자면, 이 논문은 방대한 유전체 데이터를 활용하여 SARS-CoV-2 의 에피스타시스 (상호작용) 가 어떻게 변이 간 적합도 지형을 재구성하는지를 규명하고, 이를 통해 바이러스 진화의 미래 경로를 예측할 수 있는 강력한 계산 모델을 제시한 획기적인 연구입니다.