Comparing bulk and single-cell methodologies and models to profile gene expression, chromatin accessibility and regulatory links in endothelial cells treated with TNFα

이 연구는 TNFα 처리된 인간 내피 세포를 대상으로 bulk 와 단일세포 (sc) 시퀀싱 데이터 및 예측 모델을 비교한 결과, 두 접근법이 유사한 생물학적 경로를 포착하지만 GWAS 유전자의 인과적 연결 및 유전력 추정 등 예측 결과에는 중요한 차이가 있음을 규명하여 유전체 연구 설계 시 방법론 선택의 중요성을 강조했습니다.

핵심

이 연구는 우리 몸의 혈관 내벽을 이루는 '혈관 세포'가 어떻게 작동하는지를 이해하기 위해, 두 가지 다른 '카메라'로 찍은 사진을 비교한 이야기입니다.

이 연구의 핵심을 쉽게 설명해 드릴게요.

1. 배경: 유전자의 비밀을 찾아서

우리의 몸은 DNA라는 거대한 설계도로 만들어졌습니다. 그런데 최근 연구들은 질병 (심장병, 고혈압 등) 과 관련된 유전적 변이가 대부분 DNA 의 '코딩' 부분이 아니라, 유전자를 켜거나 끄는 '스위치 (조절자)' 부분에 있다는 것을 발견했습니다.

문제는 이 스위치가 어떤 유전자를 조절하는지 정확히 알기 어렵다는 것입니다. 마치 전등 스위치가 어떤 방의 전구를 켜는지 알기 위해 벽을 다 뜯어봐야 하는 것처럼요.

2. 두 가지 카메라: '대량 촬영' vs '단일 세포 촬영'

연구진은 이 스위치와 전구 (유전자) 의 관계를 찾기 위해 두 가지 다른 방법을 사용했습니다.

• 방법 A (벌크/Bulk): "스무디를 만드는 법"
  • 수백만 개의 세포를 통째로 갈아서 섞은 뒤, 그 전체의 평균 상태를 측정합니다.
  • 장점: 신호가 뚜렷하고 잡음이 적어 큰 흐름을 파악하기 좋습니다.
  • 단점: 개별 세포의 미세한 차이는 사라집니다. (예: 빨간색과 파란색을 섞으면 보라색이 되어버림)
• 방법 B (단일 세포/Single-cell): "개별 사진을 찍는 법"
  • 세포 하나하나를 따로따로 분리해서 각각의 상태를 정밀하게 촬영합니다.
  • 장점: 세포마다 다른 비밀을 찾아낼 수 있습니다.
  • 단점: 개별 세포의 신호가 약해서 작은 소리 (미세한 변화) 를 놓치기 쉽습니다.

3. 실험 내용: 염증 반응을 지켜보다

연구진은 혈관 세포에 **'TNF-알파'**라는 염증 물질을 주어, 세포가 "화났다!"라고 반응하는 상황을 만들었습니다. 그리고 위 두 가지 방법으로 그 반응을 관찰했습니다.

결과 1: 큰 그림은 비슷했다.
두 방법으로 찍은 사진을 비교해보니, 세포가 어떤 반응을 보이는지 (예: 어떤 유전자가 켜졌는지) 에 대한 큰 흐름은 거의 똑같았습니다. 마치 스무디와 개별 과일 조각을 따로 봐도 "과일이다"라는 점은 같다는 것과 같습니다.

결과 2: 하지만 세부적인 연결은 달랐다!
여기서 흥미로운 반전이 일어났습니다. "어떤 스위치가 어떤 유전자를 조절하는가?"를 예측하는 모델을 두 가지 데이터에 적용했을 때, 서로 다른 결론이 나왔습니다.

• 예시: 같은 유전자 스위치 (A) 가 있다고 칩시다.
  • 대량 촬영 (A) 모델은 "이 스위치는 B 유전자를 켠다"고 말합니다.
  • 단일 세포 촬영 (B) 모델은 "아니, 이 스위치는 C 유전자를 켠다"고 주장합니다.
  • 실제로는 B 나 C 중 하나가 진짜일 텐데, 어떤 방법을 쓰느냐에 따라 연구진이 실험할 대상이 완전히 달라지는 것입니다.

4. 왜 중요한가? (심장병 연구에 미치는 영향)

이 연구는 심장병 (관상동맥 질환) 과 관련된 유전자를 찾을 때, 어떤 데이터를 기반으로 예측 모델을 쓰느냐에 따라 '진짜 원인 유전자'가 달라질 수 있다는 것을 보여줍니다.

• 비유: 만약 우리가 심장병을 치료하기 위해 '열쇠'를 찾아야 한다면, 대량 촬영 데이터를 믿고 찾은 열쇠와 단일 세포 데이터를 믿고 찾은 열쇠가 서로 다른 문 (유전자) 을 여는 열쇠일 수 있다는 뜻입니다.

5. 결론: 두 가지 눈을 모두 뜨자

이 연구는 "어느 한쪽이 무조건 옳다"라고 말하지 않습니다. 대신, **"두 가지 방법을 모두 고려해서, 서로 다른 관점에서 유전자의 비밀을 찾아야 한다"**고 조언합니다.

• 대량 촬영은 전체적인 흐름을 잡고,
• 단일 세포 촬영은 숨겨진 미세한 차이를 찾아내는 데 도움을 줍니다.

이 두 가지 방법을 잘 조합해야만, 유전 질환의 원인을 정확히 파악하고 더 효과적인 치료법을 개발할 수 있다는 것이 이 연구가 전하는 가장 중요한 메시지입니다.

기술 요약

이 논문은 대량 (Bulk) 및 단일 세포 (Single-cell, sc) 시퀀싱 방법론과 이를 기반으로 한 유전자 발현 및 크로마틴 접근성 프로파일링이 혈관 내피 세포에서 어떻게 유전적 변이와 유전자 간의 조절 연결 (Regulatory links) 을 예측하는지에 미치는 영향을 비교 분석한 연구입니다.

주요 내용은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 전장 유전체 연관 분석 (GWAS) 을 통해 수천 개의 비코딩 (non-coding) 변이가 복잡한 형질 및 질병과 연관되어 있음이 밝혀졌습니다. 하지만 이러한 변이가 어떤 유전자를 조절하여 질병을 유발하는지 (인과 유전자 규명) 를 특정하는 것은 여전히 어렵습니다.
• 문제: 인과적 비코딩 변이와 유전자를 연결하기 위해 염색체 구조 (3C, HiC 등) 를 직접 측정하거나, 통계적 모델을 사용하여 예측합니다. 최근에는 단일 세포 (sc) 기술의 발전으로 세포 간 이질성을 반영한 예측 모델이 등장했으나, 동일한 실험 시스템에서 Bulk 데이터와 sc 데이터를 기반으로 한 예측 모델의 결과가 일치하는지, 그리고 어떤 차이가 발생하는지에 대한 명확한 비교 연구는 부족했습니다.

2. 방법론 (Methodology)

• 실험 모델: 인간 대동맥 내피 세포 (teloHAEC) 를 사용하였으며, 대조군 (Non-treated, NT) 과 염증성 사이토카인인 TNFα로 처리한 군 (4 시간 및 24 시간) 을 비교했습니다.
• 데이터 수집:
  • Bulk 데이터: 기존에 공개된 Bulk RNA-seq, ATAC-seq, H3K27ac ChIP-seq, HiC 데이터 (GSE126200) 를 재분석했습니다.
  • Single-cell 데이터: 동일한 조건에서 10X Genomics Multiome 기술 (scRNA-seq + scATAC-seq) 을 사용하여 새로운 데이터를 생성했습니다.
• 조절 연결 예측 모델 비교:
  • Bulk 기반 모델: ABC (Activity-by-Contact) 모델을 사용하여 Bulk 데이터 (ATAC-seq, H3K27ac, HiC) 로부터 후보 cis-조절 요소 (cCRE) 와 유전자 간의 연결을 예측했습니다.
  • Single-cell 기반 모델: scE2G 모델을 사용하여 sc-multiome 데이터 (scRNA-seq + scATAC-seq) 로부터 조절 연결을 예측했습니다.
• 분석: 두 모델이 예측한 조절 연결의 일치도, 관상동맥질환 (CAD) 및 이완기 혈압 (DBP) GWAS 신호의 유전력 (Heritability) 포착 능력, 그리고 Open Targets 데이터베이스를 활용한 인과 유전자 우선순위 지정 (Prioritization) 결과를 비교했습니다.

3. 주요 결과 (Key Results)

• 전사체 및 크로마틴 데이터의 일치성: Bulk 와 sc RNA-seq/ATAC-seq 데이터는 전반적으로 높은 상관관계를 보였으며, TNFα 처리에 따른 생물학적 경로 (Biological pathways) 도 유사하게 포착했습니다. 다만, Bulk 데이터가 더 높은 통계적 검정력 (Power) 을 가져 더 많은 차등 발현 유전자 (DEG) 와 차등 개방 크로마틴 영역 (DOP) 을 탐지했습니다.
• 조절 연결 예측의 불일치:
  • 두 모델이 예측한 cCRE-유전자 연결 중 약 15-32% 만이 일치했습니다.
  • scE2G 모델은 프로모터 (Promoter) 영역을 포함한 짧은 거리의 연결을 더 많이 예측하는 반면, ABC 모델은 프로모터를 제외하고 더 먼 거리의 조절 연결을 예측하는 경향이 있었습니다.
• GWAS 신호 포착 능력: 두 모델 모두 CAD 와 DBP 의 유전력 및 fine-mapped 변이 (정밀 매핑된 변이) 를 유의미하게 포착했으나, 포착된 유전자의 종류가 모델에 따라 달랐습니다.
• 인과 유전자 우선순위 지정의 차이 (핵심 발견):
  • 예시 1 (TGFB1): 두 모델 모두 동일한 유전자를 예측하여 일치했습니다.
  • 예시 2 (IL6R): Bulk 데이터는 IL6R 과의 연결을 예측하지 못했으나, scE2G 모델만이 IL6R 과의 조절 연결을 예측했습니다.
  • 예시 3 (BCAR1/CFDP1): 동일한 GWAS 변이 위치에서 ABC 모델은 BCAR1을, scE2G 모델은 CFDP1을 인과 유전자로 예측하여 완전히 다른 결론을 내렸습니다.
  • Open Targets 점수 (Open Targets association scores) 분석 결과, 두 모델이 모두 예측한 유전자의 점수가 가장 높았으나, 모델별로만 예측된 유전자들도 존재했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

• 방법론적 통찰: Bulk 와 sc 데이터는 생물학적 경향성에서는 유사하지만, 조절 연결 (Enhancer-to-gene) 을 예측하는 통계 모델에 적용될 때 인과 유전자 후보 선정에 중대한 차이를 초래할 수 있음을 최초로 체계적으로 증명했습니다.
• 실무적 함의: GWAS 발견 결과를 기능적 실험 (Functional experiments) 으로 검증할 때, 어떤 데이터 유형 (Bulk vs sc) 과 어떤 예측 모델을 사용하는지에 따라 실험 대상 유전자가 달라질 수 있음을 강조합니다.
• 미래 방향: 단일 세포 데이터의 이질성 (Cell-to-cell variability) 을 반영하는 sc-multiome 데이터와 3D 염색체 구조 정보를 제공하는 Bulk 데이터의 장점을 통합하는 접근법이 보다 강력한 예측 프레임워크를 제공할 수 있음을 시사합니다.

5. 결론

이 연구는 혈관 내피 세포를 모델로 하여, Bulk 와 Single-cell 기반의 조절 연결 예측 모델이 GWAS 변이와 인과 유전자를 연결하는 방식에 있어 일치하지 않는 경우가 많음을 보여주었습니다. 특히, 동일한 유전체 위치에서 서로 다른 유전자를 인과 후보로 지목하는 경우가 빈번하게 발생하므로, GWAS 기반의 기능적 연구 설계 시 데이터 소스와 예측 모델의 선택이 매우 중요하며, 필요시 여러 모델을 조합하거나 HiC, eQTL 등 다른 증거와 함께 고려해야 함을 강조합니다.