A Rarefaction Approach to Identify Local Introgression in a Three Population Tree

인류 진화의 역사는 단순히 우리로 이어지는 조상들의 직선적인 행렬이 아니라, 서로 다른 집단이 만나고, 섞이고, 유전 물질을 교환했던 뒤엉킨 그물망과 같습니다. '인트로그레션(introgression, 유전자 유입)'이라고 알려진 이 과정은 두 개의 별개 집단이 서로 교배할 때 발생하며, 오늘날 그 후손들에게서 발견될 수 있는 공유된 DNA의 흔적을 남깁니다. 수십 년 동안 과학자들은 전체 게놈 전반에 걸쳐 이러한 고대의 혼합을 탐지하기 위해 특정 수학적 도구를 사용해 왔습니다. 이 도구는 세 집단과, 어떤 유전적 변화가 새로운 것이고 어떤 것이 오래된 것인지 결정하기 위한 기준점 역할을 하는 멀리 떨어진 네 번째 집단 사이에서 유전적 변이가 어떻게 공유되는지의 불균형을 살펴보는 방식으로 작동합니다. 이 방법은 대규모의 혼합 사건을 포착하는 데는 매우 뛰어났지만, 연구자들이 혼합이 일어난 구체적이고 작은 DNA 조각들을 찾아내려 할 때, 특히 데이터가 지저분하거나 비교하는 집단 간의 개체 수가 다를 때 어려움을 겪었습니다.

새로운 연구에서 연구자 T. 퀸 스미스(T. Quinn Smith)와 재커리 A. 스피치(Zachary A. Szpiech)는 이러한 문제들을 해결하기 위해 신선한 접근 방식을 개발했습니다. 그들은 데이터가 불완전하거나 샘플 크기가 불균형하더라도 고대의 DNA가 현대 인구 집단에 정확히 어디로 들어왔는지 지목할 수 있도록 설계된 새로운 방법을 만들었습니다. 각 집단의 개체 수를 조정하는 통계적 기법을 적용함으로써, 그들의 새로운 도구는 이전 방법들보다 더 높은 정확도로 이러한 유전적 흔적을 식별할 수 있습니다. 연구팀은 인류 집단의 복잡한 역사를 모사한 컴퓨터 시뮬레이션을 사용하여 이들의 접근 방식을 광범로 테스트했습니다. 그 결과, 그들의 방법이 데이터가 불완전하거나 연구 대상 집단이 서로 다른 속도로 진화했을 때도 더 신뢰할 수 있으며, 오류를 범할 가능성이 낮다는 것을 발견했습니다. 이들의 실제 가치를 증명하기 위해, 연구진은 이 도구를 현대 파푸아인들의 DNA에 적용하여 고대 인류 친척인 데니소바인으로부터 물려받은 특정 DNA 구간을 성공적으로 식별해 냈으며, 여기에는 면역 체계에서 중요한 역할을 하는 유전자들이 포함되어 있었습니다.

연구진이 해결한 핵심 과제는 고대의 혼합으로 인한 유전적 유사성과 인구의 성장 및 감소와 같은 다른 요인들로 인한 유사성을 구별하는 것의 어려움입니다. 이 분야에서 널리 사용되는 전통적인 방법은 네 집단 사이에서 특정 유전적 패턴이 얼마나 자주 나타나는지를 세는 것에 의존합니다. 이 방법은 어떤 유전적 변이가 원래의 것인지 그리고 어떤 것이 새로운 돌연변이인지를 연구자들에게 알려줄 '참조(reference)' 집단, 보통 고대 또는 멀리 떨어진 집단을 필요로 합니다. 그러나 이러한 참조 집단은 항상 가용한 것이 아니며, 설령 가용하더라도 이 방법은 게놈의 작은 부분에 적용되거나 각 집단의 샘별 개체 수가 크게 다를 때 종종 실패합니다. 만약 한 집단이 다른 집단보다 훨씬 더 많은 개체를 가지고 있다면, 전통적인 도구는 혼합이 없는데도 혼합이 있는 것처럼 착각하거나, 혹은 혼합을 놓칠 수도 있습니다.

스미스와 스피치의 해결책은 생태학에서 종의 다양성을 비교할 때 사용하는 기법인 '희소화(rarefaction)'라는 개념을 포함합니다. 이들의 새로운 방법에서는 유전적 변이의 연대를 결정하기 위해 참조 집단을 필요로 하지 않습니다. 대신, 그들은 두 집단 사이에서 나타나는 독특한 유전적 서명을 살펴봅니다. 그들은 각 집단에서 추출한 더 작고 표준화된 샘플에서 특정 유전적 변이를 발견할 확률을 계산합니다. 이렇게 함으로써, 그들은 운동장을 평평하게 만들어, 많은 샘플을 가진 집단이 샘플이 적은 집단에 대해 불공정하게 가중치를 갖지 않도록 합니다. 이를 통해 그들은 두 집단 사이에서 독점적으로 공유되는 유전적 변이가 얼마나 되는지를 셀 수 있으며, 이는 두 집단이 과거에 DNA를 교환했다는 강력한 신호 역할을 합니다.

연구진은 인류 집단의 역사를 재현한 컴퓨터 시뮬레이션을 사용하여 새로운 방법을 엄격하게 테스트했습니다. 그들은 집단이 분리되고, 특정 시기에 혼합되며, 그 후 계속해서 진화하는 시나리오들을 만들었습니다. 그들은 자신들의 방법을 전통적인 접근 방식과 복잡한 컴퓨터 모델에 의존하는 다른 현대적 기술들을 포함한 여러 기존 도구들과 비교 테스트했습니다. 이러한 시뮬레이션에서 새로운 방법은 지속적으로 다른 방법들을 압도했습니다. 그것은 혼합된 특정 DNA 조각들을 올바르게 식별하는 데 더 뛰어났으며, 허위 경보(false alarms)도 더 적게 발생시켰습니다. 결정적으로, 새로운 방법은 참조 집단을 완전히 제거한 상황에서도 정확성을 유지했는데, 이는 전통적인 방법이 그 힘을 잃게 만드는 단계였습니다. 또한, 연구자들이 실제 연구에서 흔히 겪는 상황인, 즉 어떤 유전적 변이가 오래된 것인지 새로운 것인지에 대한 정보가 뒤섞인 '탈편향(depolarized)' 상태에서도 잘 버텨냈습니다.

이 연구는 새로운 방법이 고대 DNA의 무질서한 현실을 어떻게 처리할지도 조사했습니다. 오래된 뼈에서 나온 DNA는 종종 손상되어, 조각이 빠져 있거나 화학적 변화가 일어나 실제와 다른 유전적 변이처럼 보이기도 합니다. 연구진은 누락된 데이터와 화학적 손상을 포함한 이러한 오류들을 시뮬레이션했으며, 그 결과 새로운 방법이 견고하다는 것을 발견했습니다. 누락된 데이터의 존재가 모든 방법의 진실 탐지 능력을 저하시시켰음에도 불구하고, 새로운 접근 방식은 경쟁 방법들보다 더 신뢰할 수 있었습니다. 특히 집단 간 샘플 수가 불균형할 때, 즉 어떤 인구 집단은 충분히 샘플링된 반면 다른 집단은 그렇지 않은 유전학 연구의 흔한 상황에서 매우 효과적이었습니다.

실제 적용 사례를 보여주기 위해, 팀은 현대 파푸아인들의 데이터와 데니소바인의 DNA 샘플을 활용했습니다. 파푸아인들은 아시아와 오세아니아에 살았던 고대 인류 집단인 데니소바인의 DNA를 상당 부분 보유하고 있는 것으로 알려져 있습니다. 연구진은 이 새로운 도구를 사용하여 17명의 파푸아인 개인과 1명의 데니소바인 샘플의 게놈을 스캔하여, 이 고대 혼합이 일어난 구체적인 영역을 찾았습니다. 그들은 데니소바인으로부터 상속되었을 가능성이 높은 여러 DNA 블록을 식별했습니다. 이 블록들 중 다수는 RRM1, HIC2, BANK1, CLEC2A, LRBA와 같이 면역 체계와 관련된 유전자들을 포함하고 있었습니다. 이러한 발견은 고대 인류와의 혼합이 현대 인구 집단에게, 특히 지역 질병과 싸우는 데 있어 유전적 이점을 제공했다는 생각과 일치합니다. 또한 그들은 고산 지대 적응과 관련이 있으며 면역 기능에도 관여하는 ADK라는 유전자를 발견했습니다.

연구진은 또한 샘플 수가 적을 때 이 방법이 얼마나 잘 작동할지도 테스트했습니다. 이는 유전학 연구에서 흔한 제약 사항입니다. 그들은 17명의 전체 그룹 대신 단 2명의 파푸아인만을 사용하여 분석을 반복했습니다. 전통적인 방법과 다른 도구들이 이 작은 데이터셋에서 식별된 많은 영역을 놓친 반면, 새로운 방법은 발견된 내용의 훨씬 더 많은 비율을 유지했습니다. 이는 이 기술이 샘플 크기가 제한적이거나 불균일한 연구에서 특히 가치가 있으며, 이전에는 불가능했던 수준으로 더 작은 데이터셋에서 더 많은 정보를 추출할 수 있게 해준다는 점을 시사합니다.

본 연구는 새로운 방법이 고대 혼합이 일어난 국소 영역을 찾는 강력한 도구이지만, 추가 연구를 위한 후보를 생성하는 용도로 사용하는 것이 가장 좋다는 결론을 내립니다. 이 방법은 게놈에서 눈에 띄는 부분, 즉 가장 흥สนใจ로운 부분을 강조하는 데 탁월하지만, 인구 집단의 역사를 완전히 이해하는 과정을 대체하는 것은 아닙니다. 저자들은 이 방법이 전체 게놈에 걸친 총 혼합량을 측정하기보다는, 나머지 게놈과 구별되는 '아웃라이어(outlier, 이상치)' 영역을 찾는 데 가장 적합하다고 언급했습니다. 집단의 진화 역사가 매우 복잡하거나 인구 규모의 급격한 변화를 포함하는 경우, 다른 방법들이 여전히 필요할 수 있습니다. 그러나 고대 DNA가 현대 인구 집단에 들어온 정확한 위치를 찾는 특정 작업에 있어서, 이 새로운 접근 방식은 정확성과 신뢰성 면에서 상당한 개선을 제공하며, 우리의 공유된 유전적 과거를 더 명확하게 이해할 수 있는 문을 열어줍니다.