💻 bioinformatics

Homology-Based Variant-Effect Predictors Break Down on Cytochrome P450 Pharmacogenes

본 연구는 상동성 기반 변이 효과 예측기들이 주로 촉매 활성이 아닌 단백질 풍부도를 추적하기 때문에 사이토크롬 P450 약물유전학에서 체계적으로 실패한다는 점을 입증하며, 이는 기능적 결과를 정확하게 예측하기 위해 기질 특이적 맥락을 포함하는 새로운 모델링 접근법이 필요함을 시사한다.

원저자: Xu, H., Samori, I., Nayar, G., Altman, R. B.

게시일 2026-10-02

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xu, H., Samori, I., Nayar, G., Altman, R. B.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

동일한 양의 약이 어떤 사람에게는 생명을 구하지만 다른 사람에게는 해를 끼치는 세상을 상상해 보십시오. 이것은 불운의 미스터리가 아니라 생물학의 문제입니다. 우리 몸속에는 사이토크롬 P450(cytochrome P450)이라 불리는 효소 가족이 있어, 우리가 복용하는 약물의 약 4분의 3을 분해하는 화학 처리 공장 역할을 합니다. 이 효소들은 사람마다 다르기 때문에 약물을 처리하는 속도도 제각각입니다. 어떤 이들에게 표준 용량은 효과를 내기에 너무 약할 수 있고, 다른 이들에게는 위험한 수준까지 축적될 수 있습니다. 과학자들은 한 개인의 고유한 유전 코드가 이러한 효소를 어떻게 변화시킬지 예측하여, 의사들이 모든 개인에게 완벽한 맞춤형 용량을 처방할 수 있게 되기를 오랫동안 희망해 왔습니다. 이를 위해 그들은 수백만 년 동안 다른 종에서 발견된 변이와 해당 변화가 얼마나 유사한지를 살펴봄으로써, 유전적 변화가 미칠 영향을 추측하는 컴퓨터 프로그램에 의존해 왔습니다. 그 논리는 간단했습니다. 만약 자연이 영겁의 시간 동안 효소의 특정 부분을 동일하게 유지했다면, 그것을 바꾸는 것은 나쁜 것이라는 것이었습니다.

하지만 새로운 연구는 이러한 약물 대사 효소에 적용했을 때 이 오래된 논리가 무너진다는 사실을 밝혀냈습니다. 헬렌 쉬(Helen Xu)와 러스 알트만(Russ Altman)이 이끄는 스탠퍼드 대학교 연구팀은 가장 진보된 컴퓨터 모델들을 CYP2C9 효소의 실제 데이터를 대상으로 테스트했습니다. 그들은 질병을 일으키는 돌연변이를 예측하는 데는 잘 작동하는 기존 도구들이, 이 특정 효소들이 어떻게 작동하는지는 이해하지 못한다는 것을 발견했습니다. 이 모델들은 본질적으로 이야기의 가장 중요한 부분, 즉 효소가 분해하려고 하는 '특정한 약물'에 대해 눈이 멀어 있습니다. 이 연구는 우리가 약물에 대한 반응을 진정으로 예측하기 위해서는 단순히 효소의 형태나 역사를 보는 것뿐만 아니라, 그 효소가 마주하는 특정한 화학 물질 또한 반드시 살펴봐야 한다고 제안합니다.

연구진은 먼저 인공지능을 사용하여 유전적 변화가 해로운지를 예측하는 강력한 새로운 도구인 알파미스엔스(AlphaMissense)를 테스트하는 것으로 시작했습니다. 그들은 이 도구에 6가지 중요한 약물 대사 효소의 데이터를 입력했습니다. 이 도구는 인체의 나머지 부분에 대한 성능과 비교했을 때, '불확실함'이라고 판정하는 변화가 거의 두 배나 많아 상당한 어려움을 겪었습니다. 연구팀이 CYP2C9에 대한 데이터를 더 깊이 파고들었을 때, 그 이유는 드러났습니다. 컴퓨터 모델은 실제로 효소가 얼마나 잘 작동하는지를 측정하는 것이 아니라, 세포 내에 효소가 얼마나 존재하는지를 주로 측정하고 있었습니다. 만약 유전적 변화로 인해 효소가 불안정해져서 사라지게 되면 모델은 이를 문제로 표시했습니다. 하지만 효소가 안정적으로 존재하기만 하면, 모델은 설령 그 효소가 약물을 전혀 처리할 수 없는 상태라 할지라도 제대로 작동하고 있다고 가정해 버렸습니다.

이러한 실패를 이해하기 위해 연구팀은 효소의 물리적 구조와 변화의 화학적 성질을 살펴보았습니다. 그들은 모델이 변화의 위치나 화학적 교체의 유형과 같은 명백한 요소를 놓치고 있는 것은 아닌지 의문을 가졌습니다. 조사 결과, 이러한 요인들은 거의 아무런 설명도 되지 못했습니다. 모델의 오류는 구조적 데이터의 부족이나 기초적인 화학에 대한 오해 때문이 아니었습니다. 문제는 더 깊은 곳에 있었습니다. 모델은 진화가 효소를 동일하게 유지하는 이유가 그것들이 생존에 필수적이기 때문이라는 아이디어에 기반하여 훈련되었습니다. 하지만 이 약물 처리 효소들은 다릅니다. 이들은 단 하나의 특정 작업이 아니라, 음식과 환경으로부터 오는 매우 다양한 화학 물질을 처리하도록 진화했습니다. 이들은 유연하도록 설계되었기 때문에, 자연은 이들을 변화시킨다고 해서 벌을 주지 않습니다. 특정 약물을 처리하는 능력을 망가뜨리는 유전적 변이가 발생하더라도, 효소 자체는 여전히 안정적이고 풍부하게 존재할 수 있으며, 이는 컴퓨터를 속여 모든 것이 정상이라고 믿게 만들 수 있습니다.

이에 연구진은 더 나은 모델을 구축하기 위해 노력했습니다. 그들은 표준 도구에 효소의 진화적 역사 대신 효소의 유전 코드 패턴을 살펴보는 새로운 접근 방식을 결합했습니다. 이렇게 새롭게 제작된 맞춤형 모델은 효소의 실제 화학적 활성을 훨씬 더 잘 예측할 수 있었습니다. 이 모델은 작동하는 안정적인 효소와 고장 난 안정적인 효소를 구분할 수 있었습니다. 그러나 이 개선된 모델조차 한계에 부딪혔습니다. 연구진이 자신들의 예측을 실제 의료 기록 및 임상 라벨과 비교했을 때, 일치도가 낮았습니다. 모델은 시험관 안에서의 효소 활성은 예측할 수 있었지만, 그 활성이 환자가 특정 약물을 복용할 때 어떻게 나타날지는 예측할 수 없었습니다.

이러한 괴리가 발생하는 이유는 효소의 본질에 있습니다. 이 단백질들은 단일 목적의 기계가 아니라, 수많은 약물과 상호작용하는 다중 작업자입니다. 연구는 동일한 유전적 변화가 어떤 약물이 존재하느냐에 따라 완전히 다른 영향을 미칠 수 있다는 것을 발견했습니다. 어떤 돌연변이는 한 가지 약물에는 제대로 작용하지 못하게 만들면서도, 다른 약물에는 아무런 영향을 미치지 않을 수 있습니다. 현재의 컴퓨터 모델들은 효소를 마치 단 하나의 보편적인 기능을 가진 것처럼 취급하며, 약물을 만날 때마다 그 역할이 변한다는 사실을 간과하고 있습니다. 연구진이 조사한 의료 데이터베이스에 따르면, 여러 약물을 대상으로 테스트된 유전적 변이 중 70% 이상이 각 약물에 대해 서로 다른 결과를 보여주었습니다.

이 발견은 약물 반응을 예측하는 방식 전체가 바뀌어야 함을 시사합니다. 수십 년 동안 과학자들은 유전적 변이에 대해 그것이 '좋은지' 혹은 '나쁜지'를 묻는 단일 점수를 부여하려고 노력해 왔습니다. 이 연구는 약물 대사 효소에 있어서는 그 질문 자체가 잘못되었다고 주장합니다. 변이는 그 자체로 좋거나 나쁜 것이 아니라, 특정 약물이라는 맥락 속에서만 좋거나 나쁠 수 있습니다. 연구진은 미래의 도구들이 다른 질문을 던지도록 구축되어야 한다고 제안합니다. 즉, "이 특정한 유전적 변화가 이 특정한 약물의 처리에 어떤 영향을 미치는가?"라고 물어야 한다는 것입니다. 컴퓨터 모델이 효소와 함께 일하는 특정한 화학적 파트너를 고려할 수 없다면, 약물이 치유가 될지 해가 될지를 결정하는 복잡한 상호작용을 완전히 예측할 수 없을 것입니다. 나아갈 길은 단순히 더 나은 데이터나 더 똑똑한 알고리즘이 아니라, 이 필수적인 생물학적 기계의 '기능'을 정의하는 방식을 재정립하는 데 있습니다.

기술 요약: 상동성 기반 변이 효과 예측 모델의 사이토크롬 P450 약물 유전자에 대한 한계

문제 정의
사이토크롬 P450(CYP) 효소는 임상적으로 사용되는 약물의 약 75%를 대사하며, 이 효소들의 유전적 변이는 약물 반응의 개인 간 차이를 만드는 주요 원인이다. 계산적인 변이 효과 예측(VEP)은 약물 유전체학을 확장하는 데 필수적이지만, 최첨단 예측 모델 대부분은 상동성 기반 패러다임에 의존한다. 이러한 모델들은 진화적 보존성을 바탕으로 변이를 점수화하며, 진화 과정에서 보존된 잔기(residue)가 기능적으로 중요하다는 가정하에 작동한다. 그러나 저자들은 이러한 가정이 CYP와 같은 약물 유전자의 경우 위배된다고 주장한다. 질병 유전자가 강력한 정화 선택(purifying selection)을 받는 것과 달리, CYP는 다양한 환경 화합물을 대사하도록 진화했으므로, 활성 감소는 특정 약물과 마주치기 전까지는 대개 무해한 경우가 많다. 결과적으로, 상동성 기반 모델은 CYP 변이, 특히 질병을 유발하지는 않지만 약물 대사를 변화시키는 변이의 기능적 결과를 예측하는 데 실패할 수 있다.

방법론
본 연구는 포괄적인 심층 돌연변이 스캐닝(Deep Mutational Scanning, DMS) 데이터가 가용한 CYP2C9를 중심으로 인간 CYP 약물 유전자를 활용하였다.

데이터 세트: 저자들은 네 가지 근거 자료(ground-truth)를 통합하였다:
1. DMS 데이터: 클릭-seq(click-seq)를 통한 효소 활성 점수와 vamp-seq를 통한 세포 내 풍부도(cellular abundance) 점위가 쌍으로 존재하는 CYP2C9 미스센스 변이 데이터.
2. 임상 라벨: ClinVar의 질병 유의성 분류.
3. 약물유전학적 라벨: PharmVar의 star allele 기능 클래스.
4. 기질 해상도 데이터: 변이를 특정 약물 기질과 연결하는 ClinPGx (PharmGKB) 주석.
평가된 예측 모델: 본 연구는 다음을 포함한 여러 모델을 평가하였다:
- AlphaMissense (AM): 상동성 기반 병원성 예측 모델.
- ESM-2: 마스크드 한계 확률(masked marginal probabilities, MMP)을 통한 제로샷 변이 효과 예측 및 커스텀 모델의 임베딩으로 사용된 단백질 언어 모델.
- 외부 베이스라인: SIFT, REVEL, DeMaSk (DMS로 학습됨), 그리고 PharmGScore (약물 유전자에 맞춤 조정됨).
새로운 모델링: 저자들은 ESM-2 임베딩을 사용한 k-최근접 이웃(k-nearest-neighbors, KNN) 회귀 분석기를 구축하였으며, 이를 CYP2C9 활성에 맞춰 특별히 학습시켰다. 이는 릿지 회귀(ridge regression)를 통해 보정된 AM 점수 및 ESM-2 MMP 점수와 앙상블되었다.
분석 전략:
- 보정(Calibration): 예측 모델을 단조 회귀(monotonic regression)를 사용하여 DMS 활성 척도에 맞게 보정하였다.
- 계층화(Stratification): 단백질 안정성 효과와 촉매 활성 효과를 분리하기 위해, 변이를 세포 내 풍부도(불안정화/저풍부도 vs. 풍부도 독립적)에 따라 계층화하였다.
- 오차 분석: 구조적 및 생화학적 사전 정보(서열 위치, 치환 화학, 기질 인식 부위와의 거리, 2차 구조)가 예측 오차를 설명할 수 있는지 테스트하였다.
- 임상적 일치도: 예측된 활성을 ClinVar 및 PharmVar 라벨과 상관 분석하여 임상적 유용성을 평가하였다.

주요 결과

상동성 기반 모델의 체계적 실패: AlphaMissense (AM)는 CYP 미스센스 변이를 '모호함(ambiguous)' 클래스로 분류하는 비율이 전체 프로테옴 대비 거의 두 배 높았다(18.16% vs. 10.28%). 이 모호한 클래스 내에서 AM의 점수는 측정된 촉매 활성과 실질적인 정보력을 갖지 못했다( $\rho = -0.130$ ).
풍부도 편향: AM의 신호는 촉매 활성보다는 단백질 풍부도에 의해 주로 구동된다. AM은 불안정화(저풍부도) 변이에 대해서는 DMS 활성과 강한 상관관계를 보였으나( $\rho = -0.568$ ), 풍부도 독립적 변이에 대해서는 성능이 현저히 떨어졌다( $\rho = -0.357$ ). 이 차이는 통계적으로 매우 유의미했다 ( $p < 10^{-18}$ ).
구조적 사전 정보의 제한적 설명력: 구조적 특징(위치, 화학적 성질, 기질 인식 부위 근접성, 2차 구조)은 AM의 예측 오차 분산의 1% 미만을 설명하며, 이는 실패가 단순한 구조적 휴리스틱으로 쉽게 설명되지 않음을 나타낸다.
CYP 특화 앙상블의 성능: 커스텀 앙상블 모델(ESM-2 임베딩 기반 KNN + AM + ESM-2 MMP)은 모든 외부 베이스라인( $\rho$ 범위: 0.523 ~ 0.686)보다 높은 성능을 보이며 측정된 CYP2C9 활성과 가장 높은 상관관계( $\rho = 0.721$ )를 달성하였다. 가장 유의미한 개선은 '모호한' 클래스 내에서 관찰되었는데, 앙상블은 AM 단독 모델의 상관관계( $\rho = 0.080$ )를 $\rho = 0.399$ 까지 끌어올렸다.
임상 라벨과의 불일치: 생화학적 분석에 대한 정확도는 향상되었음에도 불구하고, 어떠한 모델도(커스텀 앙상블 포함) ClinVar 또는 PharmVar의 임상 주석과 유의미한 일치를 보이지 않았다. 심지어 측정된 DMS 활성 자체도 임상 라벨과 유의미하게 일치하지 않았다. 예를 들어, 특정 변이(예: CYP2C9*3)는 모든 모델에서 높은 활성을 유지할 것으로 예측되었으나, PharmVar에서는 "기능 없음(No Function)"으로 라벨링되어 있었다.
기질 의존성: ClinPGx 데이터 분석 결과, 여러 약물 주석을 가진 변이의 71.9%가 기질에 따라 서로 다른 기능적 라벨을 나타냈다. 이는 단일한 기질 불가지론적(substrate-agnostic) 활성 점수로는 CYP 변이의 진정한 기능적 효과를 포착할 수 없음을 시사한다.

의의 및 주장
본 논문은 CYP에 대한 변이 효과 예측기의 실패가 단순히 불충분한 상동성 탐지나 미흡한 보정의 문제가 아니라, 근본적인 정의상의 불일치(definitional mismatch) 때문이라고 주장한다.

상동성의 '천장': 상동성 유래 정보의 최선은 임상적 요구 사항에 미치지 못하는 천장에 도달한다. 모델들은 단일한 기질 불가지론적 효과를 예측하지만, CYP 기능은 본질적으로 다차원적이며 기질 의존적이다.
기능의 재정의: 저자들은 다중 기질 효소의 기능을 예측하기 위해서는 '기능'을 스칼라 값이 아니라 기질에 조건화된 양으로 재정의해야 한다고 제안한다.
누락된 변수: 현재 모델에서 가장 결여된 특징은 **기질 정체성(substrate identity)**이다. 저자들은 변이의 효과가 직면하는 특정 약물에 따라 달라지는 함수라고 가설을 세웠으며, 현재의 상동성 기반 또는 기능 학습 모델은 명시적인 기질 조건화 없이는 이를 포착할 수 없다.
제한적 범위: 저자들은 자신들의 개선된 앙상블 모델이 단백질 특이적(CYP2C9)이며 해당 유전자를 넘어 일반화되지 않는다는 점을 인정한다. 또한 임상 라벨과의 불일치는 주석 자체의 노이즈 때문일 수도 있으나, 기질 의존성이 관찰된 불일치를 설명하는 가장 생물학적으로 타당한 이유라고 언급한다.

결론적으로, 본 연구는 단백질 특이적 모델이 생화학적 활성 예측을 개선할 수는 있지만, 현재의 '단일 변이 효과'를 예측하는 패러다임은 약물 유전자에 적용하기에 불충분함을 보여준다. 앞으로의 발전은 상동성 기반의 유사성 탐색에서 기질 조건부 예측(substrate-conditioned prediction) 모델로 전환되어야 한다.

유사한 논문