Degree-ranked gene lists omit the cross-module connectors, and a partition-free centrality recovers them

살아있는 세포 내에서 유전자는 고립되어 작동하지 않는다. 유전자들은 거대하고 복잡한 상호작용의 그물망을 형성하며, 한 분자의 행동은 파동처럼 번져나가 전체 유기체의 건강에 영향을 미칠 수 있다. 수십 년 동안 과학자들은 이 그물망을 지도처럼 취급하며 가장 중요한 위치를 찾는 방식으로 이를 이해하려 노력해 왔다. 이러한 핵심 플레이어를 찾는 표준적인 방법은 각 유전자가 가진 연결의 수를 세는 것이었다. 이 관점에서 연결이 많은 유전자는 특정 생물학적 과정을 지탱하는 핵심 노드인 중심 허브로 간見된다. 이 접근법은 연구자들이 질병 치료와 작물 개량을 위한 표적을 식별하는 데 길잡이 역할을 해왔으며, 가장 많이 연결된 유전자가 가장 중요하다는 가정하에 작동해 왔다. 그러나 이 방법은 중요성이 항상 연결이 가장 밀집된 곳에서 발견된다는 특정한 시각에 의존하고 있다.

새로운 연구는 이러한 오랜 가설에 이의를 제提하며, 기존의 순위 매기기 방식이 매우 중요한 유형의 플레이어를 놓치고 있음을 밝혀냈다. 연구진은 표준적인 계산 방식이 단일 생물학적 과정을 지배하는 유전자를 포착하는 데는 탁월하지만, 서로 다른 과정들 사이를 잇는 조용한 가교 역할을 하는 유전자들을 체계적으로 간과한다는 사실을 발견했다. 이 가교 유전자들은 단일 집단 내에서 반드시 높은 연결 수를 가지지는 않지만, 전체 시스템 전반의 활동을 조정하는 데 필수적이다. 가장 목소리가 크고 연결이 많은 허브에만 집중함으로써, 전통적인 접근 방식은 게놈의 조정 기제 중 상당 부분을 누락시킨다. 이 연구는 이러한 사각지대가 단순한 작은 오류가 아니라, 벼, 애기장대, 효모의 네트워크에서 나타나는, 유전자의 우선순위를 정하는 방식의 근본적인 결함임을 보여준다.

문제를 이해하려면 먼저 표준적인 방법이 어떻게 작동하는지 살펴보아야 한다. 과학자들은 일반적으로 유전자 상호작용 네트워크를 가져와 각 유전자의 연결 수, 즉 '차수(degree)'에 따라 순위를 매긴다. 이 목록의 상위에 있는 유전자들이 가장 중요하다고 가정된다. 연구진은 이 가설을 검증하기 위해 간단한 질문을 던졌다. 상위 순위 유전자 목록이 실제로 게놈의 전체 기능 범위를 포괄하는가, 아니면 좁은 역할의 집합으로 붕괴되는가? 연구진은 이 표준 목록들을 완벽하고 균형 잡힌 기능적 분포를 나타내는 참조 모델과 비교했다. 결과는 표준 방식에 측정 가능한 사각지대가 있음을 보여주었다. 상위 순위 유전자들이 실제로 중요하기는 하지만, 이들은 압도적으로 단일 국소 영역을 지배하는 것들이었다. 이들은 '비허브 연결자(non-hub connectors)', 즉 단일 영역을 지배하지 않으면서 서로 다른 생물학적 모듈을 연결하는 유전자들을 놓치고 있었다.

데이터는 극명한 격차를 드러냈다. 연구 대상 네트워크에서 약 26%의 게놈은 이러한 조정 가교 유전자로 구성되어 있다. 그러나 과학자들이 표준적인 차수 기반 순위 방식을 사용했을 때, 이 중요한 그룹 중 단 18%만을 포착했다. 더욱 결정적인 것은, 상위 1%의 유전자를 보았을 때 다섯 가지 네트워크 모두에서 기능적 포괄 범위가 참조 모델보다 낮게 붕괴되었다는 점이다. 이는 마치 이 방법이 방 안에서 가장 큰 목소리를 내는 이들에게만 너무 집중한 나머지, 서로 다른 집단 사이에서 대화를 이어가고 있는 조용한 외교관들을 침묵시킨 것과 같았다. 이러한 기능적 포괄 범위의 붕괴는 다섯 가지 서로 다른 네트워크에서 일관되게 나타났으며, 이는 이 문제가 특정 생물체에 국한된 것이 아니라 생물학적 그물망을 분석하는 일반적인 특성임을 시사한다.

연구진은 그다음 다른 접근법을 사용하여, 정보 이론의 도구인 '차수 벡터 합의 엔트로피(entropy of degree-vector sums)'를 재용하였다. 쉽게 말해, 이 방법은 단순히 연결을 세는 것이 아니라, 전체 네트워크에서 해당 유전자가 가진 연결의 다양성을 살핀다. "이 유전자의 친구가 몇 명인가?"라고 묻는 대신, "이 유전자는 얼마나 다양한 친구 그룹을 알고 있는가?"라고 묻는 것이다. 저자들이 EDVS라고 부르는 이 기술은 원래 학술 문헌의 인용 패턴을 비교하기 위해 사용되었으나, 여기서는 생물학적 과정을 잇는 유전자를 찾기 위해 변형되었다. 놀랍게도, 이 새로운 방법은 유전자의 기능이나 네트워크가 어떻게 나뉘어 있는지에 대한 사전 지식 없이도 누락된 가교 유전자 클래스를 복구해 냈다. 이는 순수하게 연결의 구조 자체로부터 작동한다.

이 새로운 방법의 성능은 놀라웠다. 연구진이 EDVS를 사용하여 유전자의 순위를 매겼을 때, 상위 목록은 조정 가교 유전자의 55%를 포착하여 표준 방식의 성공률보다 세 배 이상 높은 성과를 보였다. 또한, 이 접근법은 견고함이 입증되었다. 연구진이 실제 생물학적 데이터에서 발견되는 노이즈와 불확실성을 시뮬레이션하기 위해 네트워크 연결을 약간 변경했을 때, EDVS 방식은 원래 선택의 84%를 유지했다. 반면, 네트워크를 먼저 별개의 그룹으로 나눈 뒤 유전자의 순위를 매기는 방식들은 동일한 조건에서 21%에서 46% 사이의 선택만을 유지했다. 이는 새로운 방법이 적절한 유전자를 찾는 데 더 뛰어날 뿐만 아니라, 데이터가 불완전할 때도 더 안정적임을 시사한다.

연구는 또한 이 사각지대가 네트워크가 구축된 방식 때문에 발생했는지 조사했다. 어떤 네트워크는 알려진 생물학적 기능을 사용하여 구축되는 반면, 다른 네트워크는 순수하게 원시 상호작용 데이터로부터 구축된다. 연구진은 기능적 포괄 범위의 붕괴가 두 유형의 네트워크 모두에서 발생한다는 것을 발견했다. 사실, 문제는 기능적 지식을 바탕으로 구축된 네트워크에서 더 두드러졌는데, 이는 편향이 데이터에 의해 생성되는 것이 아니라 이를 분석하는 표준적인 방식에 의해 증폭된다는 것을 나타낸다. 연구진은 또한 새로운 방법으로 식별된 유전자들이 생존에 필수적이거나 마스터 조절자로서의 기능과 같이 생물학적 의미에서 단순히 "더 중요한" 것인지 확인했다. 연구진은 이들이 기존 방식이 찾은 유전자보다 더 필수적이거나 특정 형질을 제어할 가능성이 높다는 증거를 발견하지 못했다. 대신, 그들은 다른 조직적 역할을 수행한다. 즉, 그들은 사령관이 아니라 연결자이다.

이러한 구분은 결과를 해석하는 데 매우 중요하다. 새로운 방법은 생존이나 질병 측면에서 가장 중요한 유전자를 찾는다고 주장하는 것이 아니라, 시스템의 서로 다른 부분들을 조정하기에 가장 좋은 위치에 있는 유전자를 찾는 것이다. 연구진은 이것이 생물학적 판결이 아닌 구조적 발견임을 보여주기 위해 주의를 기울였다. 그들이 분리해 낸 유전자들은 사전에 정의된 중요성이 아니라 네트워크상의 위치에 의해 정의된다. 실제로 연구는 새로운 방법이 찾아낸 유전자들이 필수성이나 조직 특이성과 같은 형질에 있어 동일한 차수를 가진 무작위 선택된 유전자들과 통계적으로 구별되지 않는다는 것을 보여주었다. 이는 이 방법이 우연히 다른 종류의 "중요한" 유전자를 골라낸 것이 아니라, 기존 방식이 놓쳤던 특정한 조직적 클래스를 진정으로 고립시켜 냈음을 의미한다.

그러나 이 새로운 접근법에도 한계는 있다. 연구진은 이 방법이 조밀하고 잘 연결된 네트워크에서 가장 잘 작동한다는 것을 발견했다. 연결이 드문드문한 희소한 물리적 상호작용 네트워크에서 테스트했을 때, 이 방법은 기능적 포괄성을 보존하지 못했다. 이는 이 도구가 모든 유형의 생물학적 데이터에 적용되는 보편적인 해결책은 아니며, 특히 조정이 핵심인 복잡하고 상호 연결된 그물망에 적합하다는 것을 시사한다. 연구는 중앙성이 항상 중요성을 의미한다는 고전적인 생각이 보편적인 진리가 아니라 네트워크 의존적인 관찰임을 결론짓는다. 연결을 세는 것에서 그 연결의 다양성을 측정하는 것으로 초점을 전환함으로써, 과학자들은 이제 이전에는 보이지 않았던 게놈의 일부를 볼 수 있게 되었으며, 생물학적 시스템이 어떻게 조직되는지에 대한 더 명확하고 완전한 그림을 제공할 수 있게 되었다.