← 최신 논문
💻 생물정보학

Integrating disease and protein networks expands genetic support for therapeutic targets

이 논문은 결합된 단백질-단백질 상호작용 및 질병 유사성 네트워크를 통해 유전적 증거를 전파함으로써, 직접적인 유전적 근거만으로 가능한 수준을 넘어 치료 표적 선택의 범위와 임상적 성공률을 유의미하게 확장하는 방법론인 BRIDGE를 소개한다.

원저자: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

게시일 2026-11-18
📖 6 분 읽기🧠 심층 분석

원저자: Zhang, W., Xu, J., Lyu, Y., Liu, M., Shen, H., Wu, L., Zhao, B., Deng, H.-W., Wu, C.

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

새로운 약물을 찾는 것은 엄청난 규모의 도박입니다. 하나의 약물이 실험실의 아이디어에서 약국 선반에 오르기까지는 10년 이상의 시간과 수십억 달러의 비용이 들며, 대부분의 시도는 실패합니다. 수십 년 동안 과학자들은 이 확률을 자신들에게 유리하게 기울일 방법을 찾기 위해 인간 유전학에 주목해 왔습니다. 그 논리는 명확합니다. 만약 특정 유전자가 사람의 질병과 자연적으로 연결되어 있다면, 그 유전자의 단백질을 표적으로 하는 약물이 치료제로 작을 수 있다는 것입니다. 이러한 접근 방식은 연구자들이 임상 시험에서 성공할 가능성이 더 높은 표적을 찾아낼 수 있도록 안내하는 신뢰할 수 있는 나침반이 되어 왔습니다. 하지만 이 나침반에는 사각지대가 있습니다. 그것은 유전적 연결이 직접적이고 명백한 표적만을 가리킵니다. 방대한 인간 생물학의 풍경 속에서, 많은 유망한 표적과 질병들은 이러한 직접적인 유전적 신호가 결여되어 있어 지도에서 완전히 누락되어 있습니다.

새로운 연구는 정확도를 잃지 않으면서 이 유전적 나침반의 범위를 확장하도록 설계된 BRIDGE라는 방법론을 소개합니다. 연구진은 생물학이 고립되어 작동하지 않는다는 점을 깨달았습니다. 유전자들은 마치 공동체 안의 사람들처럼 복잡한 네트워크를 통해 서로 상호작용하며, 질병들 또한 근본적인 생물학적 유사성을 공유하곤 합니다. 이러한 연결 고리들을 하나로 엮음으로써, 연구팀은 알려진 표적에서 미지의 표적으로, 그리고 한 질병에서 관련된 다른 질병으로 유전적 증거를 추적할 수 있는 시스템을 구축했습니다. 그들은 이 시스템을 수천 건의 신약 개발 시도가 담긴 거대한 데이터베이스를 대상으로 테스트했습니다. 결과에 따르면, 단백질과 질병 사이의 점들을 연결함으로써 과학자들은 이전에는 보이지 않았던 훨씬 더 많은 유망한 약물 표적을 식별할 수 있었으며, 동시에 높은 임상 성공 가능성을 유지할 수 있었습니다. 이 접근 방식은 직접적인 유전적 증거의 필요성을 대체하는 것이 아니라, 직접적인 증거가 없는 그림자 속에서 가치 있는 실마리를 찾는 방법을 제공합니다.

연구진이 해결한 핵심 과제는 직접적인 유전적 뒷받침이 드물다는 점입니다. 최소 1인 대상 임상 시험 단계에 도달한 13,000건 이상의 신약 개발 노력에 대한 검토 결과, 표적-질병 쌍 중 직접적인 유전적 증거가 연결된 경우는 약 5%에 불과했습니다. 대다수의 후보군에서 유전적 신호는 침묵하고 있었습니다. 연구팀은 주변의 생물학적 맥락으로부터 힘을 빌려올 수 있을지 자문했습니다. 그들은 두 가지 유형의 네트워크를 결합한 디지털 지도를 구축했습니다. 첫 번째는 세포 내부에서 어떤 단백질들이 물리적으로 접촉하거나 함께 작동하는지를 보여주는 단백질 상호작용 지도입니다. 두 번째는 생물학적 특징이나 증상을 공유하는 질병들을 그룹화하는 질병 유사성 지도입니다. 이 두 지도는 서로 연결되어 유전자, 단백질, 질병이 모두 연결된 거대한 웹을 형성합니다.

이 웹을 사용하여 연구진은 신호 증폭기 역할을 하는 알고리즘을 개발했습니다. 이 알고리즘은 특정 질병에 대해 강력하고 직접적인 유전적 지원을 가진 유전자에서 시작합니다. 그런 다음 알고리즘은 네트워크를 통해 "신호"를 보냅니다. 이 신호는 단백질 연결을 따라 인접한 유전자로 이동하고, 질병 연결을 가로질러 관련된 질환으로 건너뜁니다. 만약 어떤 유전자가 알려진 성공적인 표적과 가깝거나, 혹은 질병이 알려진 유전적 원인이 있는 질병과 유사하다면, 알고리즘은 해당 유전자-질병 쌍에 더 높은 점수를 부여합니다. 결정적으로, 이 시스템에는 엄격한 보정 단계가 포함되어 있습니다. 실제 후보군의 점수를 무작위 섞기(shuffling)를 통해 생성된 점수와 비교하여, 결과가 단순히 해당 유전자가 얼마나 연결성이 좋은지에 따른 결과가 아닌지를 확인합니다. 이는 시스템이 모든 것과 연결된 인기 있는 유전자만을 편애하는 것을 방지합니다.

연구진이 이 방법을 13,000개의 신약 개발 쌍 데이터베이스에 적용했을 때, 결과는 유의미했습니다. 직접적인 유전적 증거를 새로운 네트워크 기반 지원과 결합함으로써, 지원되는 표적의 범위가 5.1%에서 9.5%로 거의 두 배 가까이 늘어났습니다. 이는 약 600개의 추가적인 신약 개발 쌍에 대해, 이전에는 존재하지 않았던 유전적 근거를 이제는 제공할 수 있음을 의미합니다. 더 중요한 것은, 이러한 확장이 품질의 저하를 초래하지 않았다는 점입니다. 네트워크에 의해 식별된 새로운 후보들은 직접적인 유전적 지원이 있는 후보들과 임상 시험에서 성공할 가능성이 동일했습니다. 실제로, 직접적인 유전적 증거는 없었지만 네트워크에 의해 지원된 후보들 중 약 25%가 출시된 약물로 시장에 성공적으로 진출한 반과 달리, 지원되지 않은 후보들의 성공률은 9% 미만이었습니다.

또한 이 연구는 이 방법이 직접적인 유전적 역사가 전혀 없는 유전자에 대해서도 작동한다는 것을 입증했습니다. 연구진은 직접적인 유전적 증거에 의해 질병과 연결된 적이 전혀 없었음에도 불구하고, 다른 성공적인 표적들과의 연결성 덕분에 네트워크에 의해 지원된 101개의 유전자를 식별했습니다. 이 유전자들은 단순한 이론적 가능성에 그치지 않았습니다. 많은 유전자가 이미 약물 표적으로 추구되고 있었으며, 일부는 이미 시장에 출시되었습니다. 시스템은 이 후보들을 성공적으로 강조함으로써, 네트워크 접근법이 전통적인 방식이 무시했을 유전자들의 숨겨진 잠재력을 밝혀낼 수 있음을 보여주었습니다.

이러한 확장이 어떻게 일어나는지 이해하기 위해 연구진은 신호가 통과하는 경로를 분석했습니다. 그들은 두 가지 주요 경로를 발견했습니다. 첫 번째 경로는 표적을 관련 질병으로 연결하는 것입니다. 예를 들어, 어떤 유전자가 한 종류의 심장 질병을 치료하는 데 도움이 된다고 알려져 있다면, 시스템은 아직 그 두 번째 질환에 대한 직접적인 유전적 증거가 없더라도 그 질환에 대해서도 효과가 있을 수 있다고 제안할 수 있습니다. 두 번째 경로는 표적을 인접한 단백질로 연결하는 것입니다. 만약 어떤 약물이 특정 단백질에 작용한다면, 시스템은 그 단백질과 물리적으로 맞닿아 있는 다른 단백질 또한 좋은 표적이 될 수 있다고 제안할 수 있습니다. 연구는 두 경로를 함께 사용할 때 가장 효과적인 결과가 나온다는 것을 보여주었으며, 이는 질병 관계와 단백질 연결의 조합이 이 방법의 성공에 필수적임을 입증합니다.

연구진은 또한 이 정교한 네트워크 방법을 과학자들이 사용할 수 있는 더 단순한 규칙들, 예를 들어 단순히 즉각적인 이웃을 살펴보는 방식과 비교했습니다. 단순한 규칙들도 몇몇 좋은 후보를 찾아낼 수는 있었지만, BRIDGE 시스템은 진정으로 유망한 후보를 나머지로부터 더 잘 구별해 냈습니다. 연구진이 네트워크 점수에 따라 후보들의 순위를 매겼을 때, 단순한 규칙을 사용했을 때보다 더 많은 성공적인 약물 출시를 발견했습니다. 이는 네트워크가 단순한 근접성만으로는 포착할 수 없는 더 깊고 미묘한 생물학적 관계를 제공한다는 것을 시사합니다. 이 시스템은 네트워크상에서 약간 더 떨어져 있더라도 여전히 생물학적으로 유의미한 후보들을 우선순위에 둘 수 있으며, 단순한 접근 방식이 오도할 수 있는 노이즈를 걸러낼 수 있습니다.

연구에는 이 방법이 미래의 성공을 예측할 수 있는지 확인하기 위한 전향적 점검이 포함되었습니다. 연구진은 모델을 구축하기 위해 2024년 이전의 데이터를 사용한 다음, 2024년에서 2025년 사이의 신약 개발 프로그램들에 어떤 일이 일어났는지 관찰했습니다. 네트워크의 지원을 받은 후보들은 지원이 없는 후보들에 비해 높은 성공률을 계속해서 보여주었습니다. 이 짧은 기간 동안의 신규 출시 건수는 적었지만, 추세는 유지되었으며, 이는 이 방법이 견고하며 단순히 과거 데이터의 반영이 아님을 시사합니다. 연구진은 이러한 미래 예측의 표본 크기가 제한적이라는 점을 언급했지만, 결과의 방향성은 초기 연구 결과와 일치했습니다.

두 가지 구체적인 사례가 이것이 실제로 어떻게 작동하는지 보여줍니다. 한 사례에서, 시스템은 희귀 대사 장애와 관련된 유전자를 광범위한 간 질환 카테고리와 연결했습니다. 특정 장애에 대한 유전적 증거는 기존의 성공적인 치료제의 표적인 다른 단백질과 물리적으로 연결된 또 다른 단백질을 가리켰습니다. 네트워크는 이 연결을 정확히 식별했으며, 그 치료제는 실제로 광범위한 질환에 효과적이었습니다. 또 다른 사례에서는, 시스템이 수용체 단백질을 바이러스 감염과 연결했습니다. 이 수용체는 질병과 관련된 것으로 알려진 유전자로부터 단백질 네트워크상에서 두 단계 떨어져 있었습니다. 그럼에도 불구하고 네트워크 신호는 충분히 강력하여 해당 수용체를 실행 가능한 표적으로 부각시켰습니다. 이후 임상 시험을 통해 해당 수용체를 표적으로 하는 약물이 감염에 대한 입원율을 낮출 수 있음이 확인되어, 네트워크의 예측이 타당함을 입증했습니다.

연구진은 이 방법이 마법의 탄환은 아니라는 점을 인정합니다. 이 방법은 여전히 개선 중인 단백질 상호작용 및 질병 유사성의 기초가 되는 지도의 품질에 의존합니다. 또한 매우 상이한 질병들을 처리하거나 연결이 적은 단백질을 다루는 데 있어서의 한계도 존재합니다. 그러나 이 연구는 다양한 유형의 생물학적 데이터를 통합하는 것이 신약 개발을 위한 도구 상이를 어떻게 크게 확장할 수 있는지를 보여주는 명확한 입증 사례를 제공합니다. 이는 더 넓은 생물학적 맥락을 살펴봄으로써, 과학자들이 이전에 숨겨져 있던 효과적인 치료법으로 가는 새로운 길을 찾을 수 있음을 보여줍니다.

궁극적으로, 이 연구는 인간 유전 데이터를 최대한 활용할 수 있는 실질적인 방법을 제시합니다. 모든 질병에 대해 직접적인 유전적 연결이 나타날 때까지 기다리는 대신, 연구자들은 이제 생물학적 연결의 웹을 사용하여 그만큼 유망한 실마리를 찾을 수 있습니다. 이 접근 방식은 엄격한 테스트의 필요성을 대체하는 것이 아니라, 어떤 약물을 추구할지 결정하는 데 있어 더 강력한 토대를 제공합니다. 유전적으로 지원되는 표적의 풀을 확장함으로써, 이 방법은 현재 선택지가 거의 없는 질병들에 대한 새로운 치료법을 찾을 확률을 높입니다. 이 연구는 신약 개발의 미래가 단 하나의 올바른 유전자를 찾는 것뿐만 아니라, 유전자, 단백질, 그리고 질병이 공유하는 복잡한 관계의 네트워크를 이해하는 데 달려 있음을 시사합니다.

연구 분야의 논문에 파묻히고 계신가요?

연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.

Digest 사용해 보기 →