Imputation of structural variants using a multi-ancestry long-read sequencing panel enables identification of disease associations

본 연구는 50만 명의 영국 바이오뱅크 참가자에서 구조적 변이를 추정하기 위해 다계통 장리드 시퀀싱 패널을 구축함으로써, 수천 개의 유의한 질병 연관성을 규명하고 전통적인 단리드 변이 GWAS 에 비해 구조적 변이가 인과 유전자를 우선순위화하는 데 더 뛰어난 능력을 입증하는 대규모 전장 유전체 연관 분석을 가능하게 합니다.

핵심

이 논문은 간단한 언어와 창의적인 비유를 사용하여 설명합니다.

큰 그림: 우리 유전 코드 속 '숨겨진 오류' 찾기

당신의 DNA 를 인간 몸을 만들고 운영하는 거대한 설명서라고 상상해 보세요. 오랫동안 과학자들은 이 설명서 속의 '오타'—즉, 'A'를 'G'로 바꾸는 것과 같은 잘못된 단일 글자—를 찾는 데 매우 능숙했습니다. 이러한 것들을 **단일 염기 다형성 (SNVs)**이라고 부릅니다.

그러나 기존 방법들이 종종 놓쳐버리는 훨씬 더 크고 극적인 오류들이 있습니다. 이것이 바로 **구조적 변이 (SVs)**입니다. 이를 오타가 아니라, 전체 문단이 삭제되거나, 거대한 텍스트 덩어리가 잘못된 곳에 붙여지거나, 온 장이 거꾸로 뒤집히는 것과 같이 생각하세요. 이러한 '오류'들이 너무 크기 때문에, 설명서를 몇 글자씩만 읽어내는 구식인 짧은 리드 시퀀싱 기술은 종종 이를 명확하게 보지 못합니다. 마치 책에서 한 페이지가 빠졌는지 확인하기 위해 한 번에 한 단어만 들여다보는 것과 같습니다.

이 논문은 이러한 큰 오류들을 찾아내고 그들이 어떻게 질병을 유발하는지 파악하는 새로운 더 나은 방법을 구축하는 것에 관한 것입니다.

단계 1: '마스터 지도' 구축 (임퓨테이션 패널)

이러한 큰 오류들을 찾기 위해 연구자들은 참고 지도가 필요했습니다. 그들은 한 사람만 보는 것이 아니라, 다양한 인구 집단 사이에서 이러한 오류들이 어떻게 변하는지 이해하기 위해 다양한 집단의 데이터가 필요했습니다.

• 비유: 도로 네트워크의 모든 독특한 구덩이를 찾으려 한다고 상상해 보세요. 만약 당신이 한 번에 한 거리만 운전한다면, 다른 거리들의 구덩이는 놓치게 됩니다.
• 그들이 한 일: 팀은 1000 개 게놈 프로젝트의 888 명의 DNA 를 스캔하기 위해 첨단 장거리 리드 카메라 (Oxford Nanopore 장거리 리드 시퀀싱) 를 사용했습니다. 이 사람들은 다섯 가지 주요 조상 집단 (아프리카계, 유럽계, 동아시아계, 남아시아계, 그리고 혼혈 아메리카계) 을 대표했습니다.
• 결과: 그들은 107,000 개 이상의 구조적 변이를 포함한 큐레이션된 '마스터 지도'를 만들었습니다. 이 변이 중 약 **70%**는 '새로운 것'으로, 이전 방법들이 너무 단시안적이어서 발견하지 못했기 때문에 이전에 본 적이 없었습니다.

단계 2: 빈칸 채우기 (임퓨테이션)

이 첨단 장거리 리드 카메라로 DNA 를 시퀀싱하는 것은 엄청나게 비쌉니다. 영국 바이오뱅크 (50 만 명의 거대한 데이터베이스) 에 있는 모든 사람을 위해 이를 수행하는 데는 약 5 억 달러가 들 것입니다.

• 비유: 당신은 소도시의 상세한 고해상도 지도 (888 명) 를 가지고 있습니다. 당신은 한 나라 전체 (50 만 명) 의 도로 상태를 알고 싶지만, 모든 도로를 조사할 여유가 없습니다. 그래서 당신은 상세한 지도를 사용하여, 모든 사람이 이미 가지고 있는 기존 도로 표지판 (일반적인 유전 마커) 을 바탕으로 나머지 나라의 도로가 어떻게 생겼을지 **예측 (임퓨테이션)**합니다.
• 그들이 한 일: 그들은 그들의 '마스터 지도'를 가져와 영국 바이오뱅크의 488,000 명에 대한 구조적 변이를 예측했습니다. 그들은 그들의 작업을 점검하여 일반적인 변이의 경우 예측이 매우 정확하다는 것을 발견했습니다 (양질의 영역에서 90% 이상 신뢰할 수 있음).

단계 3: 보물 찾기 (질병 연관성 발견)

이제 거의 50 만 명의 구조적 변이 목록을 가지고 있으므로, 그들은 질병과의 연결고리를 찾기 시작했습니다. 그들은 폐 기능, 심장 건강, 간 건강, 그리고 혈액 내 1,463 가지 다른 단백질의 수준을 포함한 32 가지 다른 특성을 살펴보았습니다.

• 결과:
  • 그들은 이러한 구조적 변이와 질병 사이에 수천 개의 유의미한 연관성을 발견했습니다.
  • 이러한 연관성 중 많은 부분이 '독립적'이었습니다. 즉, 과학자들이 이미 알고 있던 작은 '오타' (SNVs) 의 결과를 단순히 복사한 것이 아니라, 고유한 신호들이었습니다.
  • 그들은 이러한 질병 연관성 뒤에 있는 '범인'일 가능성이 높은 689 개의 유전자를 확인했습니다.

'아하!' 순간: 이것이 폐 건강에 중요한 이유

이 논문은 이러한 큰 오류들을 찾는 것이 얼마나 강력한지 보여주기 위해 폐 기능을 구체적인 예로 사용합니다.

• 구식 방법: 이전 연구들은 폐 문제와 연결된 유전 지도상의 한 지점을 발견했습니다. 그들은 원인이 근처의 유전자일 것이라고 추측했지만, 세 명의 후보 중 어느 것이 진짜 악당인지 확신하지 못했습니다. 마치 범행 현장을 보고 지문 없이 방 안에 있는 세 명의 용의자 중 누가 범인인지 추측하는 것과 같습니다.
• 신식 방법 (SVs): 연구자들은 그 유전자들 중 하나 바로 안에 있는 특정 '삭제' (DNA 의 결손 덩어리) 를 발견했습니다. 이 결손이 가장 강력한 신호였습니다.
• 증거: 이 새로운 지도를 사용하여 그들은 폐 문제의 원인이 되는 정확한 유전자 (각각 다른 예시에서 CFDP1, MEGF6, AAGAB, 또는 FLI1) 를 정확히 지목할 수 있었습니다. 그들은 이러한 유전자들이 생성하는 단백질의 양이 폐 기능과 직접적으로 상관관계가 있음을 보여줌으로써 이를 확인했습니다.

결론

이 논문은 비싼 장거리 리드 기술로 모든 사람을 시퀀싱하는 막대한 비용을 치르지 않고도 우리 DNA 의 '큰 오류'들을 찾을 수 있음을 증명합니다. 다양한 참조 지도를 구축하고 이를 사용하여 거대한 인구 집단 내의 변이를 예측함으로써, 그들은 우리 DNA 와 질병 사이의 수천 개의 새로운 연관성을 발견했습니다.

핵심 교훈: 형사가 단서 하나만이 아닌 전체 범행 현장을 봐야 하듯이, 과학자들은 이제 우리 유전 '설명서'의 전체 그림을 볼 수 있는 도구를 갖게 되어, 이전에 그림자 속에 숨겨져 있던 질병의 진정한 원인을 찾는 데 도움을 주고 있습니다.

기술 요약

기술 요약: 다계통 장기 리드 시퀀싱 패널을 이용한 구조적 변이체 (SV) 의 대체 (Imputation)

문제 제기
전장 유전체 연관 분석 (GWAS) 은 단일 염기 변이체 (SNV) 와 짧은 삽입/결실에 대한 연관성을 정기적으로 규명하지만, 기능적 역할을 수행함에도 불구하고 50 bp 를 초과하는 대규모 구조적 변이체 (SV) 는 종종 간과됩니다. 전통적인 짧은 리드 시퀀싱은 SV 가 종종 리드 길이를 초과하기 때문에 SV 를 신뢰성 있게 호출하는 데 어려움을 겪습니다. 장기 리드 시퀀싱은 해결책을 제시하지만, 높은 비용으로 인해 대규모 바이오뱅크에 적용하기 어렵습니다. 결과적으로, 유전형이 결정된 샘플로부터 SV 를 대체 (impute) 할 수 있는 견고한 참조 패널이 부족하여 바이오뱅크 규모에서 전장 유전체 SV 연관 분석을 수행하는 능력이 제한됩니다.

방법론
저자들은 이 격차를 해소하기 위해 정제된 다계통 SV 대체 패널을 구축하고 이를 UK 바이오뱅크 (UKB) 에 적용했습니다.

1. 장기 리드 시퀀싱 및 SV 호출:

   • 연구팀은 1000 게놈 프로젝트 (1000G) 의 906 명 개체에 대해 Oxford Nanopore Technologies (ONT) 장기 리드 전장 유전체 시퀀싱을 수행했습니다.
   • 오염된 샘플, 중복 샘플, 저품질 데이터를 제거하기 위한 엄격한 품질 관리 (QC) 후, 888 명의 무관계 개체가 남았습니다 (유럽계, 혼혈 아메리카계, 동아시아계, 남아시아계, 아프리카계 유전적 배경을 대표함).
   • 시퀀싱은 약 6.2 kbp 의 중앙값 리드 길이와 15x 커버리지를 산출했습니다.
   • Tandem repeat 주석과 함께 Sniffles2(v2.0.7) 를 사용하여 공동 변이체 호출 (Joint variant calling) 을 수행했습니다.
   • 벤치마킹: NA12878 개체에 대한 Genome in a Bottle (GIAB) PacBio HIFI 데이터셋을 기준으로 호출 결과를 벤치마킹했습니다. 전장 유전체 비교에서 이 방법은 71.8% 의 정밀도와 76.3% 의 재현율을 달성했습니다. Tandem repeat 영역 (>200 bp) 을 제외할 경우, 성능은 90.4% 의 정밀도와 91.5% 의 재현율로 향상되었습니다. 짧은 리드 Illumina 데이터 (NYGC) 와의 비교는 높은 재현율 (85.4%) 이지만 낮은 정밀도 (15.9%) 를 보여주었는데, 이는 장기 리드 접근법이 알려진 대부분의 SV 를 감지했을 뿐만 아니라 많은 추가적인 '새로운 (novel)' 변이체도 검출했음을 나타냅니다.

2. 패널 구축:

   • 107,445 개의 SV 가 길이 (50 bp~30 Mbp), 결손률 (<20%), 그리고 최소 2 명의 개체에서 존재한다는 기준으로 패널에 선정되었습니다.
   • 이러한 SV 들은 1000G Phase 3 릴리스의 약 4500 만 개의 짧은 변이체 (SNV 및 InDel) 와 병합되었습니다.
   • 결합된 데이터셋은 Beagle5 를 사용하여 위상 결정 (phasing) 및 대체 (imputation) 되어 하플로타입 참조 패널을 생성했습니다.
   • UKB 대체를 위한 '축소 패널'이 생성되어, UKB 유전형이 결정된 SNV(약 702k), 107k 개의 SV, 그리고 벤치마킹을 위한 짧은 변이체의 무작위 하위 집합만 유지되었습니다.

3. 대체 및 연관 분석:

   • SV 들은 Beagle v5.4 를 사용하여 488,130 명의 UKB 참가자에게 대체되었습니다.
   • 대체 품질은 1000G 패널에서의 leave-one-out 교차검증과 특정 결손 (Sniffles2.DEL.3639MF) 에 대한 대체된 유전형과 UKB 짧은 리드 WGS 데이터의 비교를 통해 평가되었으며, 98.7% 의 일치도를 보여주었습니다.
   • Regenie v3 를 사용하여 32 가지 질병 관련 표현형 (호흡기, 심대사, 간) 과 1,463 가지 혈장 단백질 수준에 대해 전장 유전체 SV 연관 분석 (SV-WAS) 이 수행되었습니다.
   • 독립적인 신호를 식별하기 위해 조건부 분석이 수행되었으며, 기존 GWAS 결과 (특히 폐 기능에 대한 Shrine 등) 와 비교하여 사후 GWAS 유전자 우선순위 결정 (Locus-to-Gene, L2G) 이 수행되었습니다.

주요 결과

• 패널 특성: 최종 패널에는 107,445 개의 SV 가 포함되어 있었습니다. 약 70% 는 '새로운' 변이체로 짧은 리드 1000G 데이터에서 감지되지 않았습니다. 가장 흔한 SV 유형은 삽입 (55.8%) 과 결실 (35.8%) 이었습니다. 아프리카계 유전적 배경을 가진 개체는 가장 높은 SV 다양성 (평균 약 18,822 개의 SV) 을 보였으며, 동아시아계 개체는 가장 낮았습니다 (약 14,729 개의 SV).
• 대체 품질: 대체 품질 ($r^2_{imp}$로 측정) 은 공통 변이체와 고신뢰도 유전체 영역에서 더 높았습니다. 고신뢰도 영역의 공통 삽입 및 결실은 평균 $r^2_{imp}$가 약 0.85~0.91 로, 동일한 영역의 대체된 SNV 와 비교할 수 있었습니다.
• 연관 분석 결과:
  • SV-WAS 에서 1,898 개의 고유한 SV 에 걸쳐 3,858 개의 유의한 SV 연관성 (p < 5×10⁻⁸) 이 확인되었으며, 이는 689 개의 고유한 단백질 코딩 유전자에 매핑되었습니다.
  • pQTL 분석에서 1,101 개의 단백질에 대해 10,518 개의 유의한 SV 기반 연관성이 발견되었습니다.
  • 조건부 분석은 SNV 만을 사용한 GWAS 에서 확인된 것 외에 23 개의 추가 로커스에서 SV 가 독립적인 신호를 구성함을 보여주었습니다.
• 유전자 우선순위 결정 사례 연구:
  • 본 연구는 폐 기능 로커스에서 인과적 유전자 식별을 정교화하는 데 SV 가 추가적인 가치를 제공함을 입증했습니다.
  • CFDP1: SV 결실 (Sniffles2.DEL.3639MF) 은 이전 GWAS 가 다른 유전자 (CTRB1, BCAR1) 를 우선순위로 정했던 로커스에서 최상위 신호였습니다. 멘델 무작위화 (MR) 와 공동국소화 (colocalization) 는 CFDP1 을 인과적 유전자로 강력하게 지지했습니다.
  • MEGF6, AAGAB, FLI1: 유사한 분석은 이러한 유전자에 특히 매핑되는 SV 를 식별하여, 종종 여러 후보 유전자를 암시하거나 근접성에만 의존하는 SNV 만의 접근법보다 더 강력한 인과성 증거를 제공했습니다.

의의 및 주장
본 논문은 이 다계통 장기 리드 시퀀싱 패널이 바이오뱅크 코호트에서 최초의 대규모 전장 유전체 SV 연관 분석을 가능하게 한다고 주장합니다. 저자들은 이 자원을 전체 바이오뱅크를 장기 리드 기술로 시퀀싱하는 것보다 실용적이고 비용 효율적인 대안으로 위치시킵니다.

저자가 강조한 주요 기여 사항은 다음과 같습니다:

1. 새로운 변이체 발견: 패널은 짧은 리드 시퀀싱이 놓친 상당수의 SV(70%) 를 포착하여 포괄적인 변이체 목록을 위해 장기 리드 기술의 필요성을 검증합니다.
2. 개선된 유전자 우선순위 결정: 연구는 SV 를 사후 GWAS 워크플로우에 통합함으로써, 특히 SNV 기반 방법이 인과적 유전자를 특정하는 데 어려움을 겪는 유전자 밀집 로커스에서의 유전자 매핑 모호성을 해결할 수 있음을 보여줍니다.
3. 확장성: 대체 프레임워크는 연구자들이 직접적인 장기 리드 시퀀싱의 prohibitive 비용을 치르지 않고도 (예: UKB, BioBank Japan) 다양한 바이오뱅크에서 SV 를 활용할 수 있게 합니다.

저자들은 패널이 알려진 GWAS 로커스에서의 신호를 정밀 매핑하는 데 특히 유용하지만, SV 를 다른 오믹스 데이터와 통합하여 질병 메커니즘을 규명하고 정밀 의학을 지원하는 미래 워크플로우를 위한 기초 자원으로 기능한다고 결론지었습니다. 그들은 이 자원이 사후 GWAS 유전자 우선순위 결정의 일상적인 구성 요소가 되도록 의도되었다고 명시적으로 언급합니다.