Separating the genetics of disease, treatment and treatment response using graphical modeling and large-scale electronic health records.

이 논문은 대규모 전자의무기록과 그래프 모델링을 활용하여 질병, 약물 처방, 치료 반응에 대한 유전적 영향을 분리 분석함으로써 고혈압 및 콜레스테롤 치료와 관련된 새로운 유전적 표지자를 규명하고 치료 반응에 영향을 미치는 유전적 요인을 규명한 연구입니다.

핵심

이 연구는 **"왜 같은 약을 먹어도 사람마다 효과가 다를까?"**라는 오래된 질문에 대해, 거대한 데이터와 새로운 수학적 방법을 이용해 답을 찾은 흥미로운 이야기입니다.

기존의 방식은 마치 "약이 먹은 후의 혈압만 보고" "이 약이 효과가 있었나?"를 판단하는 것과 비슷했습니다. 하지만 연구자들은 **"약 먹기 전의 혈압 상태"**와 **"약 처방을 받은 이유"**까지 함께 고려해야만 진짜 원인을 찾을 수 있다고 주장합니다.

이 복잡한 과정을 이해하기 쉽게 세 가지 비유로 설명해 드리겠습니다.

---

1. 새로운 탐정 도구: "시간을 거슬러 올라가는 그래프"

기존의 유전체 연구는 마치 단순한 사진을 보는 것과 같았습니다. "약 먹기 전"과 "약 먹은 후"의 두 장 사진을 비교해서 차이를 찾는 것이죠. 하지만 이 방법은 혼란스러울 수 있습니다.

• 문제 상황: 혈압이 높은 사람이 약을 먹어서 혈압이 떨어졌다면, 그건 약이 잘 먹힌 걸까요? 아니면 원래 혈압이 높아서 약을 더 강력하게 먹였기 때문일까요?
• 이 연구의 해결책: 연구자들은 **"시간이 흐르는 영화"**를 보는 새로운 방법 (그래픽 모델링) 을 개발했습니다.
  • 이 방법은 유전자가 ① 원래 혈압을 어떻게 결정하는지, ② 의사가 어떤 약을 처방하게 만들었는지, 그리고 ③ 약을 먹은 후 혈압이 어떻게 변했는지를 동시에 분석합니다.
  • 마치 **세 가지 줄기 (유전적 소인, 치료 선택, 치료 반응)**가 얽혀 있는 실타래를 하나하나 풀어서, 어떤 유전자가 어떤 줄기에 영향을 주는지 정확히 찾아내는 것입니다.

2. 혈압의 비밀: "50 세 이전의 유전적 설계도"

이 연구는 수백만 명의 영국 생체은행 (UK Biobank) 데이터를 분석하여 놀라운 사실을 발견했습니다.

• 비유: 혈압은 마치 집의 기초 공사와 같습니다.
• 발견: 혈압을 결정하는 유전적 설계도는 대부분 50 세 이전에 이미 거의 완성되어 있었습니다. 즉, 젊은 시절의 유전적 특징이 평생의 혈압 흐름을 크게 좌우한다는 뜻입니다.
• 예외: 물론 50 세 이후에도 나이에 따라 달라지는 작은 변화 (127 개의 유전자 위치) 가 있지만, 전체적인 뼈대는 이미 어릴 때부터 정해져 있었습니다.

3. 약의 효과: "유전자가 약을 고르게 만들다"

가장 중요한 발견은 약에 대한 반응입니다.

• 기존의 오해: "약이 잘 듣는 사람"과 "안 듣는 사람"의 차이는 약을 먹은 후의 변화에만 있다고 생각했습니다.
• 새로운 발견: 연구자들은 **약이 먹기 전의 상태 (기저 질환)**를 고려한 뒤, 진짜로 약에 반응하는 유전자를 찾아냈습니다.
  • 성공 사례 (스타틴): 콜레스테롤 약 (스타틴) 과 관련된 이미 알려진 유전자들을 다시 찾아내어 이 방법의 정확성을 입증했습니다.
  • 새로운 발견 (ARB 계열): 고혈압 치료제 중 하나인 '안지오텐신 수용체 차단제 (ARB)'를 처방받는 사람들과 관련된 새로운 유전자 (KCNIP4, PKD1, SLC35F2) 를 발견했습니다.
    • 예를 들어, KCNIP4라는 유전자를 가진 사람들은 특정 고혈압 약 (ACE 억제제) 을 먹으면 기침이 심해질 수 있어, 대신 ARB 계열 약을 더 많이 처방받는 경향이 있다는 것을 밝혀냈습니다.

요약: 왜 이 연구가 중요할까요?

이 연구는 **"유전자가 질병 자체뿐만 아니라, 어떤 약을 처방받게 하고, 그 약이 얼마나 잘 듣는지도 결정한다"**는 것을 증명했습니다.

앞으로 의사는 환자의 유전자를 보고 **"이 환자는 원래 혈압이 높으니 A 약을 줘야 하고, B 약은 효과가 없을 것이다"**라고 더 정확하게 예측할 수 있게 될 것입니다. 이는 **맞춤형 의학 (Personalized Medicine)**의 큰 걸음이며, 불필요한 시도를 줄이고 환자에게 딱 맞는 약을 빠르게 찾아주는 '스마트한 치료'의 시대를 열었습니다.

한 줄 요약:

"유전자는 우리가 어떤 병에 걸리는지, 어떤 약을 처방받게 되는지, 그리고 그 약이 얼마나 잘 듣는지까지 결정하는 **'생명의 설계도'**였으며, 이제 우리는 그 설계도를 더 정교하게 읽을 수 있게 되었습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존의 한계: 기존 약물유전체학 연구는 주로 치료 전후의 biomarker(예: 혈압) 변화량 (absolute/relative change) 을 종속 변수로 사용하여 유전적 효과를 추정했습니다. 그러나 이는 다음과 같은 심각한 통계적 편향을 초래합니다.
  • 기저값의 영향: 유전적 변이는 기저 건강 상태 (baseline biomarker) 에 영향을 미치며, 이는 다시 어떤 치료를 선택할지 (처방 결정) 와 치료 후 변화의 크기에 영향을 줍니다.
  • 내생성 편향 (Endogeneity Bias): 치료 선택과 기저 표현형 간의 관계로 인해 인과 추론이 왜곡될 수 있습니다.
  • 스케일 의존성: 변화 점수 (change scores) 를 사용하는 것은 척도에 의존적이며, 기저값을 보정할 때 편향이 발생할 수 있습니다.
• 목표: 질병 (기저 혈압), 치료 선택 (약물 처방), 그리고 치료 반응 (약물 투여 후 혈압 변화) 의 유전적 효과를 명확히 분리하여 식별할 수 있는 방법론을 개발하는 것입니다.

2. 방법론 (Methodology)

저자들은 시간을 인식하는 그래프 모델링 (Time-aware Graphical Modeling) 기법을 도입하여 대규모 생체은행 (Biobank) 데이터를 분석했습니다.

• 데이터 소스: UK Biobank 의 전자 건강 기록 (EHR) 을 활용하여 211,845 명의 개인으로부터 142 만 건 이상의 반복 혈압 측정치, 111 만 건 이상의 처방 기록 (ACE 억제제, ARB, CCB, 이뇨제, 베타 차단제, 스타틴 등 6 개 클래스), 그리고 843 만 개의 imputed SNP 와 17,852 개의 전장 엑솜 시퀀싱 (WES) 손실 기능 (LoF) 변이를 통합했습니다.
• 연구 설계 (Pre-post Study Design):
  • 데이터를 연령대 (Age groups) 별로 나누어 시간 순서대로 배열했습니다.
  • 각 시간점에서 치료 전 혈압, 치료 여부 (이진 변수), 치료 후 혈압을 관측 변수로 정의했습니다.
• 그래프 모델링 알고리즘 (CI-GWAS):
  • 조건부 독립성 (Conditional Independence, CI) 테스트: 변수들 간의 관계를 학습하는 그래프 모델을 구축합니다.
  • 시간적 조건부 (Time-aware Conditioning): 미래의 변수가 과거의 변수에 인과적 영향을 줄 수 없다는 전제를 바탕으로, 조건부 집합 (Conditioning set) 에는 오직 이전 시간점의 변수나 현재 시간점의 변수만 포함시킵니다.
  • 구체적 조건부 분석:
    1. 기저 혈압: 유전적 변이와 치료 전 혈압의 연관성을 분석 (기저 질환의 유전적 기저).
    2. 치료 선택: 기저 혈압과 다른 공변량을 조건으로 두고, 유전적 변이와 치료 처방 (약물 사용) 간의 연관성을 분석.
    3. 치료 반응: 기저 혈압과 치료 처방을 모두 조건으로 두고, 유전적 변이와 치료 후 혈압 간의 연관성을 분석. 이를 통해 치료 반응에 특이적인 유전적 효과를 분리해냅니다.
• 시뮬레이션 검증: 다양한 유전적 시나리오 (약물 반응 유전성 유무, 연령별 반응 등) 와 결측 데이터 패턴 (선택 편향 등) 하에서 제안된 방법의 거짓 발견률 (FDR) 통제 능력과 검출력 (True Positive Rate, TPR) 을 기존 GWAS 방법 (기저값 보정, 변화량 분석 등) 과 비교하여 검증했습니다.

3. 주요 결과 (Key Results)

A. 방법론적 유효성

• 시뮬레이션 결과, 제안된 그래프 모델은 FDR 을 5% 수준으로 잘 통제하면서도, 특히 후속 시간점 (나이가 들어감) 에서의 연령별 특이적 유전 효과를 기존 GWAS 방법보다 높은 검출력으로 찾아냈습니다.
• 결측 데이터가 무작위로 발생하지 않는 상황 (예: 건강한 사람이 검사를 받지 않음) 에서도 강건한 성능을 보였습니다.

B. 고혈압 (혈압) 유전체 분석 결과

• 기저 혈압: 혈압의 유전적 변이는 주로 50 세 이전에 형성되는 것으로 나타났습니다. 50 세 이후에도 연령별 특이적 혈압 변화와 관련된 127 개의 독립적 로커 (loci) 를 발견했으나, 전체적인 유전 구조는 중년 이후에도 안정적으로 유지되었습니다.
• 치료 반응 (Treatment Response): 치료 전 혈압과 치료 처방을 조건으로 했을 때, 4 개의 독립적인 유전 변이가 혈압 치료 반응에 영향을 미치는 것으로 확인되었습니다.
  • ADAMTSL1 (rs117686634): 젊은 연령대에서 치료 후 수축기 혈압 (SBP) 반응과 연관됨. 이 유전자는 혈관 재형성 (vascular remodeling) 에 관여하며, 기존 연구에서 이뇨제 및 베타 차단제 반응과 연관된 바 있음.
  • PANO1, GTSF1L, AC005944.2 등도 치료 반응과 연관된 변이로 확인됨.
  • 이러한 변이들은 기저 혈압이나 기존 GWAS 카탈로그에서는 유의미한 연관성이 없었음 (치료 반응 특이적).

C. 약물 처방 (Treatment Selection) 관련 약물유전체 변이

• ARB(안지오텐신 수용체 차단제) 처방:
  • KCNIP4 (rs12513069): 흔한 변이 (MAF 0.363) 로, ARB 처방과 연관성이 있음. All of Us 코호트에서 유럽계 및 아메리카계 집단에서 재현됨. 이 변이 보유자는 ACE 억제제 처방 가능성이 더 높았음.
  • PKD1 (LoF 변이): 다낭성 신장 질환 (ADPKD) 과 관련된 유전자. ARB 처방과 강한 연관성을 보였으며, All of Us 에서 재현됨.
  • SLC35F2 (LoF 변이): 새로운 약물유전체 후보 유전자로 발견됨.
• 스타틴 (Statin) 처방:
  • APOE (rs7412), PCSK9 (rs11591147), LDLR (LoF) 등 기존에 잘 알려진 스타틴 효능 및 처방과 관련된 변이들을 재발견하여 방법론의 타당성을 입증함.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 새로운 통계적 프레임워크: 질병, 치료 선택, 치료 반응을 동시에 모델링하여 서로 다른 유전적 효과를 분리하는 시간 인식형 그래프 모델을 제안했습니다. 이는 기존 변화량 (change score) 기반 분석의 편향을 해결합니다.
2. 대규모 데이터 활용: RCT(무작위 대조 시험) 보다 훨씬 큰 규모의 관찰 데이터 (EHR 기반 생체은행) 를 활용하여 희귀 변이 (LoF) 와 흔한 변이 (SNP) 를 모두 분석할 수 있는 가능성을 보여주었습니다.
3. 새로운 약물유전체 표적 발견:
   • ADAMTSL1과 같은 치료 반응 특이적 변이를 발견했습니다.
   • KCNIP4, PKD1, SLC35F2와 같은 ARB 처방과 연관된 새로운 유전적 표적을 발견하고, All of Us 코호트에서 재현성을 확인했습니다.
4. 임상적 함의: 고혈압 치료에서 유전적 변이가 기저 혈압을 결정하는 주된 요인임을 확인했으나, 일부 변이는 치료 반응이나 치료 선택에 독립적인 영향을 미친다는 것을 규명했습니다. 이는 향후 맞춤형 치료 (Precision Medicine) 전략 수립에 중요한 기초 자료가 됩니다.

5. 결론

이 연구는 대규모 생체은행 데이터를 그래프 모델링 기법으로 분석함으로써, 복잡한 약물유전체학 문제 (질병 vs 치료 vs 반응) 를 체계적으로 분리해 낼 수 있음을 입증했습니다. 이를 통해 기존에는 발견되지 않았거나 혼란스러웠던 치료 반응 특이적 유전 마커와 치료 선택 관련 유전 마커를 성공적으로 발굴하였으며, 향후 임상적 약물유전체학 연구의 새로운 표준 방법론을 제시했습니다.