Single-cell genetics identifies cell-type-specific effector genes across complex traits and diseases

본 연구는 28 가지 말초 면역 세포 유형에 걸쳐 단일 세포 eQTL 매핑을 활용하여 69 가지 질환 및 31 가지 바이오마커 형질에 대한 세포 유형별 효과 유전자의 포괄적 목록을 구축함으로써 복잡한 질환에 대한 고유한 면역 기여를 규명하고 규제 승인이 더 높은 확률로 예상되는 표적들을 식별하였다.

핵심

상상해 보세요. 당신의 몸은 수백만 개의 서로 다른 동네 (세포) 가 있는 거대하고 분주한 도시입니다. 오랫동안 유전학을 연구하던 과학자들은 이 도시를 헬리콥터 위에서 바라보며, 한 번에 전체를 흐릿하게 찍은 사진을 찍었습니다. 이 '헬리콥터 시야 (대량 조직 분석)'는 어느 동네에 문제가 있는지 알려주었지만, 정확히 어느 거리의 어떤 특정 집 (유전자) 이 trouble 을 일으키고 있는지는 알려주지 못했습니다. 종종 한 동네의 소음이 다른 동네의 조용한 신호를 압도하곤 했습니다.

이 논문은 도시의 모든 동네에 탐정 팀을 보내 고화질, 거리 수준의 사진을 찍는 것과 같습니다. 그들은 TenK10K라는 거대한 새로운 데이터셋을 사용했는데, 여기에는 1,900 명 이상의 사람들과 500 만 개 이상의 개별 면역 세포에 대한 유전적 및 세포 지도가 포함되어 있습니다.

다음은 그들이 발견한 것을 간단히 설명한 것입니다:

1. '세포 탐정' 작업

연구자들은 28 가지 유형의 면역 세포 (도시의 경찰, 소방관, 청소부 등) 를 살펴보았습니다. 그들은 이렇게 질문했습니다: "특정 세포 유형의 특정 유전자가 켜지거나 꺼지면 질병을 유발할까요?"

• 결과: 그들은 유전자와 질병 사이의 85,000 개 이상의 구체적인 연결 고리를 발견했습니다.
• '아하!' 순간: 이러한 연결 고리의 약 **31%**는 이전의 '헬리콥터 시야' 방법으로는 완전히 보이지 않았습니다. 마치 메인 수도 미터가 전혀 보여주지 않았던 특정 파이프의 숨겨진 누수를 발견한 것과 같습니다. 어떤 유전자는 오직 한 가지 특정 유형의 세포에서만 trouble 을 일으키며, 모든 세포를 섞어 놓으면 그 신호는 사라집니다.

2. 신호와 소음 구분하기

때로는 유전적 단서가 특정 유전자를 가리키지만, 사실은 '미끼'일 수 있습니다. 그 유전자는 실제 범인인 다른 유전자 근처에 있을 수도 있고, 유전적 단서가 두 가지 다른 것에 동시에 영향을 줄 수도 있습니다 (예: 공원과 학교 모두를 가리키는 길거리 표지판).

이를 해결하기 위해 팀은 특별한 '진실 필터' ( 멘델 무작위화와 공위치 분석이라는 통계적 테스트의 혼합) 를 사용했습니다.

• 비유: 탐정이 증인을 심문하는 상황을 상상해 보세요. 증인이 다른 질문을 받으면 이야기가 바뀐다면, 탐정은 그 증인이 신뢰할 수 없다는 것을 알게 됩니다. 팀은 이러한 필터를 사용하여 신뢰할 수 없는 단서들을 걸러냈습니다.
• 결과: 그들은 가장 신뢰할 수 있는 용의자 목록으로 범위를 좁혔습니다. 초기 단서의 약 **20%**가 '진실 필터'와 '미끼 테스트'를 모두 통과할 만큼 확고하다는 것을 발견했습니다.

3. 질병의 '도시 지도'

그들은 어떤 세포 유형이 어떤 질병을 responsible 하는지 보여주는 거대한 지도를 만들었습니다.

• 크론병 (장 염증): 그들은 특정 유형의 '수지상 세포' (도시의 보안 요원) 가 주요 troublemaker 라는 것을 발견했습니다. 흥미롭게도, 서로 다른 유형의 보안 요원이 서로 다른 질병을 일으켰습니다. 예를 들어, 한 유형의 보안 요원은 크론병과 연관되었고, 다른 유형은 COVID-19 중증도와 연관되었습니다.
• 전신성 홍반성 루푸스 (SLE): 그들은 특정 'B 세포' (도시의 항체 공장) 가 문제를 일으키고 있음을 발견했으며, 심지어 그 공장들이 무엇을 잘못하고 있는지 (예: 특정 신호를 과다 생산하는 것) 도 볼 수 있었습니다.

4. 의학에 미치는 의미 ( '약물 표적' 확인)

연구자들은 개발 중인 약물 데이터베이스와 그들의 '유죄 유전자' 목록을 비교했습니다.

• 발견: 이 새로운 '거리 수준' 방법으로 식별된 유전자를 표적으로 하는 약물은 기존 방법을 기반으로 한 약물보다 규제 당국의 승인을 받을 가능성이 두 배 높습니다.
• 비유: 차를 고치는 상황을 상상해 보세요. 차고 밖에서 엔진 소리를 듣고 문제를 추측하면 (구식 방법), 잘못된 부품을 고칠 수 있습니다. 하지만 후드를 열고 특정 점화 플러그를 살펴보면 (신식 방법), 차를 성공적으로 고칠 가능성이 훨씬 높아집니다.
• 구체적인 예: 그들은 크론병과 천식 치료제와 같은 알려진 표적을 확인했지만, 알츠하이머병과 제 2 형 당뇨병과 같은 질병에 대한 새로운 후보들도 발견했습니다. 이는 이러한 질병들이 뇌나 대사에 영향을 미치지만, '면역 도시'가 이를 이해하는 열쇠를 가지고 있음을 시사합니다.

5. 실제 조직과의 '교차 확인'

크론병과 같은 장에서 발생하는 질병에 대해 그들의 '면역 세포' 지도가 정확한지 확인하기 위해, 그들은 실제 장 조직을 조사한 별도의 연구와 발견 사항을 비교했습니다.

• 결과: 그들은 오직 혈액 세포만 살펴보았음에도 불구하고, 그들의 발견은 장에서 일어나는 일과 매우 잘 일치했습니다. 이는 많은 질병들의 경우, 구하기 쉬운 혈액을 살펴보는 것이 장과 같이 접근하기 어려운 곳에서 일어나는 일에 대해 많은 것을 알려줄 수 있음을 시사합니다.

요약

이 논문은 흐릿하고 뒤섞인 도시 사진을 보는 것에서 모든 동네의 상세한 고화질 지도를 갖는 것으로의 거대한 도약입니다. 정확히 어떤 세포 유형과 어떤 유전자가 질병을 일으키는지 파악함으로써, 그들은 과학자들이 더 좋고 효과적인 의약품을 개발할 수 있도록 훨씬 더 명확한 로드맵을 제공했습니다. 그들은 약 3 분의 1의 중요한 질병 단서가 이전에 숨겨져 있었으며, 이 새로운 방법을 사용하면 약물 개발이 성공할 가능성이 훨씬 높아진다는 것을 발견했습니다.

기술 요약

기술 요약: 단일 세포 유전학이 복잡한 형질 및 질병 전반의 세포 유형별 효과 유전자를 식별함

문제 제기
전장 유전체 연관 분석 (GWAS) 은 수천 개의 복잡한 형질 및 질병과 관련된 유전자좌 (loci) 를 성공적으로 식별해 왔으나, 이러한 신호의 대부분은 비코딩 영역에 위치하여 인과적 효과 유전자와 기작의 식별을 복잡하게 만듭니다. 발현 정량적 형질 유전자좌 (eQTL) 매핑은 변이를 유전자와 연결하는 데 도움이 되지만, 전통적인 벌크 조직 분석은 종종 세포 유형별로 매우 특이적인 조절 효과를 흐리게 만듭니다. 기존 단일 세포 eQTL(sc-eQTL) 연구는 통계적 검정력 (power) 이 부족하여 복잡한 질병에서 효과 유전자를 우선순위화하는 데 활용도가 제한되었습니다. 또한, GWAS 를 세포 지도 (cell atlases) 와 통합하는 방법들은 종종 유전적으로 유도된 유전자 발현의 변화가 질병 위험에 인과적으로 기여하는지 직접 평가하지 않고 상관관계만 확립하는데, 이는 공발현과 연관 불평형 (LD) 이 해석을 혼란스럽게 만들 수 있는 면역계와 같은 이질적인 조직에서 특히 중요한 차이점입니다.

방법론
저자들은 1,925 명의 개인으로부터 28 가지 서로 다른 면역 세포 유형에 대해 수집된 500 만 개 이상의 말초 혈액 단핵구 (PBMC) 에 대한 매칭된 전장 유전체 시퀀싱 (WGS) 과 단일 세포 RNA 시퀀싱 (scRNA-seq) 으로 구성된 TenK10K 프로젝트 1 단계 데이터를 활용했습니다.

1. sc-eQTL 매핑: SAIGE-QTL 을 사용하여 저자들은 17,674 개의 eGenes 에 대해 154,932 개의 공통 변이 sc-eQTL 을 식별했습니다. 멘델 무작위화 (MR) 를 위해, $P < 5 \times 10^{-8}$ 수준에서 연관된 최소 하나의 cis-eQTL 을 가진 12,266 개의 eGenes 로 분석을 제한했습니다.
2. 멘델 무작위화 (MR): 69 개의 복잡한 질병과 31 개의 생체 표지자 형질에 대한 유전자 발현의 방향성 효과를 테스트하기 위해 다중 도구 요약 데이터 기반 MR 프레임워크 (SMR) 를 적용했습니다. 유전적 변이는 특정 세포 유형에서의 유전자 발현을 예측하는 도구로 사용되었습니다.
3. 민감도 분석 및 공동 위치화 (Colocalisation): 수평적 다면성 (도구가 노출과 무관한 경로를 통해 결과에 영향을 미치는 경우) 을 해결하기 위해 연구에서는 다음을 활용했습니다:
   • HEIDI(의존적 도구 내 이질성) 검정.
   • 도구 이질성을 위한 Cochran 의 Q 통계량.
   • 다면성 탐지를 위한 MR-link-2.
   • eQTL 과 GWAS 신호가 동일한 인과적 변이에서 유래하는지 확인하기 위해 단일 변이 (coloc) 및 다중 인과적 변이 (coloc-SuSiE) 모델을 모두 사용한 유전적 공동 위치화.
4. 비교 분석: 결과는 기존 유전자 기반 GWAS 접근법 (MAGMA) 과 eQTLGen 컨소시엄의 전혈 eQTL 도구를 사용한 벌크 조직 MR 에 대해 벤치마킹되었습니다.
5. 다유전자 풍부화: 단일 세포 질병 관련성 점수 (scDRS) 프레임워크를 사용하여 100 가지 형질에 대해 개별 세포 및 세포 유형 수준에서의 다유전자 풍부화를 정량화했습니다.
6. 기능적 및 번역적 통합:
   • CD4+ 세포독성 T 림프구에 대한 기능적 풍부화 분석을 STRING 을 사용하여 수행했습니다.
   • 전신성 홍반성 루푸스 (SLE) 의 B 세포에 대한 세포 기능 점수를 scDeepID 를 사용하여 계산했습니다.
   • 약물 표적 검증은 Open Targets 플랫폼과 MR 결과를 교차 참조하여 임상 개발 성공률 및 작용 기전 (MoA) 일치성을 평가하는 과정을 포함했습니다.
7. 삼각화 (Triangulation): 크론병의 경우, 문헌 주석, 장 조직 scRNA-seq 에서의 차등 발현 유전자 (DEG), 그리고 외부 sc-eQTL 데이터셋 (IBDverse) 과의 결과를 삼각화하여 검증했습니다.

주요 기여 및 결과

• 포괄적인 효과 유전자 목록: 이 연구는 28 가지 면역 세포 유형 전반에 걸쳐 질병 형질에 대해 54,245 개의 MR 연관성 및 생체 표지자 형질에 대해 348,103 개의 MR 연관성을 생성했으며, 이는 각각 5,270 개 및 9,581 개의 유전자를 포괄합니다.
• 세포 유형 특이성: sc-eQTL MR 을 통해 식별된 유전자 - 형질 연관성의 약 31% 는 MAGMA 에 의해, 35% 는 벌크 조직 MR(eQTLGen) 에 의해 검출되지 않았습니다. 이러한 "고유한" 연관성은 종종 소수의 세포 유형으로 제한되었으며, 이는 단일 세포 분석을 통해 얻은 해상도의 이점을 강조합니다. 예를 들어, BANK1 은 전혈 분석에서는 가려졌으나, 미성숙 B 세포 (naïve B cells) 에서만 SLE 에 영향을 미치는 것으로 확인되었습니다.
• 다면성 분리: 초기 402,348 개의 MR 연관성 중 81% 는 적어도 하나의 민감도 분석 또는 공동 위치화 방법으로 지지되었으며, 18% 는 두 가지 방법 모두로 지지되었습니다. 이 연구는 수평적 다면성이 면역 형질 (69%) 과 HLA 영역에서 특히 흔하며, 엄격한 민감도 검사가 필요함을 입증했습니다.
• 다유전자 풍부화 패턴: 다유전자 풍부화 분석은 다양한 상태에 대한 고유한 면역 세포 기여도를 드러냈습니다. 예를 들어, 크론병은 수지상 세포 아형 (cDC1, cDC2) 에서 강한 풍부화를 보인 반면, COVID-19 입원 사례는 형질수지상 세포 (pDC) 에서 풍부화가 관찰되었습니다.
• 약물 표적 검증: 단일 세포 MR 로 지지된 표적 - 적응증 쌍은 지지되지 않은 쌍에 비해 규제 승인을 받을 가능성이 2.2 배 더 높았습니다. 이 연구는 Open Targets 에 기존 유전적 증거가 없었으나 MR 지지를 받은 49 개의 표적 - 적응증 쌍을 확인하여 증거 점수 정제 및 약물 재창출의 기회를 제시했습니다. MR 이 예측한 효과 방향과 약물 작용 기전 간의 일치성은 특히 승인된 약물의 경우 유의미했습니다.
• 크론병 사례 연구: 삼각화를 통해 이 연구는 크론병과 관련된 180 개의 고유한 유전자를 식별했습니다. 이는 특정 세포 유형 맥락과 효과 방향을 가진 ATG16L1, IRGM, CARD9 와 같은 알려진 유전자를 성공적으로 재발견하면서도 새로운 후보들을 식별했습니다. IBDverse 데이터셋과의 비교는 eQTL 의 높은 재현성 (64–95% $\pi_1$ 통계량) 과 공동 위치화된 유전자의 풍부화를 보여주어, 장 조직 신호의 대리 지표로서 PBMC 기반 sc-eQTL 의 유용성을 검증했습니다.

의의
이 논문은 질병의 세포 유형별 유전적 구조를 이해하기 위한 기초 자원을 제시합니다. 인구 규모 sc-eQTL 데이터와 GWAS 를 통합함으로써 저자들은 벌크 전사체 분석에서 종종 가려지는 조절 효과를 드러내는 효과 유전자 우선순위화 프레임워크를 제공합니다. 이 연구는 단일 세포 해상도가 다음과 같은 측면에서 결정적임을 보여줍니다:

1. 기존 방법으로는 놓치는 맥락별 인과 유전자를 식별하는 것.
2. 복잡한 유전자좌 (예: HLA) 에서의 다면적 효과를 분리하는 것.
3. 세포 유형별 인과 효과를 약물 개발 성공 및 작용 기전과 연결하여 치료적 발견을 안내하는 것.

저자들은 이 세포 유형이 해결된 효과 유전자 지도가 면역 매개 및 전신성 질환을 위한 기전적 이해를 진전시키고 정밀 치료 전략을 안내하는 귀중한 자원을 제공한다고 결론지었습니다. 그들은 잔류 다면성, PBMC 가 모든 조직 특이적 효과를 포착하지 못할 가능성, 그리고 실험적 검증의 필요성 등 한계를 인정하면서도, 가설 생성을 위한 고해상도 필터로서의 접근법의 유용성을 강조합니다.