Multimodal Machine Learning Reveals the Genomic and Proteomic Architecture of Heart Failure with Preserved Ejection Fraction

이 연구는 심전도, 심장 MRI, 생체표지자를 통합한 TRIAD-HFpEF 라는 머신러닝 프레임워크를 통해 심부전 (HFpEF) 의 확률적 진단을 가능하게 하고, 이를 UK Biobank 에 적용하여 90 개 이상의 새로운 유전적 좌위와 FLT3 와 같은 치료 표적을 발굴하는 동시에 MPO 와 같은 비인과적 생체표지자를 배제함으로써 복잡한 증후군의 유전적 발견과 치료 전략을 혁신적으로 확장했습니다.

핵심

🏥 문제: "보이지 않는 적"을 잡으려는 노력

HFpEF는 심장이 수축할 힘은 정상인데, 이완 (이완) 할 때 딱딱해서 피를 제대로 받아내지 못하는 병입니다.

• 현실: 전 세계 3 천만 명이 앓고 있지만, 정확한 진단 기준이 모호하고, 기존 데이터베이스에는 이 병을 명확히 구분하는 정보가 거의 없습니다. 마치 "숨은 그림 찾기"를 하려는데, 그림이 흐릿하게 그려져 있는 상황과 같습니다.
• 결과: 그래서 지금까지 이 병의 유전적 원인을 찾아낸 것은 고작 2 개뿐이었습니다. (약물 개발 실패 확률이 매우 높은 상태죠.)

🤖 해결책: "세 가지 눈"을 가진 AI (TRIAD-HFpEF)

연구팀은 Stanford 대학의 실제 환자 데이터를 이용해 3 가지 다른 '눈'을 가진 AI 모델을 만들었습니다. 이를 TRIAD-HFpEF라고 부릅니다.

1. 심전도 (ECG) 눈: 심장의 전기 신호를 보는 눈.
2. 심장 MRI 눈: 심장의 구조와 움직임을 영상으로 보는 눈.
3. 혈액 검사 (Biomarker) 눈: 혈액 속 단백질 수치를 보는 눈.

이 AI 는 각기 다른 정보를 보고 "이 사람이 HFpEF 일 확률이 몇 % 일까?"를 **연속적인 숫자 (확률)**로 예측합니다. 기존의 '병이다/아니다'라는 이분법적 판단 대신, **질병의 스펙트럼 (연속성)**을 파악하는 것입니다.

비유: 기존에는 "이 사람은 병에 걸렸다/안 걸렸다"라고 딱 잘라 말했지만, 이 AI 는 "이 사람은 병에 걸릴 가능성이 85% 이고, 저 사람은 40% 입니다"라고 정교하게 점수를 매깁니다.

🌍 적용: 영국 빅데이터 (UK Biobank) 에 적용하기

이 AI 를 영국에 있는 50 만 명 이상의 대규모 건강 데이터 (UK Biobank) 에 적용했습니다.

• 성과: 이 데이터에는 HFpEF 라는 명확한 진단 코드가 없었지만, AI 가 예측한 '확률'을 이용해 새로운 환자를 찾아냈습니다.
• 검증: AI 가 예측한 '고위험군'은 실제로 심장 크기가 커지거나, 심부전으로 입원하거나, 사망할 위험이 높은 사람들과 일치했습니다. 즉, AI 가 만든 가상의 진단이 현실과 잘 맞습니다.

🔬 발견: 유전자의 비밀을 밝히다 (45 배의 확장!)

이제 AI 가 찾아낸 '정확한 환자들'을 바탕으로 유전자 분석을 했더니 놀라운 결과가 나왔습니다.

• 기존: 알려진 유전자 2 개.
• 새로운 발견: **90 개 이상의 새로운 유전자 위치 (Loci)**를 발견했습니다. (약 45 배 증가!)
• 핵심: 이 유전자들은 대사 (비만 관련), 심장 발달, 염증 등 다양한 원인이 복합적으로 작용함을 보여줍니다.

💊 치료제 vs 진단 마커: "원인"과 "결과"를 구별하다

가장 중요한 발견은 어떤 단백질이 '병을 일으키는 원인'이고, 어떤 것이 '병이 생긴 후 나타나는 결과'인지를 구별했다는 점입니다.

1. 치료 표적 (원인) - FLT3

• 발견: FLT3라는 단백질이 심장을 보호하는 역할을 한다는 것을 발견했습니다.
• 검증: FLT3 를 억제하는 약 (백혈병 치료제) 을 쓰면 심장이 딱딱해지고 HFpEF 가 악화되는지 확인했습니다.
• 결과: 네, 맞습니다. FLT3 억제제를 쓰면 심부전 위험이 7 배나 늘었습니다.
• 의미: FLT3 를 활성화시키는 약을 개발하면 HFpEF 를 치료할 수 있는 새로운 길이 열렸습니다.

2. 진단 마커 (결과) - MPO

• 발견: MPO라는 단백질은 HFpEF 가 생긴 후에 혈중 농도가 높아지는 것을 발견했습니다.
• 검증: 최근 MPO 억제제 임상 시험이 실패한 것과 일치합니다.
• 의미: MPO 는 병을 치료할 '표적'이 아니라, 병이 있는지 확인하는 **'경보등 (진단 마커)'**입니다. 이걸 치료제로 쓰면 안 됩니다.

🎯 결론: 왜 이 연구가 중요한가?

이 연구는 **"AI 가 만든 정교한 진단 도구"**를 통해, 그동안 어둠 속에 있던 심부전의 유전적 비밀을 밝혀냈습니다.

1. 진단 혁신: 불완전한 의료 기록을 AI 가 보완하여 정확한 환자 군을 찾아냈습니다.
2. 유전학 폭발: 2 개였던 유전자 정보를 100 개 이상으로 늘렸습니다.
3. 약물 개발 방향 제시: "무엇을 치료해야 하는지 (FLT3)"와 "무엇을 진단 도구로 써야 하는지 (MPO)"를 명확히 구분하여, 막힌 치료제 개발의 길을 열었습니다.

한 줄 요약:

"AI 가 심장의 숨은 신호를 읽어내어, HFpEF 라는 미스터리한 병의 유전적 지도를 완성하고, 진짜 치료제 후보와 단순한 진단 도구를 가려낸 획기적인 연구입니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 질병의 심각성: 보존된 박출 Fraction 심부전 (HFpEF) 은 전 세계 3 천만 명 이상에게 영향을 미치며, 미국에서만 연간 300 억 달러의 비용이 발생하고 입원 후 1 년 내 사망률이 30% 에 달합니다.
• 치료의 한계: 현재 HFpEF 를 질병 수정 (disease-modifying) 할 수 있는 치료제는 부재하며, 기존 치료는 입원 횟수만 줄일 뿐 사망률 감소에는 미미한 효과만 보입니다.
• 유전체 연구의 장벽: 유전체 기반 약물 개발은 성공 확률을 2.6 배 높이지만, HFpEF 의 경우 대규모 생체은행 (Biobank) 내의 부정확한 표현형 (phenotyping) 으로 인해 유전적 발견이 제한되었습니다.
  • UK Biobank(UKB) 와 같은 주요 데이터셋에는 HFpEF 를 정의하는 진단 코드 (ICD 코드) 가 없으며, echocardiogram(초음파) 이나 NT-proBNP/BNP 수치, 약물 기록이 부족합니다.
  • 기존 HFpEF 유전체 연구 (GWAS) 는 단 2 개의 유전자 좌위 (FTO, IGFBP7) 만을 발견하는 데 그쳤습니다.
• 해결 과제: HFpEF 는 이분법적 진단이 아닌 연속적인 스펙트럼을 가지며 확률적 특성을 지니므로, 다중 모달 임상 데이터를 활용한 머신러닝 기반의 정밀 표현형 추정이 필요합니다.

2. 방법론 (Methodology)

연구팀은 TRIAD-HFpEF라는 새로운 머신러닝 프레임워크를 개발하여 4 단계로 연구를 수행했습니다.

A. 정밀 표현형 구축 (Stanford 데이터)

• 데이터: 스탠포드 헬스케어의 임상 데이터 (ECG, 심장 MRI, 생체표지자, 에코그래피 등) 를 활용.
• 표현형 정의:
  1. HFpEF 전자건강기록 (EHR) 코드가 있는 환자.
  2. 코드가 없더라도 에코그래피 (LVEF >50%, 이완기 기능 이상), NT-proBNP/BNP 상승, 이뇨제 사용 등 국제 가이드라인에 부합하는 환자.
  3. H2FPEF 점수를 계산하여 확률적 표현형으로 정제.
• 제외 기준: 심장이식, 선천성 심장병, 폐동맥고혈압 환자 제외.

B. TRIAD-HFpEF 모델 학습

세 가지 서로 다른 모달리티를 기반으로 한 3 개의 독립적인 모델을 학습시켰습니다.

1. TRIAD-ECG: 12 유도 ECG 신호 (Convolutional Neural Network, Attention mechanism 활용) 와 117 개의 정량적 ECG 측정치를 XGBoost 와 결합하여 학습.
2. TRIAD-CMR: 3 차원 심장 MRI 영상 (4-chamber, 3-chamber, 2-chamber cine 영상) 을 ResNet V2 기반의 딥러닝 모델로 학습.
3. TRIAD-LAB: 임상 생체표지자 (혈액 검사), 인구통계학적 데이터, 약물 이력 등을 XGBoost 를 통해 학습.

C. UK Biobank 배포 및 검증

• 학습된 모델을 UK Biobank 데이터에 적용하여 모든 참가자에게 **HFpEF 발생 확률 (0~1)**을 할당했습니다.
• 검증 방법:
  • 예측 확률과 심장 구조/기능 지표 (좌심방 부피, 심근 질량 등) 간의 상관관계 분석.
  • LVEF <50% 인 환자 (심부전 아님) 를 정확히 '비 HFpEF'로 분류하는지 확인.
  • 심혈관 사망률, 심부전 입원, 비특이적 심부전 코드와의 생존 분석 (Survival Analysis) 수행.

D. 다중 오믹스 (Multi-omic) 분석

• GWAS: 3 개의 모델에서 도출된 연속형 HFpEF 확률을 종속변수로 하여 전장 유전체 연관 분석 (GWAS) 수행.
• 프로테오믹스: UK Biobank 의 2,940 개 단백질 데이터를 활용한 프로테옴 전체 연관 분석 (PWAS).
• 인과성 규명:
  • Colocalization: 유전적 변이와 단백질 발현이 동일한 원인 변이를 공유하는지 분석.
  • 양방향 멘델 무작위화 (Bidirectional MR): 단백질이 HFpEF 의 원인인지 (Forward), 아니면 HFpEF 의 결과인지 (Reverse) 구분.

3. 주요 결과 (Key Results)

A. 모델 성능 및 검증

• 성능: 테스트 세트에서 TRIAD-LAB (AUC 0.84), TRIAD-ECG (AUC 0.81), TRIAD-CMR (AUC 0.74) 로 높은 예측 정확도 달성.
• 검증:
  • 예측 확률은 좌심방 부피 증가, 심근 비후, 이완기 기능 저하 등 HFpEF 의 전형적인 구조/기능적 특징과 강력한 상관관계를 보임.
  • LVEF <50% 인 환자를 68~91% 의 정확도로 '비 HFpEF'로 분류.
  • 높은 HFpEF 확률은 심부전 입원 및 심혈관 사망률 위험을 유의미하게 예측함 (TRIAD-LAB 기준 HR 2.05~2.10).

B. 유전체 발견 (Genomic Discovery)

• 좌위 발견: 3 가지 모달리티를 통합하여 **101 개의 독립적인 유전체 유의성 좌위 (P < 5×10⁻⁸)**를 발견. 이는 기존 2 개에서 45 배 증가한 수치입니다.
• 주요 유전자:
  • FTO: 세 가지 모델 모두에서 유의미하게 나타나 HFpEF 의 대사적 기전을 강조.
  • PRKAG2, SOX5, THBS3, SAA2-SAA4: 대사 조절, 심장 발달, 전기 생리, 염증 경로와 관련된 새로운 유전자 발견.
• 유전성: HFpEF 의 유전성 (Heritability) 은 약 9% 로 추정됨.

C. 프로테오믹스 및 치료 표적 우선순위 선정

• 단백질 연관성: 1,969 개의 혈장 단백질이 HFpEF 확률과 유의미하게 연관됨 (Leptin, NT-proBNP 등).
• 치료 표적 (Therapeutic Targets, 11 개):
  • FLT3: 유전적으로 예측된 FLT3 발현 증가가 HFpEF 에 대해 보호적임.
  • 검증: FLT3 억제제 (급성 골수성 백혈병 치료제) 를 투여받은 환자 코호트에서 **이완기 기능 저하 (Diastolic dysfunction)**가 유의미하게 악화되었으나 수축기 기능 (LVEF) 은 변화가 없음을 확인. 이는 FLT3 억제가 HFpEF 를 유발한다는 가설을 임상적으로 입증함.
  • 기타 표적: CSF1R, PDGFRB 등.
• 생체표지자 (Biomarkers, 7 개):
  • MPO (Myeloperoxidase): HFpEF 발병 후 단백질 수치가 증가하는 '결과'로 확인됨.
  • 의미: 최근 MPO 억제제 임상 시험 (ENDEAVOR, SATELLITE 등) 이 실패한 이유를 설명하며, MPO 는 치료 표적이 아닌 질병 진행의 생체표지자임을 시사.
  • 기타: MST1, HDGF 등.

4. 연구의 의의 및 기여 (Significance)

1. 표현형 혁신: HFpEF 와 같이 진단이 모호하고 연속적인 질환에 대해, 다중 모달 머신러닝을 통해 '디지털 트윈' 개념의 정밀한 확률 기반 표현형을 성공적으로 구축했습니다. 이는 기존 생체은행의 한계를 극복하고 대규모 GWAS 를 가능하게 했습니다.
2. 유전적 발견의 폭발적 증가: HFpEF 관련 유전 좌위를 2 개에서 101 개로 45 배 확장하여 질병의 유전적 아키텍처를 심층적으로 규명했습니다.
3. 치료 표적과 생체표지자의 명확한 구분: 통합 오믹스 분석 (GWAS, PWAS, MR, Colocalization) 을 통해 인과적인 치료 표적 (예: FLT3) 과 질병의 결과물인 생체표지자 (예: MPO) 를 구분했습니다. 이는 실패한 임상 시험의 원인을 규명하고 새로운 약물 개발 전략을 제시합니다.
4. 임상적 검증: FLT3 억제제가 HFpEF 를 유발한다는 가설을 독립적인 임상 코호트에서 검증함으로써, 머신러닝 기반 발견이 실제 임상 현상과 일치함을 입증했습니다.

5. 결론

TRIAD-HFpEF 프레임워크는 복잡한 증후군인 HFpEF 의 유전체 및 분자적 기전을 규명하는 데 있어 머신러닝 기반 표현형 추출의 강력한 가능성을 입증했습니다. 이를 통해 11 개의 새로운 치료 표적과 7 개의 생체표지자를 발굴했으며, 특히 FLT3 경로의 보호적 역할과 MPO 의 비인과적 특성을 규명하여 향후 HFpEF 치료제 개발의 방향성을 제시했습니다. 모든 모델 코드, 가중치, 분자적 발견 결과는 오픈소스로 공개되어 후속 연구를 촉진할 것으로 기대됩니다.