Impact of proteogenomic evidence on clinical success

본 연구는 인간 유전적 증거만 있는 경우보다 혈장 단백질 양적 형질 유전자좌 (pQTL) 증거가 추가된 표적 - 적응증 쌍이 임상 1 상에서 출시까지 진전할 확률이 4.7 배 더 높으며, 특히 인간 유전적 증거만으로는 enrichment 이 제한적이었던 약물 표적 가능 단백질 군에서 그 효과가 두드러짐을 보여주었습니다.

핵심

이 연구 논문은 **"약이 실제로 효과를 볼 확률을 높이는 비밀 무기"**에 대해 이야기합니다.

약 개발은 마치 어둠 속에서 실수를 줄이면서 보물 (치료제) 을 찾는 여정과 같습니다. 과거에는 유전 정보를 통해 "어떤 유전자가 병을 일으킬 가능성이 높은가?"를 추측했는데, 이는 마치 지도 (유전 정보) 를 보고 대략적인 지역은 알 수 있지만, 정확한 보물 상자의 위치는 모른 채 탐색하는 것과 비슷했습니다.

이 논문은 그 지도에 **정확한 GPS 신호 (혈액 내 단백질 데이터)**를 더했을 때, 보물 찾기 성공률이 얼마나 크게 달라지는지 보여줍니다.

---

🧩 핵심 비유: "유전 지도"와 "혈액 GPS"

1. 기존의 방법 (유전 정보만 사용):

   • 상황: 병을 일으키는 유전자를 찾으려 할 때, 유전체 지도 (GWAS) 를 봅니다. 하지만 이 지도는 너무 넓어서 "아, 병과 관련된 유전자가 이 넓은 숲 (유전자 군) 어딘가에 있겠구나" 정도만 알 수 있습니다.
   • 결과: 이 방법만 사용하면 약이 성공할 확률이 약 2.6 배 높아집니다. (나쁘지 않지만, 여전히 실패할 확률이 높습니다.)

2. 새로운 방법 (유전 정보 + 단백질 데이터):

   • 상황: 연구자들은 이제 "유전자가 어떻게 작동하는지"를 보여주는 혈액 속 단백질 (pQTL) 데이터를 추가했습니다. 이는 마치 숲 속에 숨겨진 보물 상자의 정확한 좌표를 알려주는 GPS를 추가한 것과 같습니다.
   • 결과: 이 두 가지 정보를 합치면, 약이 성공할 확률이 무려 4.7 배나 뛴다고 합니다! 기존 방법보다 훨씬 더 확신 있게 "이 유전자가 진짜 원인이다"라고 말할 수 있게 된 것입니다.

---

💡 이 연구가 밝혀낸 3 가지 중요한 사실

1. "단백질 GPS"가 없는 곳도 찾아냈다

기존의 유전 지도만 믿으면, 특정 종류의 단백질 (효소나 키나아제 등) 을 표적으로 하는 약들은 성공 확률이 낮게 나왔습니다. 하지만 혈액 단백질 데이터를 추가하자, 이 영역에서도 성공 확률이 급격히 올라갔습니다.

비유: 기존 지도에는 없는 골목길 (새로운 약물 표적) 을 GPS 가 비추어주니, 그곳에서도 보물을 찾을 수 있게 된 것입니다.

2. 여러 증거가 겹칠 때 가장 확실하다

약 개발 팀은 보통 여러 가지 증거를 모아서 결정을 내립니다. 이 연구는 **단 하나의 증거 (예: 유전자만)**보다는 **여러 가지 증거 (유전자 + 단백질 + 다른 데이터)**가 서로 겹쳐서 같은 결론을 낼 때, 성공 확률이 가장 높다는 것을 확인했습니다.

비유: 한 친구가 "보물이 저기에 있어"라고 말하면 의심스러울 수 있지만, 세 친구가 모두 "저기 있어"라고 말하고, GPS 도 "저기"를 가리키면 우리는 100% 확신하게 됩니다.

3. 아직 해결해야 할 문제 (지도의 빈칸)

하지만 이 GPS 가 모든 것을 다 보여준 것은 아닙니다. 연구진은 현재 혈액 검사 키트 (Olink, Somascan 등) 로 측정할 수 없는 **특정 단백질들 (예: 호르몬 수용체 등)**은 아직 잘 보이지 않는다고 말합니다.

비유: GPS 가 작동하지만, 아직 전파가 닿지 않는 깊은 산속 (측정되지 않는 단백질) 은 여전히 어둡다는 뜻입니다. 앞으로 더 많은 단백질을 측정할 수 있는 도구가 개발되면, 성공 확률은 더 높아질 것입니다.

---

🏁 결론: 왜 이 연구가 중요한가요?

이 연구는 **"약 개발에 실패하는 이유 중 하나가 잘못된 표적을 잡았기 때문"**이라는 점을 지적하며, 유전 정보에 단백질 데이터를 더하면 실패를 줄이고 성공을 확실히 할 수 있다는 것을 증명했습니다.

마치 낚시를 할 때 단순히 "물고기가 있을 법한 강" (유전 정보) 만 보고 낚시하는 것보다, **"물고기가 실제로 모여 있는 위치" (단백질 데이터)**를 정확히 알고 낚시하는 것이 훨씬 더 많은 물고기를 잡을 수 있는 것과 같습니다.

이 연구 결과는 제약 회사들이 어떤 약을 개발할지 결정할 때, 실패 확률을 줄이고 더 안전한 선택을 할 수 있도록 도와주는 나침반이 될 것입니다.

기술 요약

논문 요약: 프로테오게놈 증거가 임상 성공에 미치는 영향 (Impact of proteogenomic evidence on clinical success)

1. 연구 배경 및 문제 제기 (Problem)

• 임상 실패의 주요 원인: 신약 개발 실패의 주요 원인은 선택된 질병 적응증에 대한 치료 효능의 부족입니다.
• 유전적 증거의 한계: 인간 유전적 증거 (GWAS 등) 를 기반으로 한 약물 표적은 임상 성공 확률을 2 배 이상 높이는 것으로 알려져 있으나, GWAS 신호는 종종 여러 유전자를 아우르는 영역 (Locus) 에 걸쳐 있어 특정 유전자의 인과성을 확신하기 어렵습니다.
• 해결책의 필요성: 질병 관련 유전적 신호가 혈장 단백질 수준과 관련된 유전적 신호 (pQTL) 와 공위 (colocalize) 하는지 평가함으로써 인과 유전자를 더 높은 확신으로 할당할 수 있습니다. 기존 연구들은 pQTL 이 드럭가블 (druggable) 표적의 풍부함을 확인하는 데 초점을 맞췄으나, 기존 인간 유전적 증거에 pQTL 을 추가했을 때 임상 성공률에 어떤 추가적인 가치 (Added Value) 를 제공하는지는 명확하지 않았습니다.

2. 연구 방법론 (Methodology)

이 연구는 대규모 통합 분석을 통해 pQTL 지원 가설의 임상 성공률을 정량화했습니다.

• 데이터 소스:
  • 프로테오게놈 데이터: 8 개의 공개된 혈장 프로테오게놈 데이터셋 통합.
  • 유전적 데이터: GWAS Catalog, Pan-UK Biobank, FinnGen 에서 수집된 8,000 개 이상의 복합 형질 (Complex traits).
  • 임상 데이터: Citeline Pharmaprojects 의 29,476 개 약물 표적 - 적응증 (Target-Indication, T-I) 쌍 (Minikel et al. 데이터 기반).
• 분석 전략:
  • 유전자 할당: Open Targets Genetics 의 'Locus-to-Gene (L2G)' 점수를 사용하여 GWAS 로커스를 유전자에 매핑 (L2G share > 0.5 기준).
  • 멘델랜 무작위화 (MR) 분석: 혈장 단백질 수준과 8,000 개 이상의 질병 형질 간의 인과 관계를 규명하기 위해 대규모 MR 분석 수행 (약 4,720 만 회 테스트).
  • 공위 분석 (Colocalization): MR 결과가 우연의 일치가 아닌 공유된 인과 변이인지 확인하기 위해 공위 분석 (H4 ≥ 0.8) 수행.
  • 비교 기준: Minikel et al. 의 연구와 동일한 MeSH 유사도 (> 0.8) 및 L2G 임계값을 적용하여 pQTL 지원 그룹과 비지원 그룹 간 임상 성공률 (Phase I → Launch) 을 비교.
  • 상대 성공률 (Relative Success, RS) 계산: 유전적 증거가 있는 그룹과 없는 그룹의 임상 성공 비율을 비교하여 RS 산출.

3. 주요 결과 (Key Results)

• 임상 성공률의 급격한 증가:
  • 인간 유전적 증거만 있는 경우 임상 성공 확률은 약 2.6 배 증가했습니다.
  • pQTL 증거가 추가된 경우, 임상 성공 확률은 4.73 배 (95% CI: 3.51, 6.36) 로 크게 증가했습니다. 이는 OMIM 기반 증거 (RS 3.67) 와도 비교 가능한 수준입니다.
  • 특히 L2G share ≥ 0.75 인 경우, pQTL 을 추가하면 RS 가 2.60 에서 5.65로 두 배 이상 상승했습니다.
• 다양한 MR-공위 하위 유형에서의 일관성:
  • cis-MR, trans-MR, mixed-MR 등 다양한 하위 유형에서 유사한 풍부도 (Enrichment) 가 관찰되었으며, 성공적인 약물 개발 사례는 종종 여러 유형의 증거 (cis, trans, 공위 등) 가 중첩되어 있음을 확인했습니다.
• 드럭가블 단백질 가족 (Protein Families) 별 차이:
  • 효소 (Enzymes) 와 키나제 (Kinases) 와 같은 잘 알려진 단백질 가족은 인간 유전적 증거만으로는 풍부도가 낮았으나, pQTL 지원 시 가장 큰 RS 증가를 보였습니다.
  • 반면, GPCR, 핵 수용체, 이온 채널 등은 현재 고처리량 프로테오믹스 패널 (Olink, Somascan) 의 커버리지 부족으로 인해 유의미한 풍부도가 관찰되지 않았습니다 (이는 생물학적 부재가 아닌 측정 기술의 한계로 해석됨).
• 보완적 증거로서의 가치:
  • Open Targets Genetics 의 L2G 점수가 낮거나 부재한 경우에도 pQTL 기반 MR 분석을 통해 인과 유전자를 발견한 사례 (예: TNF-ankylosing spondylitis, SOST-osteoporosis) 가 확인되었습니다. 특히 HLA/MHC 영역과 같이 분석이 어려운 영역을 우회하여 인과성을 규명한 사례가 있었습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

• pQTL 의 검증 가치 입증: 인간 유전적 증거에 pQTL 정보를 통합하면 약물 표적의 임상 성공 확률을 획기적으로 높일 수 있음을 통계적으로 입증했습니다.
• 표적 우선순위 결정 (Prioritization) 전략 제안: 단일 유전적 증거보다 pQTL 이 지원되는 표적 - 적응증 쌍을 우선순위로 선정할 경우 개발 리스크를 줄일 수 있음을 시사합니다.
• 프로테오믹스 패널 확장 필요성 강조: 현재 프로테오믹스 기술이 특정 단백질 가족 (GPCR 등) 을 충분히 커버하지 못하고 있어, 이를 보완하기 위한 새로운 측정 기술과 패널 확장의 필요성을 제기했습니다.
• 공개 데이터베이스 제공: pQTL 기반 MR 분석 결과 (FDR < 0.05) 를 포함하는 탐색 가능한 데이터베이스를 공개하여 후속 연구 및 표적 발굴을 지원했습니다.

5. 한계점 (Limitations)

• 프로테오믹스 커버리지 의존성: 현재 분석된 성공 사례는 제한된 단백질 어레이 (12 개 표적, 23 개 T-I 쌍) 에 의존하고 있어, 더 넓은 패널이 확보되면 결과가 달라질 수 있습니다.
• 방향성 해석의 복잡성: trans-변이 (trans-acting variants) 의 경우, 단백질-altering 변이 (PAV) 나 복잡한 생물학적 피드백 기전으로 인해 치료 방향성 (Directionality) 추정이 오해의 소지가 있을 수 있습니다 (예: CSF3R 과 중성구 감소증 관계).
• 인구 및 조직 제한: 분석이 주로 유럽계 인구와 혈장 단백질에 기반하여, 다른 인종이나 질병 관련 조직 (Tissue-specific) 에 대한 일반화에는 제한이 있을 수 있습니다.

결론

이 연구는 프로테오게놈적 증거 (pQTL) 가 기존 인간 유전적 증거를 보완하여 약물 개발의 임상 성공 확률을 4.7 배까지 높일 수 있음을 보여주었습니다. 이는 신약 개발 파이프라인에서 표적 우선순위를 결정할 때 유전체 데이터뿐만 아니라 단백질 수준의 유전적 증거를 통합하는 것이 필수적임을 시사합니다.