Integrative Proteomic and Metabolomic Signatures of Accelerated PhenoAge in the UK Biobank

본 연구는 UK Biobank 데이터를 활용하여 프로테오믹스와 메타볼로믹스를 통합 분석함으로써 PhenoAge 가속화와 관련된 면역·염증, 지질, 대사 등 조율된 분자 기작을 규명하고, 단일 오믹스 분석보다 생물학적 해석력을 높였음을 보여줍니다.

핵심

🏭 1. 연구의 배경: "공장"의 상태는 어떻게 알 수 있을까?

우리의 몸은 거대한 공장이라고 상상해 보세요. 공장에는 기계 (세포) 들이 돌아가고, 연료 (영양분) 가 공급되며, 폐기물이 처리됩니다.

• 실제 나이 (만 나이): 공장이 문을 연 지 몇 년이 지났는지입니다.
• 생물학적 나이 (PhenoAge): 공장이 실제로 얼마나 낡았는지, 고장 날 위험이 높은지 나타내는 '실제 상태'입니다.

사람마다 같은 나이라도 공장 상태는 다릅니다. 어떤 사람은 50 세인데 30 세처럼 튼튼하고, 어떤 사람은 50 세인데 70 세처럼 지쳐있죠. 연구진은 **"왜 어떤 공장은 빨리 낡아지는가?"**를 찾기 위해 영국에 있는 2 만 명 이상의 대규모 공장 데이터 (UK Biobank) 를 분석했습니다.

🔍 2. 연구 방법: 두 가지 감시 카메라를 동시에 켠다

연구진은 공장 상태를 파악하기 위해 두 가지 다른 종류의 '감시 카메라'를 동시에 사용했습니다.

1. 단백질 카메라 (Proteomics): 공장 기계들 (단백질) 이 어떻게 작동하고 있는지, 어떤 기계가 고장 나고 있는지 보는 카메라입니다.
2. 대사물 카메라 (Metabolomics): 공장에 들어가는 원료와 나오는 폐기물 (대사물질) 을 보는 카메라입니다.

기존 연구들은 보통 이 두 카메라 중 하나만 사용하거나, 단순히 "누가 더 늙었는지"를 맞추는 데 집중했습니다. 하지만 이 연구는 두 카메라의 영상을 겹쳐서 (통합 분석) 어떤 기계가 고장 나면 어떤 폐기물이 쌓이는지 그 연결고리를 찾아냈습니다.

🧩 3. 주요 발견: 늙어가는 공장의 4 가지 특징

연구진은 "가장 빨리 늙은 공장"과 "가장 천천히 늙은 공장"을 비교하여 4 가지 뚜렷한 패턴 (모듈) 을 찾아냈습니다.

① "화재 경보"가 켜진 공장 (면역 - 염증 모듈)

• 상황: 공장에서 화재 경보 (염증) 가 켜져 있고, 소방관들 (면역 세포) 이 분주하게 뛰어다닙니다.
• 증상: 단백질 카메라는 "염증 신호"가 너무 강하게 떴다고 보고했고, 대사물 카메라는 "연료 소모가 심하고 폐기물이 쌓였다"고 했습니다.
• 의미: 늙어가는 몸은 마치 지속적인 염증 상태에 빠져있다는 뜻입니다. 이것이 가장 강력한 늙음의 신호였습니다.

② "배관과 기름"의 문제 (지질 - 혈관 모듈)

• 상황: 공장 배관 (혈관) 에 기름때가 끼고, 기름을 운반하는 트럭 (콜레스테롤) 들이 제 역할을 못 합니다.
• 증상: 지방 대사와 혈관 신호 전달 시스템이 혼란스러워졌습니다.
• 의미: 이는 심혈관 질환과 노화가 밀접하게 연결되어 있음을 보여줍니다.

③ "식량 공급"의 불균형 (영양 - 대사 모듈)

• 상황: 공장에 필요한 특정 영양소 (글루타민 등) 가 부족하거나, 에너지 생산 라인이 꼬였습니다.
• 의미: 몸이 에너지를 효율적으로 쓰지 못하거나, 특정 영양소 조절에 문제가 생겼을 때 노화가 가속화됩니다.

④ "방어 시스템"이 잘 작동하는 공장 (HDL - 보호 모듈)

• 상황: 반대로, 천천히 늙은 공장들은 기름때를 닦아내는 청소부 (HDL 콜레스테롤) 들이 활발히 일하고 있었습니다.
• 의미: 이는 노화를 늦추는 '보호막' 역할을 하는 신호입니다.

💡 4. 연구의 핵심 교훈: "단순한 점수보다 '이유'가 중요하다"

이 연구에서 가장 중요한 발견은 다음과 같습니다.

• 단백질 카메라만 봐도 충분했다: 늙은 사람과 젊은 사람을 구별하는 데는 단백질 데이터만으로도 매우 정확하게 가능했습니다.
• 하지만 두 카메라를 합치면 '이유'가 보인다: 단순히 "누가 늙었나"를 맞추는 점수는 두 카메라를 합쳐도 크게 오르지 않았습니다. 하지만 두 영상을 겹쳐 보니 "왜" 늙었는지가 명확해졌습니다.
  • 예시: "단백질 A 가 증가했다"는 사실만 알면, "아, 염증 때문이구나"라고 추측할 수 있지만, 대사물 데이터를 합치면 "염증이 생기면서 에너지 대사까지 망가져서 이런 현상이 일어났다"는 스토리를 읽을 수 있습니다.

🚀 5. 결론: 앞으로의 방향

이 연구는 우리에게 다음과 같은 메시지를 줍니다.

1. 노화는 한 가지 원인이 아니다: 단순히 한 가지 기계가 고장 난 게 아니라, 면역, 혈관, 영양, 에너지가 서로 얽혀서 동시에 무너지는 과정입니다.
2. 새로운 단서 발견: 기존에 노화와 관련이 없다고 생각했던 단백질들 (예: PRRT3 같은 것들) 이 중요한 역할을 할 수도 있다는 새로운 힌트를 줍니다.
3. 미래의 치료: 앞으로는 단순히 "나이"를 줄이는 약을 만드는 게 아니라, 이 4 가지 모듈 (특히 염증과 에너지 대사) 을 어떻게 균형 있게 조절할지에 초점을 맞춰야 건강하게 늙을 수 있습니다.

한 줄 요약:

"우리 몸이라는 공장이 빨리 낡는 이유는 단순히 기계가 고장 난 게 아니라, 화재 경보 (염증) 가 켜지고 배관 (혈관) 이 막히며 에너지 공급이 끊기면서 서로 엉켜버렸기 때문입니다. 이 연구는 그 엉킨 실타래를 풀어서 '왜' 늙는지 그 이유를 찾아낸 것입니다."

기술 요약

논문 개요: UK Biobank 에서의 가속화된 PhenoAge 를 위한 통합 프로테오믹스 및 대사체학 서명

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 노화는 여러 생물학적 시스템의 분자적 변화를 동반하며 기능 저하와 질병 위험 증가로 이어집니다. 그러나 이러한 과정의 기저 메커니즘과 개인 간 변이 (inter-individual variation) 는 아직 완전히 이해되지 않았습니다.
• 문제: 기존 노화 시계 (aging clocks) 는 주로 예측 정확도를 높이는 데 초점을 맞추어 왔으나, 생물학적 해석 가능성 (biological interpretability) 이 부족합니다. 또한, 단일 오믹스 (single-omics) 분석만으로는 노화 과정의 복잡한 상호작용을 포착하는 데 한계가 있습니다.
• 목표: 임상적 바이오마커 기반의 생물학적 노화 지표인 PhenoAge와 그 가속화 정도 (PhenoAgeAccel) 를 기반으로, 혈장 프로테오믹스 (단백질) 와 대사체학 (대사물질) 데이터를 통합하여 가속화된 노화와 관련된 조율된 분자 과정을 규명하는 것입니다.

2. 연구 방법론 (Methodology)

• 데이터 소스: 영국 바이오뱅크 (UK Biobank) 의 약 20,000 명 (최종 분석 18,632 명) 의 코호트 데이터를 사용했습니다.
  • 프로테오믹스: Olink 플랫폼을 통해 측정한 2,920 개의 혈장 단백질.
  • 대사체학: Nightingale Health NMR 플랫폼을 통해 측정한 248 개의 대사물질 (PhenoAge 계산에 사용된 크레아티닌, 알부민, 포도당 등은 제외).
• 표본 선정: PhenoAgeAccel 분포의 상위 20% (가속화 노화) 와 하위 20% (지연된 노화) 에 해당하는 극단적 표현형 (extreme phenotypes) 을 선별하여 생물학적 대비를 극대화했습니다.
• 분석 기법:
  • 단일 오믹스 분석: 희소 부분 최소 제곱 판별 분석 (sPLS-DA) 을 사용하여 단백질과 대사물질 각각의 분류 성능을 평가했습니다.
  • 통합 오믹스 분석: DIABLO (Data Integration Analysis for Biomarker discovery using Latent cOmponents) 프레임워크를 적용하여 두 오믹스 층 간의 상관관계를 규명하고 가속화 노화를 구분하는 통합 서명을 도출했습니다.
  • 검증: 교차 검증, 기능적 풍부화 분석 (functional enrichment), 그리고 GenAge, CellAge, SASP Atlas 등 기존 노화/노화 관련 데이터베이스와의 오버랩 분석을 수행했습니다.

3. 주요 결과 (Key Results)

A. 모델 성능 및 분류 능력

• 단일 오믹스: 프로테오믹스 모델은 균형 오류율 (BER) 0.15 로 가속화/지연 노화 그룹 간 강력한 구분 능력을 보였습니다. 반면, 대사체학 모델은 BER 0.233 으로 상대적으로 성능이 낮았으며, 더 많은 구성 요소가 필요했습니다.
• 통합 모델: 두 오믹스를 통합한 DIABLO 모델은 분류 정확도를 획기적으로 높이지는 못했으나 (Train BER 0.176, Test BER 0.168), 생물학적 해석 가능성을 크게 향상시켰습니다.

B. 식별된 4 가지 주요 다중 오믹스 모듈 (Multi-omics Modules)
DIABLO 분석을 통해 가속화 노화와 관련된 4 가지 주요 구성 요소 (Component) 가 도출되었습니다:

1. 면역 - 염증 모듈 (Component 1):
   • 주요 특징: OSM, TNFRSF1A, IL6 등의 염증성 사이토카인과 성장 인자, 그리고 염증 마커인 Glycoprotein acetyls (GlycA) 와 포도당:젖산 비율.
   • 해석: "염증성 노화 (Inflammaging)"를 반영하며, 면역 활성화와 대사 조절 간의 강한 연관성을 보여줍니다. 가속화 노화 그룹에서 가장 강력한 신호를 보였습니다.
2. 지질 - 혈관 조절 모듈 (Component 2):
   • 주요 특징: 중간 LDL 의 포화지방산 (PUFAs) 및 콜레스테롤 에스테르, 수용체 티로신 키나제 신호 (ERBB2/3, FGFR2), 지질 운반 단백질 (LDLR, TTR, LCAT), 보체 및 응고 계단식 단백질.
   • 해석: 지질 대사, 혈관 신호 전달, 보체 시스템 간의 상호작용을 나타내며, 심혈관 위험과 노화 관련 아밀로이드증 (Amyloidosis) 과의 연관성을 시사합니다.
3. 영양 - 대사 조절 모듈 (Component 3):
   • 주요 특징: 글루타민 (Glutamine), FGF23 (인 대사), TFRC (철 흡수), EPO (적혈구 생성).
   • 해석: 영양소 조절 및 에너지 대사 (TCA 회로 등) 와 관련된 경로로, 노화 과정에서의 영양 - 에너지 축 조절을 나타냅니다.
4. HDL - 아포단백질 모듈 (Component 4):
   • 주요 특징: HDL 관련 지질 및 아포단백질 (APOA1, APOC1, APOD 등), CD300LG.
   • 해석: 지연된 노화 그룹에서 더 풍부하게 나타나는 보호적 지질 조절 서명입니다. 효과 크기는 작았으나, 운동 반응성 마커 (CD300LG) 와의 연관성이 주목할 만합니다.

C. 생물학적 타당성 검증

• DIABLO 로 선택된 100 개 단백질 중 **49 개 (49%)**가 기존 노화/노화 관련 데이터베이스 (GenAge, CellAge, SASP Atlas 등) 와 일치했습니다.
• 특히 Component 1(53%) 과 Component 2(60%) 에서의 일치율이 높아, 식별된 서명이 노화 생물학의 핵심 기전과 밀접하게 연관됨을 입증했습니다.
• GDF15, IL6, MMP9 등 잘 알려진 노화 마커뿐만 아니라, PRRT3, DRAXIN 등 노화 연구에서 아직 잘 규명되지 않은 새로운 후보 단백질들도 발견되었습니다.

4. 연구의 의의 및 기여 (Significance)

• 생물학적 해석 가능성의 증대: 통합 오믹스 분석이 분류 정확도 향상보다는 **조율된 분자 축 (coordinated molecular axes)**을 발견하여 노화 메커니즘을 더 깊이 이해하는 데 기여함을 입증했습니다.
• 다중 오믹스 상호작용 규명: 단백질 변화가 단순한 결과물이 아니라, 염증, 지질 대사, 영양 조절 등 하부 대사 상태와 어떻게 연결되는지를 네트워크 분석을 통해 시각화했습니다.
• 임상 및 연구적 함의:
  • 가속화된 노화의 핵심 기전이 "면역 - 대사 (Immune-metabolic)" 축에 있음을 재확인했습니다.
  • 새로운 노화 바이오마커 후보 (예: PRRT3, CD300LG) 를 제시하여 향후 기능적 연구 및 표적 치료 개발의 기초를 마련했습니다.
  • 단일 오믹스 분석만으로는 놓칠 수 있는 복잡한 노화 메커니즘을 통합적으로 파악할 수 있음을 보여주었습니다.

5. 결론

본 연구는 UK Biobank 대규모 코호트를 활용하여 프로테오믹스와 대사체학을 통합함으로써, 가속화된 PhenoAge 와 관련된 4 가지 주요 분자 서명 (면역 - 염증, 지질 - 혈관, 영양 - 대사, HDL 관련) 을 규명했습니다. 단백질 데이터가 주된 분류 신호를 제공하지만, 대사체학 데이터는 이러한 변화가 일어나는 대사적, 영양적 맥락을 제공하여 노화 과정의 다인자적 (multifactorial) 성격을 더 잘 이해할 수 있게 했습니다. 이는 건강 수명 (healthspan) 연장을 위한 향후 개입 전략 및 메커니즘 연구에 중요한 통찰을 제공합니다.