Proteomics Reveal Clusters of Hypertension Cases Associated with Differing Prevalence of Cardiovascular and Renal Complications

본 연구는 UK 바이오뱅크의 7,086 명 고혈압 환자의 프로테옴 데이터를 머신러닝으로 분석하여 HAVCR1 등 5 가지 단백질 발현 차이에 기반한 10 개의 하위 군집을 발견했으며, 이 중 일부 군집은 심혈관 및 신장 합병증의 유병률이 유의하게 높거나 낮아 고혈압의 이질적인 병리기전을 반영하는 정밀의료 접근의 가능성을 제시했습니다.

핵심

이 논문은 **'고혈압은 모두 똑같은 병이 아니다'**라는 매우 중요한 사실을 새로운 과학적 방법으로 증명했습니다.

기존의 고혈압 치료는 "혈압이 높으면 약을 먹는다"는 식으로 모두에게 똑같은 처방을 내리는 경우가 많았습니다. 하지만 이 연구는 **"고혈압 환자들도 사실은 서로 다른 '종류'로 나뉘어 있으며, 각 종류마다 심장이나 신장에 문제가 생길 위험이 완전히 다르다"**는 것을 발견했습니다.

이 복잡한 연구를 쉽게 이해할 수 있도록 요리사와 재료, 그리고 비행기 탑승에 비유해서 설명해 드리겠습니다.

---

1. 문제: "모든 고혈압 환자는 같은 비행기에 타고 있는 줄 알았다"

고혈압은 전 세계 18 억 명 이상의 사람들이 겪는 흔한 병입니다. 하지만 고혈압이라는 이름만 붙여놓고, 환자들이 왜 병에 걸렸는지, 앞으로 어떤 합병증 (심장마비, 신부전 등) 을 겪을지 정확히 알지 못했습니다.

기존의 유전자 검사 (DNA) 나 나이, 성별 같은 정보만으로는 환자를 정확히 분류하기 어려웠습니다. 마치 모든 승객을 "비행기 타는 사람"이라고만 분류하고, 누구는 구름 위를 날고, 누구는 폭풍우를 겪을지 전혀 예측하지 못하는 상황과 비슷했습니다.

2. 해결책: "신체라는 '요리'의 재료 (단백질) 를 살펴보다"

연구팀은 7,000 명 이상의 고혈압 환자 혈액 속 2,900 가지가 넘는 단백질을 분석했습니다. 단백질을 **'요리 재료'**라고 생각해보세요.

• 고혈압 환자는 모두 같은 '요리 (병)'를 하고 있지만, 그 안에 들어간 재료의 양과 조합이 사람마다 다릅니다.
• 연구팀은 인공지능 (머신러닝) 을 이용해 이 복잡한 재료들의 조합을 분석했습니다.

3. 발견: "고혈압 환자를 10 개의 '그룹'으로 나누다"

인공지능은 환자들을 단순히 '고혈압 있음/없음'으로 나누는 게 아니라, **혈액 속 단백질 패턴이 비슷한 10 개의 그룹 (클러스터)**으로 자연스럽게 분류했습니다.

이 10 개 그룹은 크게 두 가지 성격으로 나뉩니다:

• 🔴 위험한 그룹 (4 개 그룹): 이 그룹의 환자들에게는 **'REN(레닌)'**과 **'HAVCR1'**이라는 특정 단백질이 과다하게 쌓여 있었습니다.

  • 비유: 이 그룹은 엔진이 과열되어 있는 차와 같습니다. 심장마비, 뇌졸중, 신장 실패 같은 무서운 합병증이 발생할 확률이 일반 고혈압 환자보다 훨씬 높습니다.
  • 의미: 이 환자들은 혈압만 낮추는 게 아니라, 신장과 혈관을 보호하는 강력한 치료가 시급합니다.

• 🟢 안전한 그룹 (3 개 그룹): 이 그룹은 단백질 패턴이 거의 정상인에 가까웠습니다.

  • 비유: 이 그룹은 엔진은 돌아가지만, 부품이 잘 닳지 않는 튼튼한 차입니다. 심장이나 신장 문제가 생길 확률이 매우 낮습니다.
  • 의미: 이 환자들은 과도한 약물 치료 없이 생활 습관 교정만으로도 충분히 관리할 수 있을지도 모릅니다.

4. 왜 이것이 중요한가요? (맞춤형 치료의 시작)

이 연구의 핵심 메시지는 **"한 사이즈가 모두에게 맞지 않는다"**는 것입니다.

• 과거: 고혈압 환자 모두에게 똑같은 약을 줬습니다. (위험한 그룹에게는 약이 부족하고, 안전한 그룹에게는 약이 과할 수 있음)
• 미래 (이 연구 제안): 혈액 검사를 통해 환자가 어떤 '그룹'에 속하는지 먼저 파악합니다.
  • 위험 그룹: 신장과 심장을 집중적으로 보호하는 맞춤형 치료.
  • 안전 그룹: 불필요한 약물 사용을 줄이고 생활 습관 위주로 관리.

5. 결론: "병의 원인을 찾아서 치료하자"

이 연구는 고혈압이 단순히 '혈압이 높은 상태'가 아니라, 서로 다른 원인과 메커니즘을 가진 여러 가지 병이 섞여 있는 상태임을 보여줍니다.

마치 비행기 탑승 시, 위험한 폭풍우 지역을 지나가는 승객과 안전한 구름 위를 가는 승객을 미리 구분하여 각자에게 맞는 안전 장치를 제공하는 것과 같습니다.

이러한 '정밀 의학 (Precision Medicine)' 접근법을 통해, 앞으로는 환자에게 더 효과적이고, 부작용은 적은, 개인에게 딱 맞는 치료를 제공할 수 있을 것으로 기대됩니다.

---

한 줄 요약:

"고혈압 환자들을 혈액 속 단백질 패턴으로 분석했더니, 심장/신장 위험이 높은 '위험군'과 상대적으로 안전한 '안전군'으로 나뉘는 것을 발견했습니다. 이제부터는 환자마다 다른 치료 전략을 세울 수 있는 길이 열렸습니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 고혈압의 이질성과 진단의 어려움: 고혈압은 전 세계 인구의 31% 이상을 차지하는 주요 심혈관 질환 위험 인자이나, 증상이 뚜렷하지 않아 진단과 치료가 미흡합니다. 고혈압은 단일 질환이 아니라 다양한 기전과 임상 양상을 가진 이질적인 상태입니다.
• 기존 예측 모델의 한계:
  • 임상 점수 (Clinical Scores): 프레이밍햄 점수 등 기존 점수는 연령, 성별, 콜레스테롤 등 역학적 요인에 의존하며, 다양한 코호트에 적용하기 어렵고 질병의 생물학적 기전을 반영하지 못합니다.
  • 유전체 기반 (Genomics): 다유전자 위험 점수 (PRS) 는 유전적 변이를 기반으로 하지만, 유전자는 정적 (Static) 이며 환경, 생활습관, 약물 치료 등의 영향을 반영하지 못합니다. 또한 다양한 인종 간 전이성 (Portability) 이 낮고, 고혈압의 복잡한 다인자 기전을 설명하는 데 한계가 있습니다.
• 단일형질 분석의 부족: 기존 단백질체 연구들은 대부분 '환자 vs 대조군'의 이분법적 접근을 취하여, 고혈압 하위 유형 (Subtypes) 을 고려하지 않았습니다. 이로 인해 서로 다른 기전을 가진 하위 집단이 혼재되어 일관된 생물학적 마커를 찾기 어렵습니다.

2. 방법론 (Methodology)

연구팀은 UK Biobank Pharma Proteomics Project (UKB-PPP) 의 2,911 개 혈장 단백질 데이터를 기반으로 한 새로운 기계 학습 기반 환자 계층화 파이프라인을 개발했습니다.

• 데이터 전처리:
  • UK Biobank 의 53,073 명 데이터 중 7,086 명의 고혈압 환자 (ICD-10 I10 코드, 진단 시점 이전 샘플 보유) 와 13,016 명의 대조군을 선별했습니다.
  • ACE 억제제 (Angiotensin-converting enzyme inhibitors) 복용자는 제거하여 약물 영향으로 인한 단백질 발현 왜곡을 방지했습니다.
  • 결측치가 많은 단백질과 참가자를 제거하여 최종 2,911 개 단백질과 52,773 명 (분석 시점) 을 사용했습니다.
• 모델 학습 (XGBoost):
  • XGBoost 분류기: 비선형 상호작용을 포착하고 입력 특징의 임계값을 통해 자연스러운 그룹 분리를 수행하는 트리 기반 모델 (XGBoost) 을 사용했습니다.
  • 공변량 통제: 나이와 성별은 단백질 발현에 큰 영향을 미치므로, 모델 입력 변수로 포함하여 공변량 효과를 통제했습니다.
  • 성능: 5-폴드 교차 검증을 통해 훈련 시 AUROC 1.00, 테스트 시 AUROC 0.89 의 높은 진단 정확도를 달성했습니다.
• 계층화 전략 (Stratification Pipeline):
  • 단순 발현값 대신 모델 기여도 (Model Contribution) 사용: 단순한 단백질 발현 농도 대신, 각 단백질이 XGBoost 모델의 예측 결과에 기여한 값 (Feature Importance/Contribution) 을 기반으로 클러스터링을 수행했습니다. 이는 단백질 발현의 복잡한 조합이 질병 하위 유형을 어떻게 구분하는지 반영하기 위함입니다.
  • 차원 축소 및 클러스터링: UMAP 을 사용하여 2 차원으로 차원을 축소하고, 스펙트럴 클러스터링 (Spectral Clustering) 알고리즘을 적용하여 환자 군을 식별했습니다.
  • 검증: 5-폴드 교차 검증의 각 폴드에서 생성된 계층화 지도를 테스트 데이터에 적용하여 결과의 안정성 (Stability) 과 재현성을 평가했습니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. 고혈압 하위 유형 (10 개 클러스터) 식별

연구팀은 5 개의 주요 '분리 단백질 (Segregating Proteins)'인 HAVCR1, PLAT, PTPRB, REN, RTN4R의 발현 패턴에 따라 고혈압 환자를 10 개의 클러스터로 분류했습니다.

• HAVCR1과 REN은 모든 폴드에서 일관되게 분리 단백질로 나타났습니다.
• 클러스터 간 단백질 발현 차이는 단순한 수치 차이가 아니라, 모델이 질병 상태를 구분하는 데 사용하는 복잡한 조합을 반영합니다.

B. 합병증 위험에 따른 클러스터 분류

분류된 10 개 클러스터는 심혈관 및 신장 합병증의 유병률에 따라 명확히 구분되었습니다.

• 고위험군 (Complication-enriched Clusters): 클러스터 3, 4, 8, 10 은 심근경색 (MI), 심부전, 뇌졸중, 신부전 등 합병증이 통계적으로 유의하게 높은 비율로 나타났습니다.
  • 특히 클러스터 4, 8, 10 은 **REN(레닌)**과 **HAVCR1(신장 손상 마커)**의 발현이 대조군에 비해 현저히 높았습니다. 이는 RAAS(레닌 - 안지오텐신 - 알도스테론 시스템) 과 신장 손상의 활성화를 시사합니다.
  • RTN4R과 PTPRB의 발현 패턴도 클러스터별로 상이하여, 혈관 재형성 및 허혈성 손상과 관련된 기전의 차이를 보여줍니다.
• 저위험군/보호군 (Protected Clusters): 클러스터 2, 6, 9 는 합병증 유병률이 기대치보다 유의하게 낮았습니다.
  • 이들 군은 REN 과 HAVCR1 발현이 대조군과 유사했으나, PLAT, PTPRB, RTN4R의 발현 패턴이 고위험군과 달랐습니다.
  • 특히 클러스터 2 는 심근경색, 심부전, 신부전 발생 위험이 낮았습니다.

C. 통계적 검증 및 안정성

• 공변량 보정: 나이와 성별을 공변량으로 포함한 로지스틱 회귀 분석을 통해, 관찰된 합병증의 편향이 단순히 나이/성별 차이 때문이 아님을 확인했습니다 (대부분의 클러스터에서 유의성 유지).
• 안정성 (Stability): 5 개의 서로 다른 훈련 폴드에서 생성된 계층화 지도를 테스트 데이터에 적용했을 때, 조정 랜덤 인덱스 (ARI) 가 0.21~0.51 범위로 나타나, 모델 선택에 따른 민감도가 있더라도 전반적인 클러스터 구조는 재현 가능함을 보였습니다.

4. 의의 및 결론 (Significance & Conclusion)

• 기전 기반 하위 유형 (Mechanistic Subtypes) 규명: 이 연구는 고혈압이 단일 질환이 아니라, 서로 다른 분자적 기전 (예: 고레닌형, 혈관 재형성 이상 등) 을 가진 하위 유형들의 집합임을 단백질체학적으로 증명했습니다.
• 정밀 의학 (Precision Medicine) 의 토대:
  • 개인 맞춤형 치료: 고위험군 환자에게는 더 강력한 치료와 생활 습관 개입을, 저위험군에게는 과잉 치료를 피하는 전략을 수립할 수 있습니다.
  • 신약 개발 및 임상 시험: 특정 기전을 가진 환자 군을 선별하여 임상 시험의 성공 확률을 높이고, 기존 약물의 재창출 (Drug Repurposing) 기회를 찾을 수 있습니다.
• 방법론적 혁신: 단순한 단백질 발현량 비교가 아닌, 기계 학습 모델의 구조 (Model Structure) 를 활용한 환자 계층화는 질병의 복잡한 비선형 관계를 포착하여 기존 방법론보다 더 명확한 환자 군을 분리할 수 있음을 보여주었습니다.

요약하자면, 본 연구는 대규모 단백질체 데이터와 기계 학습을 결합하여 고혈압을 10 개의 생물학적 하위 유형으로 세분화하고, 각 유형이 심혈관 및 신장 합병증에 대해 가지는 고유한 위험 프로필을 규명했습니다. 이는 고혈압 관리의 패러다임을 '일률적 치료'에서 '기전 기반 맞춤형 치료'로 전환하는 데 중요한 과학적 근거를 제공합니다.