Genetic Profiling of Autoimmune Diseases and Exploring Clusters Through Polygenic Risk Score Analysis Using Cohort Data from the UK Biobank

본 연구는 영국 바이오뱅크와 TriNetX 코호트 데이터를 활용하여 다유전자 위험 점수 분석 및 경로 매핑을 통해 자가면역 질환 간의 유전적 중첩, 공유 생물학적 경로, 그리고 공존 패턴을 규명함으로써 공통적이면서도 독특한 유전적 구조를 밝혀내어 다중 자가면역성 개념을 지지한다.

핵심

이 논문은 쉬운 언어와 일상적인 비유를 사용하여 설명합니다.

큰 그림: 유전 탐정 이야기

인간 면역 체계를 잘 훈련된 경비원으로 상상해 보세요. 이 경비원의 임무는 침입자 (바이러스나 박테리아 등) 를 찾아내어 막는 것입니다. 자가면역 질환에서는 이 경비원이 혼란을 겪어 건물 자체 (당신의 건강한 조직) 를 공격하기 시작합니다.

이 논문은 거대한 탐정 수사처럼 보입니다. 연구자들은 두 개의 거대한 데이터베이스, 즉 영국인 50 만 명의 건강 및 DNA 데이터 도서관인 UK Biobank와 전 세계 병원 기록 네트워크인 TriNetX를 사용하여 다음 세 가지 주요 사항을 파악했습니다:

1. 왜 어떤 사람들은 여러 개의 자가면역 질환을 동시에 앓게 되는가?
2. 이러한 질환들의 유전적 '설계도'는 어떻게 유사하거나 다른가?
3. 서로 다른 데이터베이스가 같은 이야기를 전달하는가?

1. 질환의 '파티' (공존)

연구자들은 자가면역 질환이 종종 함께 파티를 열며, 한 가지 질환이 있으면 통계적으로 다른 질환을 가질 가능성이 높다는 점을 발견했습니다. 이를 **다발성 자가면역 (polyautoimmunity)**이라고 부릅니다.

• 비유: 자가면역 질환을 다양한 맛의 아이스크림이라고 생각해 보세요. 보통 사람들은 한 가지 맛만 고집합니다. 하지만 이 연구는 많은 사람들이 한 번에 여러 맛을 섞은 '선데이'를 먹고 있다는 사실을 발견했습니다.
• 결과: 그들은 류마티스 관절염, 건선, 루푸스 등 15 가지 다른 질환을 살펴보았습니다. 그 결과 일부 쌍은 절친한 친구임을 발견했습니다. 예를 들어, 크론병과 궤양성 대장염 (둘 다 장 문제) 은 거의 항상 함께 나타나며, 땅콩버터와 젤리처럼 떼려야 뗄 수 없는 관계입니다. 다발성 경화증과 루푸스도 자주 함께 어울립니다.
• 반전: 그러나 '파티'의 '맛'은 어디를 보느냐에 따라 달라집니다. 영국 데이터와 전 세계 병원 데이터를 비교했을 때, 영국에서는 절친한 친구처럼 보였던 일부 쌍이 전 세계 데이터에서는 낯선 사람처럼 보였습니다. 이는 서로 다른 병원에서 이러한 질환을 어떻게 정의하고 기록하느냐에 따라 이야기가 달라질 수 있음을 시사합니다.

2. 유전적 '위험 점수' (PGS)

이러한 질환들이 왜 군집을 이루는지 이해하기 위해 연구자들은 사람들의 DNA 를 살펴보았습니다. 그들은 **다유전자 위험 점수 (Polygenic Risk Score, PGS)**를 만들었습니다.

• 비유: DNA 를 카드 덱이라고 상상해 보세요. 일부 카드는 면역 체계에 '나쁜' 카드입니다. PGS 는 당신이 몇 개의 '나쁜' 카드를 가지고 있는지 세는 점수표와 같습니다.
  • 높은 점수는 많은 '나쁜' 카드를 가지고 있어 위험이 높음을 의미합니다.
  • 낮은 점수는 '나쁜' 카드가 적음을 의미합니다.
• 결과:
  • 공유된 위험: 한 질환에 대해 높은 점수를 가진 사람들은 다른 질환에 대해서도 높은 점수를 가지는 경향이 있었습니다. 이는 질환들이 군집을 이루는 이유를 설명해 줍니다. 즉, 덱에서 같은 '나쁜 카드'를 공유하기 때문입니다.
  • 고유한 위험: 하지만 점수들은 완전히 동일하지 않았습니다. 어떤 사람들은 건선에 대해 높은 점수를 받았지만 루푸스에 대해서는 낮은 점수를 받았습니다. 이는 질환들에도 고유한 '나쁜 카드'가 있음을 의미합니다.
  • '상반된' 효과: 흥미롭게도 일부 쌍 (다발성 경화증과 건선 등) 의 경우, 한 질환에 대한 높은 위험이 실제로는 다른 질환의 위험을 낮추는 것처럼 보였습니다. 마치 한 질환에 대한 유전적 '방패'를 가지고 있는데, 실수로 다른 질환에 더 취약하게 만드는 것과 같습니다.

3. 'HLA' 동네 (유전적 핫스팟)

연구자들은 HLA 영역이라는 DNA 의 특정 부분에 대해 매우 신중해야 했습니다.

• 비유: HLA 영역을 매우 붐비고 시끄러운 도시 블록이라고 생각해 보세요. 그곳은 모두 서로를 잘 아는 곳입니다. 너무 복잡해서 어떤 특정 집 (유전자) 이 문제를 일으키는지 구분하기 어렵습니다.
• 전략: 명확한 시야를 얻기 위해 연구자들은 분석 과정에서 이 도시 블록을 일시적으로 '폐쇄'했습니다.
• 결과: 나머지 DNA 를 살펴본 결과, 일부 질환 (루푸스, 류마티스 관절염 등) 은 그 붐비는 도시 블록에 크게 의존하는 것으로 나타났습니다. 반면 다른 질환들 (건선, 제 1 형 당뇨병 등) 은 그 블록 밖에서도 강력한 신호를 보였습니다. 이는 서로 다른 질환들이 서로 다른 '유전 엔진'을 가지고 있음을 알려줍니다.

4. '용의자' 찾기 (유전자와 경로)

팀은 수백만 개의 DNA 변이를 필터링하여 특정 '용의자' (유전자) 를 찾아내기 위해 컴퓨터 도구를 사용했습니다.

• 흔한 용의자: 그들은 여러 질환에 걸쳐 나타나는 14 개의 유전자를 발견했습니다. 일부는 이미 과학계에 알려진 유명한 용의자 (PTPN22, IL23R 등) 였습니다.
• *새로운 용의자: 그들은 또한 이전에 자가면역 질환과 강력하게 연결되지 않았던 새로운 이름들 (ZNF322, BTN1A1 등) 도 목록에서 발견했습니다.
• 네트워크: 그들은 단일 유전자만 보지 않고, 이러한 유전자들이 서로 어떻게 소통하는지 살펴보았습니다. 그들은 일부 질환에서는 면역 체계가 '과활성화'되어 (계속 울리는 화재 경보처럼) 있고, 다른 질환에서는 '저활성화'되거나 억제되어 있음을 발견했습니다.

5. '두 개의 도서관' 문제 (UKB 대 TriNetX)

마지막으로 연구자들은 UK Biobank 의 발견 결과를 전 세계 TriNetX 데이터베이스와 비교했습니다.

• 비유: 같은 책을 설명하는 두 명의 사서라고 상상해 보세요. 한 사서 (UKB) 는 책을 분류하는 방식에 매우 상세하고 엄격합니다. 다른 사서 (TriNetX) 는 훨씬 더 큰 컬렉션을 가지고 있지만 약간 다른 라벨을 사용합니다.
• 갈등: 때로는 사서들이 완벽하게 동의하기도 합니다 (예: 크론병과 대장염은 항상 연결됨). 하지만 때로는 의견이 다릅니다. 예를 들어, 한 질환 쌍이 영국 도서관에서는 강력한 매칭으로 보일 수 있지만, 전 세계 도서관에서는 약한 매칭으로 보일 수 있습니다.
• 교훈: 이는 하나가 틀렸다는 의미가 아니라, 데이터를 수집하는 방식이 중요하다는 것을 의미합니다. 환자가 어떻게 진단되고 기록되며, 심지어 데이터베이스에 포함된 사람들의 인구통계학적 특성이 어떻게 다른지에 따라 결과가 달라질 수 있습니다.

요약

이 논문은 자가면역 질환의 유전적 지형을 보여주는 거대한 지도입니다. 이는 다음을 확인해 줍니다:

1. 이러한 질환들은 종종 관련이 있으며 유전적 '나쁜 카드'를 공유합니다.
2. 일부 질환은 다른 질환들보다 서로 더 유사합니다.
3. 서로 다른 데이터베이스가 약간 다른 이야기를 전달할 수 있으므로, 이러한 질환들을 어떻게 그룹화하고 기록하는지에 대해 신중해야 합니다.
4. 우리 면역 체계가 때때로 우리를 공격하는 이유를 설명하는 알려진 유전적 단서와 새로운 유전적 단서들이 모두 존재합니다.

이 연구는 이러한 연결을 매핑하고 유전자를 식별하는 데서 멈추며, 새로운 치료법이나 완치를 찾았다고 주장하지는 않습니다. 대신 관련 퍼즐 조각에 대한 더 명확한 그림을 제공합니다.

기술 요약

기술 요약: 영국 바이오뱅크 코호트 데이터를 활용한 자가면역 질환의 유전적 프로파일링 및 다유전자 위험 점수 분석을 통한 군집 탐색

문제 제기
자가면역 질환 (ADs) 은 자기 항원에 대한 면역 반응에서 비롯되며, 현저한 표현형 다양성과 높은 동반 질환률 (다중 자가면역) 을 특징으로 합니다. 전장 유전체 연관 분석 (GWAS) 을 통해 감수성 유전자좌가 식별되었으나, 이러한 변이를 생물학적 기작과 연결하고 다양한 자가면역 질환 간의 공유된 유전적 구조를 이해하며, 흔한 변이와 희귀 변이의 기여도를 모두 고려하는 데에는 여전히 과제가 남아 있습니다. 또한, 기존 다유전자 위험 점수 (PGS) 모델은 대립유전자 빈도와 기능적 주석을 통합하는 포괄적인 프레임워크가 부족한 경우가 많으며, 대규모 바이오뱅크와 실제 세계 전자 건강 기록 (EHR) 네트워크 간의 데이터 조화 불일치로 인해 동반 질환 패턴의 코호트 간 비교가 방해받고 있습니다. 본 연구는 통합된 표현형 및 유전적 데이터를 활용하여 자가면역 질환 간의 질환 중복성, 유전적 이질성, 그리고 공유된 생물학적 기작을 규명하는 필요성에 대응합니다.

연구 방법
본 연구는 영국 바이오뱅크 (UKB) 와 TriNetX (TNX) 네트워크의 데이터를 통합한 다면적 분석 프레임워크를 적용했습니다:

1. 표현형 및 동반 질환 분석:

   • 데이터셋: 502,371 명의 UKB 참가자로부터의 표현형 데이터와 TNX 내 71,069,654 명의 백인 개인으로부터의 EHR 데이터를 활용했습니다.
   • 질환 범위: 크론병 (CD), 다발성 경화증 (MS), 건선 (PSO), 류마티스 관절염 (RA), 전신성 홍반성 루푸스 (SLE), 궤양성 대장염 (UC) 등을 포함한 15 가지 자가면역 질환을 분석했습니다.
   • 통계적 접근: 진단 중복성과 동반 질환 패턴을 평가하기 위해 오즈비 (OR) 를 계산했습니다. p-value 결정에는 피셔의 정확 검정을 사용했습니다. TNX에서는 공변량 (성별, 연령, 인종) 을 통제하기 위해 성향 점수 매칭을 적용했습니다.

2. 다유전자 위험 점수 (PGS) 상관관계:

   • 코호트: 두 가지 PGS 데이터셋을 분석했습니다: 표준 데이터셋 (485,989 개 샘플, 8 가지 AD) 과 향상된 데이터셋 (104,544 개 샘플, 6 가지 AD).
   • 분석: 짝을 이룬 AD 간의 공유된 유전적 구조와 다면성을 평가하기 위해 피어슨 상관계수를 계산했습니다. 2 차원 산점도를 통해 위험 점수 분포와 군집화 패턴을 시각화했습니다.

3. 유전 변이 식별 및 기능적 주석:

   • 변이 필터링: 무관한 백인 영국인 UKB 참가자를 사용하여 전장 유전체 임계값 ($P < 5 \times 10^{-8}$) 으로 유의한 변이를 식별했습니다. 복잡성을 줄이기 위해 HLA 영역 (chr6: 27.4–34.4 Mb) 은 제외했습니다.
   • 주석: 변이를 GRCh38 에 매핑하고 변이 효과 예측기 (VEP) 를 사용하여 주석을 달았습니다.
   • 층화: 변이를 다음 기준으로 필터링했습니다:
     • 대립유전자 빈도 (AF): 흔함 (AF $\ge$ 0.05) 대 희귀함 (AF < 0.05).
     • 기능적 영향: 높음/중간 영향 (예:ミス센스, 스플라이스 부위) 대 낮음/수정자 영향.
     • 유전자좌 그룹화: 500 kb 이내의 변이를 그룹화하여 유전자좌를 정의했습니다.
   • 유전자 선정: 이러한 범주에 걸쳐 변이와 연관된 유전자를 교차 참조하여 공유된 유전적 동인을 식별했습니다.

4. 네트워크 전파 및 경로 분석:

   • 방법: STRING v12 상호작용 네트워크 (엣지 $\ge$ 700) 와 정규화 라플라시안 커널을 사용한 네트워크 전파 전략을 AD 간 공유된 유전자에 적용했습니다.
   • 경로 매핑: 결과를 분자 서명 데이터베이스 (MSigDB) 의 핵심 유전자 세트에 매핑하여 풍부해진 생물학적 경로 (예: 면역 반응, 대사) 를 식별했습니다.

주요 결과

• 동반 질환 및 표현형 중복:

  • 특히 PSO 와 RA 간 (UKB 에서 993 개의 공유 샘플) 및 UC 와 CD 간에 유의한 샘플 중복이 관찰되었습니다.
  • SLE 와 RA, CD 와 UC 등 여러 쌍에서 강한 양의 연관성 (OR > 1) 이 발견되었습니다.
  • 코호트 간 비교 (UKB 대 TNX) 는 MS 와 기타 탈수초성 질환과 같은 강한 연관성에 대해서는 일관된 경향을 보였으나, 특정 쌍 (예: PSO 와 MS 는 UKB 에서 양의 OR 을 보였으나 TNX 에서는 음의/역방향 연관성을 보임) 의 효과 크기와 방향에서 주목할 만한 불일치를 드러냈습니다.

• PGS 분포 및 유전적 구조:

  • PGS 분석은 공유된 구조와 구별되는 구조를 모두 드러냈습니다.
  • MS 대 PSO/RA: MS 는 y 축에서 양의 경향을 보이는 독특한 분포를 보인 반면, PSO 와 RA 는 x 축에서 양의 경향을 보여 부분적인 유전적 분리를 나타냈습니다.
  • SLE 대 MS: 양의 선형 상관관계가 관찰되어 공유된 유전적 감수성을 시사했습니다.
  • SLE 대 PSO: 이러한 질환들은 거의 직교하는 평균 PGS 위치를 보여 임상적 중복에도 불구하고 유전적 유사성이 최소임을 나타냈습니다.
  • 동반 질환 사례: 이중 진단을 받은 개인들 (예: PSO 와 RA) 은 일반적으로 오른쪽 상단 사분면에 군집하여 두 질환 모두에 대해 향상된 유전적 위험을 나타냈으며, 이는 다중 자가면역의 개념을 지지합니다.

• 변이 및 유전자 발견:

  • HLA 제외 후 분석된 AD 간 14 개의 공유 유전자가 식별되었습니다.
  • 영향 기반 필터링: 14 개의 공유 유전자 중 11 개가 높음/중간 영향 변이를 통해 식별되어 빈도 단독보다 기능적 결과가 중요함을 강조했습니다.
  • 새로운 연관성: 본 연구는 GWAS 카탈로그에서 이전에 AD 와 연결되지 않았던 ZNF391, POM121L2, LINC02356을 포함한 새로운 유전자 - 질환 연관성을 식별했습니다.
  • 기존 유전자: 확립된 유전자 (IL23R, PTPN22, SH2B3, MAGI3) 의 재식별은 방법론을 검증했습니다.
  • 부티로필린 가족: CED, SLE, T1D 에서 여러 BTN 가족 유전자 (BTN1A1, BTN2A1, BTN3A1, BTN3A2) 가 발견되어 더 넓은 면역 조절 역할을 시사했습니다.

• 경로 풍부화:

  • 네트워크 전파는 고유한 경로 프로파일을 식별했습니다. IL6-JAK-STAT3 신호 전달 경로는 CED, CD, T1D, UC 에서 상향 조절되었으나 PSO 에서는 하향 조절되었습니다.
  • PSO 는 면역 및 대사 경로에서 음의 풍부화를 보여 경로 억제를 시사한 반면, CED 와 UC 는 상호 연결된 경로의 광범위한 활성화를 보였습니다.

의의 및 주장
본 논문은 유전적 구조, 동반 질환 패턴, 방법론적 견고성을 연결하는 조화되고 데이터 기반의 자원을 제공한다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 다중 자가면역의 검증: 본 연구는 AD 간 완전한 수렴이 아닌 부분적 유전적 중복의 존재를 지지하며, 동반 질환은 종종 단일 질환의 극단적 위험이 아닌 중등도의 중복된 감수성에서 비롯됨을 입증합니다.
2. 방법론적 통합: 흔한 변이, 희귀 변이, 기능적으로 영향력 있는 변이를 통합함으로써 기존 및 새로운 유전자 연관성을 식별하며, 영향 기반 필터링이 빈도 기반 GWAS 만으로는 놓치기 쉬운 생물학적으로 의미 있는 신호를 포착함을 보여줍니다.
3. 교차 데이터셋 통찰: UKB 와 TNX 간의 비교는 코딩 불일치, 코호트 구성과 같은 데이터셋별 요인이 동반 질환 패턴에 미치는 중대한 영향을 강조하여 자가면역 연구에서 표준화된 접근법의 필요성을 부각시킵니다.
4. 성별을 생물학적 변수로: 결과는 성별을 중요한 공변량으로 재확인하며, 대부분의 AD (SLE, RA, MS 등) 에서 일관된 여성 우세와 강직성 척추염에서의 남성 우세를 보여 호르몬 및 X 연관 유전적 요인에 의해 주도될 가능성을 시사합니다.
5. 기능적 맥락: 네트워크 전파 분석은 유전적 연관성에 기능적 차원을 추가하여 CED/UC 와 같은 전신적 조절 이상과 PSO 와 같은 국소적 또는 억제적 네트워크 효과를 구분합니다.

저자들은 AD 의 공유 및 구별되는 특징을 규명했으나, 향후 진전을 위해서는 이러한 유전적 통찰력을 정밀 의학으로 완전히 전환하기 위해 다양한 종단 코호트, 표준화된 진단 정의, 그리고 실험적 검증이 필요하다고 결론지었습니다.