📄 genetic and genomic medicine

OmicsPred as a centralised resource for genetic prediction of multi-omic traits

멀티오믹스 임퓨테이션 모델의 파편화 문제를 해결하기 위해, 저자들은 발견 가능성, 상호 운용성 및 체계적인 타겟 발굴을 용이하게 하기 위해 표준화된 메타데이터와 형식을 갖춘 330만 개 이상의 유전적 예측 모델을 통합한 중앙 집중식 플랫폼인 OmicsPred를 개발하였다.

원저자: Foguet, C., Gil, L., Xu, Y., Salazar-Magana, S., Rtichie, S. C., Persyn, E., Im, H. K., Inouye, M., Lambert, S. A.

게시일 2026-06-11

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Foguet, C., Gil, L., Xu, Y., Salazar-Magana, S., Rtichie, S. C., Persyn, E., Im, H. K., Inouye, M., Lambert, S. A.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

당신이 왜 어떤 사람은 병에 걸리고 어떤 사람은 건강을 유지하는지 이해하려고 노력하고 있다고 상상해 보십시오. 과학자들은 당신의 DNA(유전적 설계도)가 건강에 영향을 미친다는 것을 알고 있지만, DNA는 단지 설명서일 뿐입니다. 당신의 몸에서 실제로 일을 하는 진짜 "일꾼"들은 RNA, 단백질, 대사체와 같은 분자들입니다. 질병을 진정으로 이해하기 위해서, 과학자들은 이 일꾼들이 무엇을 하고 있는지 확인해야 합니다.

하지만 수백만 명의 사람들에게서 이 분자들의 수준을 확인하는 것은 매우 비싸고 어렵습니다. 마치 거대한 도시의 모든 벽돌 하나하나를 검사하려는 것과 같습니다. 반면에, 사람들의 DNA를 읽는 것은 이제 쉽고 저렴합니다. 마치 도시의 레이아웃을 보여주는 지도를 갖는 것과 같습니다.

문제점: 흩어진 지도들의 도서관
과학자들은 DNA "지도"를 사용하여 분자 "일꾼"들이 무엇을 하고 있는지 예측하는 방법을 알아냈습니다. 그들은 이 예측 모델(수천 개의 수학적 공식)을 구축했습니다. 하지만 지금까지 이 공식들은 여기저기 흩어져 있었습니다. 서로 다른 연구 논문의 뒷부분에 숨겨져 있거나, 서로 다른 웹사이트에 있거나, 서로 다른 파일 형식으로 존재했습니다. 이는 마치 모든 책이 서로 다른 언어로 쓰여 있고 서로 다른 방에 보관되어 있는 도서관과 같았습니다. 만약 연구자가 이들을 사용하고 싶다면, 하나씩 찾아 헤매야 했으며, 종종 이들을 함께 사용할 수도 없었습니다.

해결책: OmicsPred (중앙 집중식 도서관)
이 논문은 이 흩어진 예측 모델들을 한곳으로 모으는 새로운 중앙 집중식 온라인 라이브러리인 OmicsPred를 소개합니다. 이것은 모든 유전적 예측 도구가 깔끔하게 라벨이 붙어 있고, 공통된 언어로 번역되어 있으며, 바로 빌려 갈 준비가 되어 있는 거대하고 조직적인 창고라고 생각하면 됩니다.

OmicsPred가 특별한 이유는 다음과 같습니다 (쉬운 비유를 사용함):

방대한 컬렉션: 2026년 5월 기준으로, 이 라이브러리는 330만 개 이상의 예측 모델을 보유하고 있습니다. 이 모델들은 세 가지 주요 분자 일꾼 유형인 전사체(RNA), 단백질, 대사체를 다룹니다.
표준화된 형식: 이전에는 한 연구의 모델이 특정 컴퓨터 프로그램에서만 읽을 수 있는 형식일 수 있었습니다. OmicsPred는 이 모든 모델을 과학자들이 이미 사용하는 대중적인 도구(예: "PGS Calculator" 및 "MetaXcan")와 호환되도록 번역합니다. 이는 도서관의 모든 책을 영어와 스페인어 모두로 제공하여 누구나 읽을 수 있도록 보장하는 것과 같습니다.
상세한 라벨 (메타데이터): 모든 모델에는 명확한 "신분증"이 따라옵니다. 이 카드는 해당 모델이 어디에서 학습되었는지(어떤 집단, 어떤 조직), 얼마나 정확한지, 그리고 어떤 특정 분자를 예측하는지를 알려줍니다.
점들을 연결하기: 이 라이브러리는 단순히 모델을 나열하는 데 그치지 않고, 이를 생물학적 "이웃"(경로/pathway)과 연결합니다. 예를 들어, 특정 단백질을 검색하면 라이브러리는 그 단백질이 동일한 생물학적 과정 내에서 함께 작동하는 다른 어떤 단백질들과 일하는지 보여줄 수 있습니다.

검증하기: Million Veterans Program
이 라이브-브러리가 얼마나 유용한지 보여주기 위해, 연구진은 다양한 배경을 가진 백만 명 이상의 사람들을 대상으로 한 거대 연구인 **Million Veterans Program (MVP)**의 데이터를 사용하여 OmicsPred를 분석했습니다.

그들은 이 라이브러리를 사용하여 대규모 "검색 및 찾기" 작업(PheWAS라고 불림)을 수행했습니다. 그들은 다음과 같이 물었습니다: "만약 우리가 DNA를 기반으로 이 수백만 개의 분자 수준을 예측한다면, 어떤 것들이 특정 질병과 연결될까?"

결과: 그들은 예측된 분자 형질과 질병 사이의 190,000개 이상의 유의미한 연결 고리를 발견했습니다.
실제 사례: 특정 단백질(PCSK9)과 심장 질환 사이의 연결과 같이 이미 알려진 연결 고리들을 확인했습니다.
새로운 통찰: 그들은 AGER라는 분자와 갑상선 기능 저하증(갑상선 기능 저하) 사이의 매우 일관된 연결 고리를 발견했습니다. 이는 다양한 집단의 사람들과 다양한 유형의 데이터에서 발견되었습니다. 라이브러리의 "이웃" 지도를 사용함으로써, 그들은 AGER가 갑상선 건강에 중요하다고 알려진 특정 신호 전달 경로(NF-κB)의 일부라는 것을 확인했습니다. 이는 왜 그 연결이 존재하는지에 대한 설명을 도와주었습니다.

앞으로의 계획은?
저자들은 OmicsPred가 성장하는 자원임을 강조합니다. 현재 대부분의 모델은 유럽 혈통의 사람들을 기반으로 하고 있지만, 팀은 다양한 글로벌 인구 집단의 모델이 확보되는 대로 추가할 것을 약속하고 있습니다. 또한 가축을 위한 모델을 포함하도록 라이브러리를 확장하고, 과학자들이 인과 관계를 파악하는 데 도움이 될 더 발전된 기능들을 추가할 계획입니다.

요약하자면
OmicsPred는 흩어진 유전적 예측 도구들의 문제를 해결하는 중앙 집중식의 사용자 친화적인 허브입니다. 이를 통해 연구자들은 DNA로부터 분자 형질을 예측하기 위한 수천 개의 모델을 쉽게 찾고, 다운로드하고, 사용할 수 있으며, 우리의 유전자, 우리의 생물학, 그리고 우리의 질병 사이의 새로운 연결 고리를 발견하는 데 도움을 줍니다.

기술 요약: 다중 오믹스 형질의 유전적 예측을 위한 중앙 집중식 리소스로서의 OmicsPred

문제 정의
다중 오믹스 데이터(전사체학, 단백체학, 대사체학)의 유전적 예측이 질병과 관련된 분자적 특징을 식별하기 위한 직접적인 프로파일링의 비용 효율적인 대안으로 부상하고 있으나, 이 분야는 심각한 파편화 문제를 겪고 있다. 기존의 다중 오믹스 임퓨테이션(imputation) 모델들은 개별 연구, 보충 자료 또는 특정 연구 웹사이트에 분산되어 있다. 이러한 분산은 이러한 리소스의 발견 가능성, 접근성, 상호 운용성 및 재사용성을 저해하여 FAIR(Findable, Accessible, Interoperable, Reusable) 데이터 원칙을 위반한다. 요약 통계량과 표현형 예측 모델을 성공적으로 중앙 집중화한 GWAS 및 다유전자 점수(PGS) 카탈로그와 달리, TWAS(전사체 연관 분석), PWAS(단백체 연관 분석) 또는 MWAS(대사체 연관 분석)와 같은 기성 분석 프레임워크와 통합된 분자 형질의 유전적 예측 모델을 위한 통합된 리소스는 현재 존재하지 않는다.

방법론 및 리소스 아키텍처
이러한 격차를 해소하기 위해 저자들은 유전적 예측 모델과 관련 메타데이터를 호스팅하고 배포하도록 설계된 중앙 집중식 저장소인 OmicsPred(https://www.omicspred.org)를 개발하였다. 이 리소스는 다음과 같은 기술적 기둥을 기반으로 구축되었다:

데이터 조화 및 표준화: OmicsPred는 PredictDB(GTEx 기반) 데이터셋과 INTERVAL, TOPMed, ARIC, UK Biobank와 같은 대규모 코호트를 활용한 최신 연구를 포함한 다양한 출처의 모델을 집계한다. 2026년 5월 기준으로, 이 저장소는 3,339,469개의 예측 모델을 보유하고 있다.
메타데이터 풍부화: 각 모델에는 훈련 세트의 특성(코호트 명칭, 샘플 크기, 유전적 계통), 예측 성능 지표( $R^2$ ), 그리고 예측되는 분자 엔티티(유전자, 단백질 또는 대사체)를 포함한 포괄적인 메타데이터가 동반된다.
온톨로지 매핑: 분자 특징은 표준 참조 데이터베이스(Ensembl, UniProt) 및 조직 용어를 위한 실험적 요인 온톨로지(EFO)에 매핑된다. 결정적으로, 특징들은 Reactome 생물학적 경로에도 매핑되어 경로 수준의 쿼리를 가능하게 한다.
상호 운용성: 스코어링 파일은 인기 있는 분석 도구, 특히 PGS Catalog Calculator 및 MetaXcan(S-PrediXcan/FUSION 워크플로에 사용됨)과 호환되는 형식으로 조화되어 배포된다.
접근 및 제출: 플랫폼은 데이터셋, 분자 엔티티, 경로 또는 계통별로 브라우징 및 검색할 수 있는 웹 인터페이스를 제공한다. 또한 프로그래밍 방식의 접근을 위한 REST API를 제공한다. 연구자들은 모델 파일, 훈련 데이터셋 상세 정보, 성능 지표 및 그에 상응하는 출판물을 제출해야 하는 온라인 양식을 통해 새로운 모델을 제출하도록 권장된다.

주요 결과 및 시연
OmicsPred의 유용성은 이용 가능한 가장 큰 다계통 코호트 중 하나인 Million Veterans Program (MVP) 코호트를 이용한 체계적인 **표현형 연관 분석(PheWAS)**을 통해 입증되었다.

분석 규모: 저자들은 최대 1,233개의 건강 결과(PheCodes)에 대해 조화된 GWAS 요약 통계량을 아프리카(AFR), 혼혈 미국인(AMR), 유럽인(EUR) 계통 그룹에 대해 활용하였다. OmicsPred에서 관련 임퓨테이션 모델(혈액 및 혈장 중심)을 다운로드하여 MetaXcan을 사용하여 TWAS 및 PWAS를 수행하였다.
발견: 분석 결과, 임퓨테이션된 전사/단백질 형질과 PheCode 결과 사이에서 190,000개 이상의 유의미한 연관성(FDR < 0.05)이 확인되었으며, 이는 약 4,600만 건의 통계 테스트를 포함한다.
교차 오믹스 검증: OmicsPred의 교차 데이터셋 매핑을 활용하여, 서로 다른 오믹스 층, 플랫폼 및 계통에 걸쳐 알려진 연관성(예: 관상동맥 질환과 PCSK9, 고지혈증과 APOE, 노인성 황반변성과 CFH)을 확인하였다.
새로운 생물학적 통찰: AGER(Advanced Glycosylation End-product Specific Receptor)와 갑상선 기능 저하증 위험 사이의 일관된 교차 오믹스 및 교차 계통 신호가 식별되었다. 이 연관성은 분석된 9개 데이터셋 중 7개에서 유의미했다. OmicsPred에서 제공하는 Reactome 경로 매핑을 활용하여, 저자들은 이 발견을 NF-κB 복합체 활성화 경로(Reactome R-HSA-445989)와 연결하였으며, 이는 갑상선 생리학에서 NF-κB의 알려진 역할과 일치한다. 이 연결은 동일한 경로 내의 다른 스코어들(예: NFKB2, NFKBIA, APP)이 갑상선 기능 저하증과 연관되어 있음을 추가로 식별하였다.
통합: 이러한 MVP PheWAS 결과는 이전에 발표된 UK Biobank 결과와 함께 OmicsPred에 통합되어, 사용자가 전 세계적으로 다양한 바이오뱅크를 가로질러 연관성을 쿼리할 수 있도록 한다.

의의 및 주장
본 논문은 OmicsPred를 다중 오믹스 예측 모델의 파편화 문제를 해결함으로써 광범위한 생물 의학 연구 응용을 촉진하는 통합된 FAIR 저장소로 규정한다. 주요 의의는 다음과 같다:

중앙 집중화: PredictDB와 같은 기존의 흩어져 있던 리소스를 통합하여 330만 개 이상의 모델에 대한 단일 접근 지점을 제공한다.
상호 운용성: 맞춤형 포맷팅 없이도 표준 파이프라인(MetaXcan, PGS Calculator)에서 즉시 사용할 수 있도록 모델을 보장한다.
가설 생성: MVP PheWAS에서 보여준 것처럼, 경로 수준 분석을 통한 AGER의 갑상선 기능 저하증 역할 식별을 통해 체계적인 타겟 발굴을 가능하게 한다.
커뮤니티 성장: 연구자들이 새로운 모델과 PheWAS 결과를 제출할 수 있는 메커니즘을 구축함으로써, 그들의 연구 결과에 대한 발견 가능성과 재사용성을 높인다.

저자들은 현재 리소스가 주로 유럽인 계통 코호트에서 개발된 스코어에 편향되어 있음을 인정하면서도, 데이터가 확보됨에 따라 글로벌 인구를 포함하는 모델을 우선시하겠다는 의지를 밝혔다. 향후 개발 목표는 추가적인 조직, 계통, 분자 플랫폼(예: 질량 분석 기반 단백체학) 및 비인간 종으로 확장하는 것이며, 인과적 연관성 테스트 및 단백질 복합체 데이터 기능을 추가하는 것을 포함한다.

기술 요약: 다중 오믹스 형질의 유전적 예측을 위한 중앙 집중식 리소스로서의 OmicsPred

유사한 논문