Genome-wide association-assisted genomic prediction improves haplotype-tagged marker panels for multi-environment prediction in chickpea

당신이 미스터리를 풀기 위해 단서를 찾는 탐정이라고 상상해 보세요. 다만 지문 대신 맛있는 식사를 위한 완벽한 레시피를 찾고 있는 것입니다. 식물 육종의 세계에서 이 "레시피"란 씨앗 안에 숨겨진 유전 암호입니다. 과학자들은 **유전체 예측(Genomic Prediction)**이라는 도구를 사용하여 식물의 DNA를 읽음으로써 그 식물이 어떻게 자랄지, 얼마나 많은 먹을거리를 생산할지, 혹은 가뭄에서 얼마나 잘 살아남을지를 추측합니다. 이것은 마치 아이가 다 자랄 때까지 기다리지 않고, 부모님의 사진과 가계도를 보고 아이가 얼마나 키가 클지 예측하는 것과 같습니다.

하지만 함정이 있습니다. 전체 DNA 지도를 읽는 것은 도서관의 모든 단어를 읽어 특정 이야기 하나를 찾아내는 것처럼 비용이 많이 들고 느립니다. 시간을 아끼기 위해 과학자들은 전체 이야기를 대표하는 가장 중요한 단어(마커)들만 골라낸 "하이라이트" 버전의 지도를 사용하곤 합니다. 이를 **하플로타입 태깅(haplotype tagging)**이라고 합니다. 하지만 여기서 큰 질문이 생깁니다. 하이라이트만 읽는다면 여전히 이야기를 제대로 파악할 수 있을까요? 그리고 당신이 이미 조금 키워본 식물을 예측하는 것인지, 아니면 한 번도 본 적 없는 새로운 식물을 예측하는 것인지에 따라 결과가 달라질까요? 이것이 바로 과학자들이 척박하고 건조하여 식량이 부족한 곳에서 농부들이 더 나은 작물을 재배할 수 있도록 해결하고자 하는 퍼즐입니다.

---

병아리콩 탐정 이야기

이 연구에서 연구진은 이 "하이라이트 지도" 아이디어를 병아리콩을 통해 시험해 보기로 했습니다. 병아리콩은 수백만 명을 먹여 살리고 토양을 건강하게 유지하는 데 도움을 주는 매우 중요한 작물입니다. 그들은 2 층의 서로 다른 환경에서 2년 동안 209가지의 다양한 병아리콩 품종을 수집하여 재배했습니다. 그들은 식물의 키, 꼬투리 생산량, 종자의 무게와 같은 6가지 핵심 형질을 측정했습니다.

과학자들은 두 가지 유형의 유전적 "지도"를 사용하여 서로 다른 환경에서 병아리콩이 어떻게 성과를 낼지 예측할 수 있는지 확인하기 위해 대규모 실험을 설계했습니다:

1. 조밀한 지도 (The Dense Map): 40만 개 이상의 유전 마커가 담긴 방대하고 상세한 목록 (책 전체를 읽는 것과 같음).
2. 태깅된 지도 (The Tagged Map): 전체적인 그림을 대표하도록 선택된 약 9,800개의 마커로 슬림해진 목록 (장별 요약본만 읽는 것과 같음).

그들은 네 가지 서로 다른 "육종 시나리오", 즉 미래를 예측하는 네 가지 다른 방식에 대해 이 지도들을 테스트했습니다:

• 시나리오 A (익숙한 경우): 식물이 새로운 환경에서 어떻게 될지 예측하지만, 우리는 이미 그 식물이 다른 환경에서 어떻게 되었는지 알고 있는 경우.
• 시나리오 B (낯선 경우): 우리가 한 번도 본 적 없는 완전히 새로운 식물이 새로운 환경에서 어떻게 될지 예측하는 경우.

연구 결과

결과는 마치 미스터리 소설의 반전 같았습니다. 가장 중요한 요소는 컴퓨터 모델이 얼마나 화려한지나 마커를 얼마나 많이 사용하는지가 아니라, 그 식물에 대해 우리가 이미 얼마나 많은 정보를 가지고 있느냐였습니다.

1. "익숙한" 식물 (시나리오 A & C)
과학자들이 병아리콩이 새로운 환경에서 어떻게 성과를 낼지 예측하려고 할 때, 이미 그 특정 병아리콩이 다른 곳에서 어떻게 수행되었는지에 대한 데이터가 있다면, 슬림해진 "태깅된 지도"가 거대한 "조밀한 지도"만큼이나 잘 작동했습니다.

• 비유: 당신의 친구가 매운 음식을 좋아한다는 것을 알고 있다고 상상해 보세요. 그 친구가 새로운 매운 요리를 좋아할지 예측하려면, 그 친구의 인생 전체를 알 필요는 없습니다(조밀한 지도). 그저 그 친구가 매운 음식을 좋아한다는 사실(태깅된 지도)만 알면 됩니다.
• 수치: 100립 중량과 같은 형질에 대해, 두 지도의 예측 정확도는 거의 동일했으며, 최대 0.89에 달했습니다 (완벽한 점수는 1.0). 까다로운 수확량 형질의 경우 두 지도 모두 어려움을 겪었지만, 똑같이 어려워했습니다.
• 교훈: 이미 몇 군데에서 재배되었던 식물을 테스트하는 경우, 정확도를 잃지 않으면서 훨씬 저렴하고 작은 지도를 사용하여 많은 비용을 절감할 수 있습니다.

2. "낯선" 식물 (시나리오 B & D)
어떤 환경에서도 테스트된 적이 없는 완전히 새로운 병아리콩의 성과를 예측하려고 할 때 상황이 바뀌었습니다.

• 반전: 이 경우에는 조밀한 지도가 승리했습니다. 슬림해진 태깅된 지도는 이 새로운 식물들의 비밀을 알아내기에 충분히 상세하지 않았습니다.
• 비유: 이제 당신이 낯선 사람이 저녁 식사로 무엇을 먹을지 추측한다고 상상해 보세요. 당신은 그 사람의 이력도, 친구도, 취향도 모릅니다. 당신은 가능한 모든 단서가 필요합니다. "장별 요약본"(태깅된 지도)은 충분하지 않았습니다. 제대로 된 추측을 위해서는 "책 전체"(조밀한 지도)가 필요했습니다.
• 수치: 새로운 식물의 경우, 조밀한 지도는 개화 시기를 0.42의 정확도로 예측한 반면, 태깅된 지도는 0.21에 그쳤습니다! 이는 엄청난 차이입니다. 태깅된 지도는 사실상 암흑 속에서 추측하고 있었던 셈입니다.

3. "특별한 단서" (GWAS 마커)
연구진은 또한 이전 연구에서 중요하다고 알려진 특정 유전 마커인 "특별한 단서"(GWAS 마커)를 추가하는 실험도 진행했습니다.

• 조밀한 지도의 경우: 이러한 단서를 추가해도 별 도움이 되지 않았습니다. 책 전체를 처음부터 끝까지 다 읽었는데 거기에 하이라이트 하나를 더 추가하는 것과 같았습니다. 이미 이야기를 다 알고 있었기 때문입니다.
• 태깅된 지도의 경우: 이 단서들을 추가하는 것은 게임 체인저였습니다! 이는 새로운 식물에 대한 예측력을 크게 향상시켰습니다. 그것은 마치 몇 개의 강조된 문장을 "장별 요약본"에 붙여넣는 것과 같았습니다. 갑자기 요약본이 훨씬 더 명확해졌습니다.
• 결과: 태깅된 지도의 경우, 특별한 마커를 추가함으로써 가장 어려운 시나리오에서 개화 시기 예측력을 0.22에서 0.36으로 높였습니다. 이는 작은 지도가 남긴 빈틈을 메우는 데 도움이 되었습니다.

4. "날씨 요인" (G×E)
연구팀은 식물이 서로 다른 날씨나 토양 조건에 어떻게 반응하는지를 구체적으로 설명하는 복잡한 모델도 구축해 보았습니다.

• 판결: 놀랍게도, 이러한 복잡한 모델들은 별로 도움이 되지 않았습니다. 단순한 모델이 똑같이 잘 작동했습니다. 병아리콩의 경우, 수학적으로 모든 미세한 날씨 변화를 모델링하는 것보다 식물 간의 기본적인 유전적 관계가 더 강력한 예측 인자라는 것이 밝혀졌습니다.

결론

이 연구는 병아리콩의 미래를 예측하는 데 있어 단 하나의 "완벽한" 방법은 없다는 것을 시사합니다. 그것은 전적으로 당신이 누구를 예측하려 하는지에 달려 있습니다:

• 이미 어딘가에서 재배되었던 식물을 테스트하는 경우: 저렴하고 슬림해진 태깅된 지도를 사용하세요. 이는 비용을 절감하면서도 기존 버전만큼 잘 작동합니다.
• 한 번도 테스트되지 않은 새로운 식물을 테스트하는 경우: 반드시 비싸고 상세한 조밀한 지도를 사용해야 합니다. 지름길만으로는 전체 그림을 볼 수 없습니다.
• 저렴한 지도를 사용해야 하지만 새로운 식물을 예측해야 하는 경우: "특별한 단서"(GWAS 마커)를 추가하여 정확도를 높임으로써 문제를 해결할 수 있습니다.

연구진은 모든 것을 해결하는 마법의 탄환을 찾아낸 것은 아니지만, 결과를 희생하지 않으면서 비용을 아낄 수 있는 영리한 방법을 찾아냈습니다. 적절한 작업에 적절한 도구를 맞춤으로써, 육종가들은 더 빠르고 더 적은 비용으로 더 많은 식량을 재배할 수 있습니다.