In-depth characterization of the DNA methylation aging landscape links epigenetic noise and genotype-specific epigenetic aging to inflammaging
이 연구는 딥러닝을 활용하여 80만 개 이상의 CpG를 10가지의 뚜렷한 DNA 메틸화 노화 패턴으로 분류하였으며, 유전자형 특이적 메틸화가 염증성 질환을 매개하는 한편, 면역 세포의 변이와 세포 유형에 독립적인 요인 모두에 의해 유발되는 연령 의존적 후성유전적 노이즈가 인플라메이징(inflammaging) 및 사망률과 연관되어 있음을 밝혀냈다.
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
인체의 모든 세포는 DNA라는 복잡한 설명서를 지니고 있지만, 이 설명서가 읽히고 실행되는 방식은 우리가 나이가 들면서 변화합니다. 이러한 변화가 일어나는 가장 중요한 방식 중 하나는 DNA 메틸화라고 불리는 화학적 과정으로, 아주 작은 분자 태그들이 유전 암호에 달라붙는 것입니다. 이 태그들을 세포에게 설명서의 어느 부분을 읽어야 하고 어느 부분을 무시해야 하는지 알려주는 포스트잇(sticky notes)이라고 생각해보십시오. 지난 수십 년 동안 과학자들은 이러한 포스트-잇의 패턴이 나이가 들면서 예측 가능한 방식으로 변화하며, 인간의 연령을 추정할 수 있는 일종의 생물학적 시계를 만든다는 사실을 알아냈습니다. 그러나 이러한 패턴이 어떻게 변하는지에 대한 전체적인 그림은 여전히 흐릿한 상태로 남아 있었습니다. 우리는 인간 유전 암호의 절반 이상이 나이가 들면서 변화한다는 것을 알고 있지만, 이러한 변화가 취하는 다양한 형태에 대한 명확한 지도는 부족했습니다. 어떤 변화는 꾸준하고 균일하게 일어나며, 다른 변화는 더 불규칙해지거나 특정 집단의 사람들에게만 나타나기도 합니다. 이러한 뚜렷한 패턴을 이해하는 것은 매우 중요한데, 왜 우리가 서로 다르게 늙어가는지, 왜 어떤 사람들은 당뇨병이나 심장병과 같은 노화 관련 질환을 앓게 되는지, 그리고 시간이 흐름에 따라 우리의 면역 체계가 어떻게 균형을 잃는지에 대한 열쇠를 쥐고 있을 수 있기 때문입니다.
연구팀은 이제 데이터를 그림처럼 취급함으로써 이러한 노화 패턴의 상세한 지도를 만들어냈습니다. 데이터를 스프레드시트의 숫자로 보는 대신, 그들은 3,500명 이상의 개인으로부터 얻은 DNA 메틸화 데이터를 2차원 이미지로 변환했습니다. 이 이미지에서 가로축은 사람의 연령을 나타내고, 세로축은 DNA 상의 화학적 태그 수준을 보여줍니다. 이미지의 밀도는 특정 연령에서 얼마나 많은 사람이 동일한 패턴을 공유하는지를 드러냅니다. 이미지 속의 형상을 인식하는 데 탁월한 딥 러닝 네트워크라는 종류의 인공지능을 사용하여, 연구진은 컴퓨터가 80만 개 이상의 이러한 유전적 부위들을 10개의 뚜렷한 범주로 분류하도록 학습시켰습니다. 이 접근 방식은 전통적인 통계 방법이 놓쳤던 미세한 차이를 포착할 수 있게 해주었으며, 노화의 풍경이 이전에 생각했던 것보다 훨씬 더 다양하다는 것을 밝혀냈습니다.
연구는 10가지 특정한 유형의 패턴을 식별했습니다. 어떤 부위는 사람들이 나이가 들어감에 따라 직선적이고 예측 가능한 선을 그리며 변화하는 반면, 어떤 부위는 사람 간의 변동성이 꾸준히 증가하는 모습을 보입니다. 어떤 부위는 변함없이 견고하고 안정적인 반면, 다른 부위는 안정적이다가 몇몇 개인들에게서 갑작스럽고 큰 편차를 보이기도 합니다. 또한 성별이나 특정 유전적 구성에 의해 인구를 두 개 또는 세 개의 뚜렷한 그룹으로 나누는 부위들도 존재합니다. 데이터를 이렇게 분류함으로써 연구진은 각 패턴을 특정 생물학적 특징과 연결할 수 있었습니다. 예를 들어, 직선 형태로 변화하는 부위들은 종종 게놈의 면역 세포를 조절하는 영역에서 발견되는데, 이는 노화의 꾸준한 행보가 혈액 내 순환하는 면역 세포 유형의 변화에 의해 부분적으로 추진된다는 것을 시사합니다. 반면, 나이가 들면서 더 불규칙하고 노이즈(noise)가 심해지는 부위들은 보통 유전자의 스위치를 꺼두는 역할을 하는 영역에서 발견되며, 이는 노화가 유전적 제어 시스템에 일종의 혼돈을 도입한다는 점을 암시합니다.
가장 중요한 발견 중 하나는 평균적인 수준은 변하지 않지만 점점 더 노이즈가 심해지는, 즉 나이가 들수록 사람들 사이의 변동성이 커지는 특정 부위 그룹과 관련된 것입니다. 연구진은 이러한 특정 유형의 유전적 노이즈를 측정하기 위해 "노이즈클락(NoiseClock)"이라 부르는 새로운 도구를 구축했습니다. 그들은 이 노이즈가 노화와 함께 증가하며 많은 질병의 주요 원인이 되는 만성적인 저강도 염증인 '인플라메이징(inflammaging, 염증성 노화)'과 강력하게 연결되어 있다는 것을 발견했습니다. 결정적으로, 이 연결 고리는 혈액 내 면역 세포 유형의 변화를 고려한 후에도 유효했습니다. 노이즈클락은 제2형 당뇨병, 류마티스 관절염, 고혈압과 같은 염증성 질환의 위험을 예측할 수 있었습니다. 더욱이, 스코틀랜드의 대규모 집단을 대상으로 테스트했을 때, 이 유전적 노이즈의 척도는 사람의 실제 연령이나 다른 건강 요인과는 독립적으로 모든 원인에 의한 사망 위험과 연관되어 있었습니다. 이는 우리의 유전적 태그에서 발생하는 무작위성의 증가가 현재의 노화 시계가 완전히 포착하지 못할 수도 있는 노화 과정의 근본적인 부분임을 시사합니다.
이 연구는 또한 우리의 유전자와 우리가 어떻게 늙어가는지 사이의 매혹적인 연결 고리를 밝혀냈습니다. 연구진은 노화에 따른 변화 패턴이 전적으로 개인의 유전 암호에 달려 있는 특정 부위들을 발견했습니다. 어떤 사람들에게 이 부위들은 나이가 들면서 꾸준히 변화하는 반면, 다른 유전적 변이를 가진 사람들에게는 안정적으로 유지됩니다. 연구팀은 이러한 "유전자형 특이적(genotype-specific)" 부위들이 흔히 염증성 질환과 연결되어 있다는 것을 발견했습니다. 유전적 인과 관계를 추적하는 방법을 사용하여, 연구진은 이 특정 부위들이 매개체(mediators) 역할을 할 가능성이 높다는 것을 보여주었습니다. 즉, 유전적 변이가 DNA 태그에 영향을 미치고, 이것이 다시 심장병이나 당뇨병과 같은 질환의 위험에 영향을 미친다는 것입니다. 이 발견은 노화 시계가 모든 사람에게 동일한 방식으로 작동한다는 생각에 도전하며, 대신 상당 부분의 게놈에서 노화 과정이 매우 개인적이며 우리의 독특한 유전적 구성에 의해 결정된다는 점을 시사합니다.
10가지 뚜렷한 패턴을 매핑함으로써, 연구진은 노화의 풍경에 대해 훨씬 더 명확한 시각을 제공했습니다. 그들은 노화를 단일하고 균일한 과정으로 보는 기존의 방식이 너무 단순하다는 것을 보여주었습니다. 대신, 노화는 꾸준한 변화, 증가하는 노이즈, 그리고 사람마다 다르게 영향을 미치는 유전적 특이점들이 뒤섞인 과정입니다. 이 연구는 모든 연령 관련 변화가 선형적이거나 모두 동일한 메커니즘에 의해 구동된다는 생각을 부정합니다. 또한 우리 유전적 태그의 "노이즈"가 실재하며 측정 가능한 현상으로서 질병과 사망률에 기여한다는 점을 시사합니다. 연구진은 약 20%의 유전적 부위가 이 10가지 범주에 깔끔하게 들어맞기에는 너무 복잡하다는 점을 인정하면서도, 새로운 지도가 우리가 변화하는 방식을 이해하기 위한 강력한 틀을 제공한다고 밝혔습니다. 이 연구는 노화를 이해하고 노화 관련 질병을 예방하는 길은 우리의 DNA가 들려주는 구체적이고, 때로는 소란스러우며, 종종 개인적인 이야기에 귀를 기울이는 데 있음을 강조합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.