🧬 biology

Quantitative and Comparative Analysis of mRNA Poly(A) Tail Length Distributions Using LC–MS, LC–UV, and Oxford Nanopore Sequencing with Bayesian Harmonization

본 연구는 LC–MS, LC–UV 및 Oxford Nanopore 시퀀싱 플랫폼 간의 mRNA 폴리(A) 꼬리 길이 분포를 조화시키고 정량적 비교를 가능하게 하기 위해 나이브 베이즈(Naïve Bayes) 분류 모델을 사용하는 표준화된 프레임워크를 구축하며, 이를 통해 mRNA 치료제 특성 분석을 위한 규제 정렬을 지원한다.

원저자: Melda Zeynep Guray, Amanda Hughes, Elisa Calvo-Jiménez, Meltem Kaya, Gaston Vondenhoff

게시일 2026-08-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Melda Zeynep Guray, Amanda Hughes, Elisa Calvo-Jiménez, Meltem Kaya, Gaston Vondenhoff

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

메신저 RNA, 즉 mRNA는 이론적인 생물학의 영역에서 현대 의학의 중심으로 이동했으며, 전 세계적 팬데믹을 종식하는 데 기여한 백신의 핵심 동력으로서 가장 유명해졌습니다. mRNA 분자의 본질은 세포에 특정 단백질을 어떻게 만드는지 알려주는 일련의 지침입니다. 이 지침이 체내에서 효과적으로 작동하고 충분히 오래 지속되려면, 한쪽 끝에는 보호용 캡이 필요하고 다른 쪽 끝에는 길고 반복되는 꼬리가 있어야 합니다. 아데노신이라고 불리는 동일한 화학적 구성 블록의 사슬로 이루어진 이 꼬리를 폴리(A) 꼬리(poly(A) tail)라고 합니다. 이 꼬리의 길이는 단순한 무작위적 세부 사항이 아니라, 중요한 품질 관리 척도입니다. 만약 꼬리가 너무 짧으면 메시지가 너무 빨리 분해됩니다. 반대로 너무 길거나 불규칙하면 세포가 이를 읽는 데 어려움을 겪을 수 있습니다. 이 때문에 mRNA 의약품을 제조하는 과학자들은 최종 제품이 안전하고 효과적인지 확인하기 위해 이러한 꼬리의 길이를 극도로 정밀하게 측정할 수 있어야 합니다.

하지만 이 꼬리를 측정하는 것은 분자들이 단일하고 균일한 크기로 존재하지 않기 때문에 놀라울 정도로 어렵습니다. 대신, 하나의 mRNA 배치(batch)는 다양한 길이의 꼬리가 섞인 혼합물을 포함하며, 이는 단일한 숫자가 아닌 분포를 형성합니다. 더욱이, 분자의 무게를 재는 기계부터 유전 서열을 읽는 기계에 이르기까지 과학자들이 사용하는 서로 다른 도구들은 완전히 다른 형식의 데이터를 생성합니다. 이는 마치 군중의 사진, 이름 목록, 그리고 동일한 군중의 소리 녹음을 비교하려는 것과 같습니다. 각 방식은 집단에 대해 무언가를 알려주지만, 그 정보를 서로 정렬하기는 어렵습니다. 이러한 공통 언어의 부재는 연구자들이 이 꼬리의 길이가 정확히 얼마인지, 혹은 한 배치의 의약품이 얼마나 일관적인지에 대해 합의하는 것을 어렵게 만들었습니다.

새로운 연구에서 론자 네덜란드(Lonza Netherlands)의 연구진은 매우 다른 세 가지 분석 플랫폼의 데이터를 비교할 수 있는 통일된 방법을 만들기 위해 이 문제를 해결하고자 했습니다. 그들은 각각 특정 목표 폴리(A) 꼬리 길이를 갖도록 설계된 세 가지 서로 다른 mRNA 구조체를 가져와 세 가지 표준 방법으로 분석했습니다: 분자를 무게별로 분리하는 액체 크로마토그래피 결합 질량 분석법, 분자가 빛을 흡수하는 정도를 측정하는 액체 크로마토그래피 자외선 검출법, 그리고 작은 구멍을 통과하는 개별 분자의 유전 코드를 읽는 옥스퍼드 나노포어(Oxford Nanopore) 시퀀싱입니다. 연구팀은 세 방법 모두 샘플 내에서 가장 흔한 꼬리 길이를 성공적으로 식별할 수 있었지만, 분포의 경계를 정하는 데 있어서는 의견이 일치하지 않는다는 것을 발견했습니다. 높은 특이성을 가진 질량 분석법은 상대적으로 좁은 범위의 꼬리 길이를 보여주었습니다. 반면, 시퀀싱 방법은 훨씬 더 넓고 광범위한 길이의 분포를 감지했으며, 여기에는 다른 방법들이 놓치거나 노이즈로 치부했던 매우 짧거나 매우 긴 꼬리들이 포함되어 있었습니다.

핵심적인 과제는 시퀀싱 방법이 믿기 힘들 정도로 민감하면서도, 다른 방법들과는 판이하게 다른 분포를 보고하는 경향이 있어, 어떤 숫자가 실제 생물학적 특징이고 어떤 것이 측정 과정에서 발생한 인공적인 결과물(artifact)인지 결정하기 어렵다는 점이었습니다. 이 간극을 메우기 위해 연구진은 방법들 사이에서 번역가 역할을 하는 통계적 프레임워크를 개발했습니다. 그들은 고정밀 질량 분석 데이터를 참조 표준으로 사용하여 컴퓨터 모델을 학습시켰습니다. 이 모델은 실제 보고 가능한 꼬리 길이를 나타내는 신호 강도의 패턴과 무작위적인 변동을 식별하는 법을 배웠습니다. 이 모델을 다른 두 방법의 데이터에 적용했을 때, 결과는 극적으로 변했습니다. 시퀀싱 방법의 넓고 흩어진 데이터와 자외선 방법의 빛 흡수 데이터는 필터링되고 정렬되어 질량 분석 결과의 정밀도에 맞춰졌습니다.

그 결과는 mRNA 꼬리에 대한 조화로운 관점이었습니다. 세 플랫폼 모두에서 연구진은 이제 가장 풍부한 꼬리 길이뿐만 아니라, 배치를 정의하는 통계적으로 유의미한 최소 및 최대 길이에 대해 합의할 수 있게 되었습니다. 이러한 정렬은 어떤 기계를 사용하더라도 분포의 형태를 일관되게 설명할 수 있게 해주었기에 매우 중요했습니다. 이 연구는 시퀀싱 방법이 독보적인 민감도와 희귀하고 긴 꼬리를 포착하는 능력을 제공하지만, 전통적인 방법들과 비교 가능하려면 이러한 통계적 조정이 필요하다는 점을 시사합니다. 반대로, 더 저렴하고 실행하기 쉬운 자외선 방법은 데이터가 공유된 프레임워크를 통해 처리된다면, 꼬리 길이가 보정 표준 범위를 약간 벗어나더라도 정확한 결과를 제공할 수 있습니다.

연구진은 모든 상황에 완벽한 단일 방법은 없지만, 각 방법이 mRNA 의약품의 개발 및 품질 관리에 있어 뚜렷한 역할을 수행한다고 결론지었습니다. 질량 분석 접근법은 특정 분자를 식별하는 데 가장 높은 신뢰도를 제공하여 새로운 제품을 특성화하는 데 이상적입니다. 자외선 방법은 비용 효율적이고 검증이 간단하여 품질 관리 실험실의 일상적인 테스트를 위한 실용적인 고처리량(high-throughput) 선택지입니다. 시퀀싱 방법은 소모품 비용은 더 높지만, 약물 물질의 전체적인 복잡성을 이해하는 데 있어 타의 추종을 불허하는 단일 분자 수준의 깊은 통찰을 제공합니다. 공통의 통계적 언어를 구축함으로써, 연구팀은 실험실들이 데이터를 공유하고 방법을 더 효과적으로 검증할 수 있는 방법을 제공하였으며, 이를 통해 실험실에서 임상으로 넘어가는 mRNA 치료제가 규제 기관과 환자들이 신뢰할 수 있는 수준의 일관성을 갖추도록 보장하였습니다.

기술 요약: mRNA 폴리(A) 꼬리 길이 분포의 정량적 및 비교 분석

문제 정의
폴리아데닐화된 [poly(A)] 꼬리는 mRNA 치료제의 핵심 품질 특성(CQA)으로, 안정성과 번역 효율성을 결정한다. 그러나 인 비트로 전사(IVT) 공정은 일반적으로 단일한 이산 값(discrete value)보다는 이질적인 분포를 생성한다. 이러한 분포를 정확하게 특성화하는 것은 제품 품질 측면에서 필수적이지만, 서로 다른 분석 플랫폼 간의 표준화된 보고 방식이 부족하여 여전히 어려운 과제로 남아 있다. 현재의 방법론들—구체적으로 액체 크로마토그래피-질량 분석법(LC–MS), 액체 크로마토그래피-자외선 검출법(LC–UV), 그리고 Oxford Nanopore Technologies(ONT) 시퀀싱—은 근본적으로 다른 데이터 형식을 생성한다. 이러한 검출 원리, 해상도 및 출력 방식의 차이는 데이터 간의 상호 비교를 복잡하게 만들고, mRNA 특성화를 위한 통일된 규제 프레임워크 구축을 저해한다.

방법론
본 연구는 서로 다른 폴리(A) 꼬리 길이를 인코딩하는 세 가지 mRNA 구조체(fLuc, eGFP, hRLuc)를 세 가지 직교 분석 플랫폼을 통해 평가하였다:

LC–MS: RNase A를 사용하여 mRNA에서 폴리(A) 꼬리를 절단하였다. RNase A는 나머지 전사체는 소화시키되 폴리(A) 꼬리는 온전하게 남긴다. 생성된 파편들은 고해외도 Orbitrap 질량 분석기에 결합된 IP-RP 크로마토그래피를 통해 분석되었다. 데이터 처리는 합성 서열과의 신호 정렬을 기반으로 온전한 질량과 꼬리 길이를 결정하는 디컨볼루션(deconvolution) 알고리즘을 포함한다.
LC–UV: LC–MS와 동일한 크로마토그래피 조건을 활용하였으며, 합성 폴리(A) 표준물질(40–100 nt)과의 유지 시간 상관관계를 이용하여 꼬리 길이를 추정하였다. 선형 범위 외부에 위치한 20 nt 표준물질을 제외하고 선형 검정 곡선을 수립하였다.
ONT 시퀀싱: wf-vax-qc 워크플로우를 사용하여 직접 RNA 시퀀싱을 수행하였다. 각 분자의 폴리(A) 꼬리 길이는 RNA가 나노포어를 통과할 때 발생하는 전기적 전류 신호를 바탕으로 베이스콜러(Dorado)에 의해 추정되었다.

데이터 조화 전략(Data Harmonization Strategy)
원시 데이터 형식의 불호환성을 해결하기 위해, 저자들은 통계적 조화 프레임워크를 개발하였다:

매개변수 정의: 모든 데이터셋에 대해 세 가지 핵심 기술자( $V_{ab}$ , $V_{min}$ , $V_{max}$ , Skewness Factor)를 정의하였다: $V_{ab}$ (최다 빈도 길이), $V_{min}$ 및 $V_{max}$ (통계적으로 정의된 최소 및 최대 길이), 그리고 왜도 계수(SF).
나이브 베이즈 분류(Naïve Bayes Classification): 보고 가능한 종(species)을 정의하기 위한 "골드 스탠다드" 역할을 하는 LC–MS 데이터로 나이브 베이즈 분류기를 학습시켰다. 이후 이 모델을 LC–UV 및 ONT 데이터셋에 적용하여, 신호 분포로부터 도출된 사후 확률을 기반으로 폴리(A) 길이를 "보고 가능"(R) 또는 "보고 불가능"(NR)으로 분류하였다.
분포 적합(Distribution Fitting): 초기에는 가우시안(Gaussian) 분포를 사용했으나, 데이터는 Sinh-Arcsinh (SHASH) 분포에 의해 더 잘 설명된다는 것이 밝혀졌다. 그러나 저자들은 가우시안 근사가 ONT 및 LC–UV 데이터를 LC–MS 결과와 정렬하는 데 여전히 충분하다는 점을 언급하였다.

주요 결과

지배적 종의 식별: 세 가지 구조체 모두에서 세 기술 모두 일관되게 가장 풍부한 폴리(A) 종( $V_{ab}$ )을 식별하였다 (예: fLuc의 $V_{ab}$ 는 LC–MS 기준 102 nt, ONT 기준 106 nt, LC–UV 기준 106 nt였다).
조화의 영향: 원시 데이터에 통계적 컷오프를 직접 적용했을 때는 매우 상이한 분포 경계가 나타났다 (예: fLuc의 경우 ONT $V_{max}$ 는 194 nt였으나 LC–MS는 130 nt였다). 그러나 나이브 베이즈 조화를 적용했을 때 일치도가 크게 향상되었다. fLuc 구조체의 경우, 조화된 $V_{max}$ 값은 128 nt(ONT), 138 nt(LC–UV), 130 nt(LC–MS)로 수렴하였다.
왜도 및 분포 형태: 조화된 데이터는 유사한 왜도 계수(SF)를 보여주었으며, 이는 각 플랫폼이 저빈도 종을 검출하는 방식의 본질적인 차이에도 불구하고 제안된 통계적 프레임워크가 분포 형태를 성공적으로 정규화했음을 나타낸다.
검정의 견고성: LC–UV 방법은 엄격한 검정 범위를 벗어난 샘플(예: 40–100 nt 표준물질을 기준으로 분석된 ~120 nt 꼬리를 가진 eGFP)을 분석할 때도 견고함을 입증하였으며, LC–MS 및 ONT와 일치하는 결과를 나타냈다.

의의 및 주장
본 논문은 다양한 플랫폼 간의 폴리(A) 꼬리 데이터 비교 가능성을 높이는 표준화된 분석 및 보고 접근 방식을 제안한다고 주장한다. 주요 의의는 통일된 통계적 프레임워크(나이브 베이즈 분류)가 고특이성 질량 분석, 고처리량 UV 검출, 그리고 단일 분자 시퀀싱 사이의 간극을 메울 수 있음을 입증한 데 있다.

저자들은 이 프레임워크가 규제 정렬을 지원하고 비 GMP 연구 환경에서 품질 관리(QC) 설정으로의 분석법 이전을 용이하게 한다고 제안한다. 구체적으로 다음과 같은 사항을 제안한다:

표준 기술자 채택: $V_{ab}$ , $V_{min}$ , $V_{max}$ , SF를 표준 보고 지표로 사용할 것.
방법 선택 가이드라인:
- LC–UV: 참조 표준물질이 확보되어 있다면, 사용 편의성, 높은 처리량 및 낮은 비용 덕분에 일상적인 QC 출하 시험에 권장된다.
- LC–MS: 높은 특이성이 요구되는 특성 분석 및 공정 개발에 적합하지만, 비용과 복잡성으로 인해 일상적인 출하 시험에는 이상적이지 않다.
- ONT: 높은 민감도와 단일 분자 해상도를 바탕으로 약물 물질을 완전히 특성화하는 데 유용하며, 다중 속성 분석(서열, 무결성 및 꼬리 길이)에 가장 효율적인 기술로 식별되었다 (소모품 비용은 더 높음에도 불구하고).

본 연구는 각 방법이 트레이드오프(trade-offs)를 가지고 있지만, 제안된 조화 전략이 mRNA 치료제의 폴리(A) 꼬리 특성화를 위한 견고하고 재현 가능한 전략을 허용하며, 실험실 간의 일관된 분석 전략 개발을 지원한다고 결론짓는다.

유사한 논문