Automatic clustering of self-defined groups to minimize false disease associations and maximize within-group genetic similarity

당신이 모든 조각이 사람의 DNA인 거대한 퍼즐을 풀려고 한다고 상상해 보세요. 과학자들은 서로 매우 다른 퍼즐 상자의 조각들을 섞으면, 그 조각들이 실제로 같은 그림에 속해서가 아니라 단지 비슷하게 생겼다는 이유만으로 두 조각이 서로 맞는다고 착각할 수 있다는 것을 오래전부터 알고 있었습니다. 이것은 의학계에서 큰 문제이며, 특히 유전자와 질병 사이의 연관성을 조사할 때 그러합니다. 만약 다양한 배경을 가진 사람들을 그들의 식단이나 생활 방식이 다른 상태로 섞어 놓는다면, 실제로는 그들이 무엇을 먹거나 어디에 사느냐에 의해 발생하는 건강 문제를 특정 유전의 탓으로 잘못 돌릴 수 있습니다. 이를 해결하기 위해 연구자들은 보통 사람들이 자신의 가족력에 대해 말하는 내용을 바탕으로 사람들을 깔끔하고 작은 그룹으로 분류하려고 노력합니다. 하지만 여기에는 함정이 있습니다. 그룹을 너무 작게 만들면, 마치 아주 적은 양의 건초 더미에서 바늘을 찾으려는 것처럼, 실제 패턴을 찾아낼 만큼 충분한 인원을 확보하지 못하게 된다는 점입니다. 이것은 균형 잡기입니다. 즉, 유전적으로 충분히 유사하여 정확하면서도, 동시에 유용할 만큼 규모가 커야 합니다.

이것이 바로 바일란 대학교(Bar-Ilan University)와 국립 골수 기증자 프로그램(National Mar Marrow Donor Program)의 연구진이 수행한 새로운 연구가 다루는 과제입니다. 그들은 사람들을 '골디락스(Goldilocks)' 그룹—너무 크지도, 너무 작지도 않으며, 딱 적당한 그룹—으로 자동 분류하는 HAPLOCLEST라는 영리한 새로운 방법을 개발했습니다. 사람들에게 정해진 규칙(예: "이 나라 출신은 모두 여기에 속한다")에 따라 그룹을 나누는 대신, 컴퓨터는 실제 유전 데이터를 살펴보고 누가 자연스럽게 서로 어울리는지를 파악합니다. 그들은 미국, 이스라엘, 인도의 850만 명 이상의 데이터를 사용하여 이를 테스트했습니다. 결과는 어떠했을까요? 그들은 단 다섯 개의 스마트하게 선택된 그룹만 있으면 훨씬 더 세밀하고 복잡한 구분법만큼의 유전적 정확도를 얻을 수 있다는 것을 발견했습니다. 이는 의사들과 과학자들이 사회적 요인에 의한 가짜 경보에 속지 않으면서도, 골수 이식을 위한 더 나은 일치자를 찾고 실제 질병의 연관성을 포착할 수 있음을 의미하며, 동시에 통계적으로 강력한 표본 크기를 유지할 수 있게 해줍니다.

문제점: "가짜 친구"의 함정

당신의 DNA를 고유한 신분증이라고 생각해 보세요. 골수 이식의 세계에서, 일치하는 신분증을 가진 기증자를 찾는 것은 생사가 걸린 게임입니다. 하지만 이 신분증들은 까다롭습니다. 수백만 개의 미세한 변이를 가지고 있기 때문입니다. 만약 누군가의 신분증에서 누락된 부분을 (이를 **임퓨테이션(imputation)**이라 부릅니다) 모든 사람이 뒤섞인 데이터베이스를 사용하여 추측하려 한다면, "평균적인" 사람은 존재하지 않기 때문에 잘못된 추측을 할 수도 있습니다.

연구진은 서로 다른 인종 집단을 섞으면 "가짜 친구"가 만들어진다는 것을 보여주었습니다. 예를 들어, 그들은 **지역 결핍 지수(Neighborhood Deprivation Index, NDI)**라는 빈곤 측정치를 살펴보았습니다. 그들은 뒤섞인 군중 속에서 특정 유전자가 빈곤과 강하게 연결된 것처럼 보인다는 것을 발견했습니다. 하지만 이것은 유전자가 빈곤을 유발했기 때문이 아니라, 단지 그 유전자를 가진 사람들이 가난한 동네에 살고 있었을 뿐이었습니다. 만약 과학자가 그룹을 분리하지 않았다면, 특정 유전이 사회적 어려움에 직ка 처한 집단에서 흔하다는 이유만으로 그 유전이 질병을 일으킨다고 오해할 수 있습니다. 이것을 허위 연관성(spurious association), 즉 뇌를 속이는 가짜 연결이라고 부릅니다.

옛날 방식 vs 새로운 방식

전통적으로 과학자들은 사람들이 조상에 대해 말하는 정보(예: "이탈리아계 미국인" 또는 "남인도인")를 바탕으로 사람들을 아주 작고 구체적인 상자에 분류함으로써 이 문제를 해결하려 했습니다. 이 방법은 "가짜 친구" 문제를 줄이는 데는 도움이 되지만, 새로운 문제인 작은 표본 크기를 야기합니다. 만약 당신에게 단 50명의 인원만 있다면, 당신이 보는 패턴이 실제인지 아니면 그저 우연한 현상인지 확신할 수 없습니다. 이는 단 하나의 구름만을 보고 날씨를 예측하려는 것과 같습니다.

반면에, 모든 사람을 하나의 거대한 통에 담아버리면 "가짜 친구" 문제가 다시 발생합니다. 기존의 규칙 기반 시스템(미국 인구 조사 카테고리 등)은 타협을 시도하지만, 이는 종종 임의적입니다. 그들은 지리적 위치나 언어를 기준으로 사람들을 묶기도 하는데, 이는 실제 유전적 구성과 일치하지 않을 수 있습니다.

HAPLOCLUST: 스마트한 분류사

이 논문의 저자들은 마치 초능력을 가진 사서처럼 행동하는 컴퓨터 프로그램인 HAPLOCLUST를 구축했습니다. 미리 만들어진 서랍에 사람들을 스스로 분류하도록 요청하는 대신, 이 사서는 책(사람)의 유전적 "형태"를 보고 어떤 책들이 자연스럽게 같은 선반에 놓여야 하는지를 파악합니다.

작동 방식은 다음과 같습니다:

1. 작은 그룹 필터링: 먼저, 신뢰할 수 없을 정도로 작은 그룹들은 무시합니다. 단 두 권의 책만 있는 선반을 통째로 만들고 싶지는 않기 때문입니다.
2. 대규모 병합: 그다음, 큰 그룹들을 가져와 유전적으로 얼마나 유사한지에 따라 병합하기 시작합니다. 이때 **워드 방법(Ward's method)**이라는 수학적 방법을 사용하여 그룹의 크기가 균형을 이루도록 합니다.
3. 작은 그룹 수정: 큰 그룹들이 형성되면, 처음에 무시되었던 아주 작은 그룹들을 유전적으로 가장 잘 맞는 선반에 부드럽게 배치합니다.

이 마법 같은 일은 컴퓨터가 단순히 추측하는 것이 아니라 HLA 유전자를 들여다보기 때문에 가능합니다. HLA는 이식용 기증자 매칭에 사용되는 특정 유전자로, 인간 게놈에서 가장 다양성이 높은 부분이기 때문에 완벽한 테스트 케이스가 됩니다.

연구 결과

팀은 850만 명의 기증자 데이터를 통해 이를 테스트했습니다. 그들이 발견한 사실은 다음과 같습니다:

• 다섯 개면 충분하다: 자동화된 다섯 개의 클러스터를 만드는 것만으로도 중요한 거의 모든 유전적 차이를 포착할 수 있다는 것을 발견했습니다. 이는 수십 개의 작고 취약한 그룹으로 나눌 필요가 없음을 의미합니다. 그룹을 크게 유지하여 통계적 힘을 확보하면서도 유전적 정확성을 유지할 수 있습니다.
• 더 나은 매칭: 이 새로운 그룹들을 사용하여 누락된 유전 정보를 예측(임퓨테이션)했을 때, 결과는 기존의 규칙 기반 그룹들보다 더 뛰어났습니다. 예를 들어, 미국 데이터의 경우, 새로운 방법은 약 **74.14%**의 확률로 최상의 유전적 일치자를 정확히 예측한 반면, 모든 사람을 하나의 큰 그룹으로 취급했을 때는 **71.57%**였습니다.
• 가짜 친구 감소: 새로운 그룹들은 유전자와 빈곤 지수 같은 사회적 요인 사이의 연결 고리를 성공적으로 끊어냈습니다. 이 새로운 그룹 내부에서는, 아주 구체적인 소그룹에서 나타나는 것처럼 "가짜" 연결이 사라졌지만, 통계적 힘은 잃지 않았습니다.
• 어디서나 작동한다: 연구진은 미국, 이스라엘, 인도 데이터를 통해 테스트했습니다. 사람들이 언어나 지역에 따라 그룹화되는 인도에서도, 컴퓨터의 자동 그룹화 방식은 인간이 만든 카테고리보다 더 나은 유전적 일치자를 찾아냈습니다.

이것이 왜 중요한가

당신이 골수 이식이 필요한 환자의 쌍둥이를 찾으려고 한다고 상상해 보세요. 만약 모든 사람이 뒤섞인 데이터베이스에서 검색한다면, 컴퓨터가 노이즈 때문에 혼란을 겪어 완벽한 일치자를 놓칠 수도 있습니다. 반대로 아주 작고 분리된 데이터베이스에서 검색한다면, 일치자를 찾을 만큼의 인원이 부족할 수도 있습니다.

HAPLOCLUST는 그 중간 경로를 제시합니다. 이 방식은 사람들이 자신의 배경을 자신의 언어로 설명하게 한 다음(자유 서술형), 컴퓨터가 유전 데이터를 사용하여 그들을 최적의 그룹으로 조직하도록 해야 한다고 제안합니다. 이 접근 방식은 단순히 기증자를 찾는 데 도움을 줄 뿐만 아니라, 과학자들이 사회적 요인에 속지 않고 질병을 연구하는 데에도 도움을 줍니다.

논문은 이러한 데이터 기반 접근 방식이 기존의 임시방편적인 방식에 대한 강력한 대안이라고 결론짓습니다. 이 방법은 사람들의 출신 성분에 대한 초기 정보가 필요하지만, 훨씬 더 정확하고 강력한 방식으로 인류의 유전적 다양성을 이해할 수 있게 해줍니다. 저자들이 언급했듯이, 이는 더 나은 환자 케어와 더 신뢰할 수 있는 과학적 발견으로 이어질 수 있으며, 엉망으로 흩어진 유전 데이터 더미를 미래를 위한 명확하고 체계적인 지도로 바꾸어 놓을 것입니다.