Integrative Transcriptomic Analysis and Machine Learning Identify Robust Gene Expression Signatures for Cardiovascular Disease Classification

당신의 몸을 활기차고 첨단 기술이 집약된 도시라고 상상해 보세요. 모든 세포는 노동자이며, 각 노동자의 내부에는 유전자라고 불리는 아주 작은 지시서 라이브러리가 있습니다. 이 유전자들은 도시의 설계도와 같아서, 노동자들에게 무엇을 만들고 어떻게 행동해야 하는지를 알려줍니다. 때때로 도시가 병들 때—예를 들어 심장의 도로가 막히거나 펌프가 제대로 작동하지 않을 때—노동자들은 잘못된 설계도를 읽거나 앞뒤가 맞지 않는 지시를 외치기 시작합니다. 바로 여기서 **전사체학(transcriptomics)**이라는 분야가 등장합니다. 이것은 도시에서 들려오는 모든 지시 사항을 한 번에 읽어낼 수 있는 초강력 사서라고 생각하면 됩니다. 단순히 책 한 권을 한 번에 확인하는 것이 아니라, 도시 전체에서 들려오는 이 "외침"(유전자 발현)을 경청함으로써 과학자들은 도시의 어느 부분이 문제가 생겼는지 정확히 찾아낼 수 있습니다.

이제, 단 하나의 길 모퉁이에서 들리는 소리만 듣고 도시가 아픈지 파악하려고 노력한다고 상상해 보세요. 많은 소음을 들을 수는 있겠지만, 그것이 진짜 비상 상황인지 아니면 그저 시끄러운 파티인지 알 수는 없을 것입니다. 그렇기 때문에 과학자들은 더 명확한 그림을 얻기 위해 여러 가지 "길 모퉁이"(연구)로부터 얻은 데이터를 결합하곤 합니다. 여기서 **머신러닝(machine learning)**이 이야기 속에 등장합니다. 이것은 수백만 개의 유전자 외침을 동시에 듣고, 인간이 놓칠 수 있는 숨겨진 패턴을 찾아내어 "이 도시는 건강한가, 아니면 아픈가?"를 결정할 수 있는 초스마트 탐정을 고용하는 것과 같습니다. 연구자들이 던지는 큰 질문은 이것입니다: 우리가 이 탐정에게 심장 질로가 발생하기 전, 도시가 위험을 인지하기도 전에 이를 포착하도록 가르칠 수 있을까?

---

탐정의 새로운 도구함

이 연구에서 사티아바마 과학기술연구소(Sathyabama Institute of Science and Technology)의 연구팀은 심장 질환을 위한 궁극의 탐정을 만들기로 했습니다. 그들은 심장 질환이 전 세계적으로 사망 원인 1위라는 것을 알고 있었지만, 이를 조기에 발견하는 것은 매우 복잡하기 때문에 까다롭다는 점도 알고 있었습니다. 이를 해결하기 위해 그들은 단 하나의 단서 세트만을 본 것이 아니라, 'Gene Expression Omnibus'라고 불리는 거대한 디지털 아카이브에 저장된 7개의 서로 다른 공공 도서관(데이터셋)으로부터 방대한 양의 증거를 수집했습니다.

총 1,188개의 샘플에서 정보를 수집했습니다. 이것은 이미 심장 질환 진단을 받은 763명과 건강한 상태인 425명을 인터뷰한 것과 같습니다. 이 샘플들은 서로 다른 연구와 서로 다른 장비를 사용하여 만들어졌기 때문에, 데이터는 마치 서로 다른 필체로 쓰인 노트를 비교하는 것처럼 다소 무질서했습니다. 연구팀은 "ComBat"이라는 특별한 디지털 도구를 사용하여 이러한 차이점을 매끄럽게 다듬었으며, 이를 통해 측정에 사용된 장비의 특성이 아닌 실제 질병만이 두드러지도록 보장했습니다.

데이터가 깨끗해지자, 팀은 컴퓨터에게 건강한 그룹과 아픈 그룹 사이에서 서로 다른 "외침"을 찾으라고 요청했습니다. 그들은 문제가 되고 있는 유전자 목록 전체를 찾아냈습니다. 어떤 유전자는 너무 크게 소리치고 있었고(상향 조절, upregulated), 어떤 유전자는 너무 작게 속삭이고 있었습니다(하향 조절, downregulated). 이 방대한 목록 중에서 그들은 탐정의 단서로 사용할 가장 의심스러운 상위 200개의 유전자를 선정했습니다.

탐정의 재판

다음으로, 연구진은 어떤 머신러닝 "탐정"이 건강한 심장과 아픈 심장을 가장 잘 구별할 수 있는지 알아보기 위해 여러 종류의 알고리즘을 훈련시켰습니다. 그들은 다음과 같은 다양한 알고리즘을 테스트했습니다:

• 로지스틱 회귀(Logistic Regression) (직설적인 규칙 준수자)
• 랜덤 포레스트(Random Forest) (함께 투표하는 의사결정자 팀)
• 서포트 벡터 머신(Support Vector Machine) (날카로운 경계선 긋기 전문가)
• XG Boost (강력하고 빠른 학습자)
• 그리고 앙상블 모델(여러 명의 탐정이 협력하여 최종 결정을 내리는 방식)을 포함한 여러 모델들.

그들은 데이터를 두 그룹으로 나누었습니다: 탐정들이 규칙을 배우는 훈련 세트(샘ple의 70%)와, 그들이 실제로 무언가를 배웠는지 증명해야 하는 테스트 세트(나머지 30%)입니다.

결과는 매우 유망했습니다. 탐정들은 아픈 샘플과 건강한 샘플을 구분하는 일을 아주 잘 수행했습니다. XG Boost 모델이 주인공이 되어, 0.885의 정확도와 0.948의 ROC-AUC 점수를 달성했습니다. 이를 설명하자면, ROC-AUC 1.0은 절대 실수하지 않는 완벽한 탐정이며, 0.5는 그저 추측만 하는 탐정입니다. 0.948이라는 점수는 이 모델이 차이점을 포착하는 데 매우 뛰어나다는 것을 시사합니다. 랜덤 포레스트와 그래디언트 부스팅(Gradient Boosting) 모델 역시 각각 0.934와 0.936의 ROC-AUC 점수를 기록하며 매우 우수한 성능을 보였습니다.

흥 흥미롭게도, 연구는 탐정들이 팀으로서 함께 일할 때(앙상블 방법 사용 시) 혼자 일할 때보다 종종 더 신뢰할 수 있다는 것을 발견했습니다. 이는 마치 친구들이 미스터리를 푸는 것과 같습니다. 서로의 사각지대를 보완하여 더 나은 최종 결정을 내리는 것입니다.

발견한 것과 발견하지 못한 것

이 연구는 심장 질환 환자들에게서 유의미하게 차이가 나는 특정 유전자들을 식별했습니다. 예를 들어, HMGN2 유전자는 평소보다 훨씬 조용해져 있었고(logFC -4.73으로 하향 조절), CD163 유전자는 매우 크게 소리치고 있었습니다(logFC 12.23으로 상향 조절). 이러한 유전자들은 PDE5A, HMOX2, PTP4A2와 같은 다른 유전자들과 함께 의사들이 심장 질환을 더 일찍 진단하는 데 도움을 줄 수 있는 잠재적인 "바이오마커(biomarker)"로 제안되었습니다.

하지만 저자들은 자신들이 문제를 완전히 해결했다고 말하는 것에 대해 주의를 기울이고 있습니다. 그들은 자신들의 결과가 기존 데이터에 대한 컴퓨터 분석에 기반하고 있음을 명시적으로 언급했습니다. 그들은 아직 이 단서들을 실제 임상 현장에서 새로운 환자들에게 테스트하지 않았으며, 이 유전자들이 정확히 어떻게 질병을 일으키는지 실험실 실험을 통해 증명하지도 않았습니다. 논문은 이 유전자 시그니처들이 바이오마커 패널로서 역할을 할 수 있음을 시사하지만, 이들이 진단에 정말로 유용한지 확인하기 위해서는 독립적인 집단을 이용한 검증과 기능적 실험(예: 유전자 녹다운 실험)이 필요하다는 점을 강조하고 있습니다.

요약하자면, 이 논문은 방대한 양의 유전 데이터와 스마트한 컴퓨터 알고리즘을 결합함으로써 누군가 심장 질환을 앓고 있는지 알려주는 매우 강력한 단서 세트를 찾을 수 있음을 시사합니다. 이는 강력한 진전이지만, 탐정들이 모든 환자에 대해 사건을 해결할 수 있다는 것을 증명하기 위해 여전히 현실 세계로 나가야 합니다.