🧬 biology

Gene-environment interactions for plasma proteins improve disease prediction

본 연구는 새로운 분산 양적 형질 궤적(variance quantitative trait loci)과 다양한 노출 간의 상호작용을 식별함으로써 혈장 단백질에 대한 유전자-환경 상호작용의 포괄적인 지도를 구축하며, 이러한 상호작용을 포함하는 것이 46가지 발생 질환의 예측 정확도를 유의미하게 향상시킨다는 것을 입증한다.

원저자: Chunshui Yu, Ying Wang, Sijia Wang, Yao wang, Mengge Liu, Jinbo Qi, Jia Wang, Jiayuan Xu, Hui Xue, Nana Liu, Hao Ding, Feng Liu, Wen Qin, Meng Liang

게시일 2026-09-08

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chunshui Yu, Ying Wang, Sijia Wang, Yao wang, Mengge Liu, Jinbo Qi, Jia Wang, Jiayuan Xu, Hui Xue, Nana Liu, Hao Ding, Feng Liu, Wen Qin, Meng Liang

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

인체는 우리의 유전 암호와 주변 세계가 끊임없이 대화를 나누는 거대하고 상호 연결된 시스템입니다. 우리는 DNA에 담긴 일련의 지침을 물려받지만, 그 지침이 어떻게 실현되는지는 우리가 무엇을 먹고, 어디에 살며, 어떤 습관을 형성하는지와 같은 환경에 따라 달라지는 경우가 많습니다. 과학자들은 오랫동안 유전자와 환경이 상호작용한다는 사실을 알고 있었지만, 오랫동안 이 요소들을 별개로 연구하며 유전자만이 건강에 미치는 영향이나 생활 방식의 선택만이 생물학적 변화를 일으키는 방식만을 살펴보았습니다. 이러한 접근 방식은 특정 유전적 구성이 특정 환경 요인에 매우 민감하게 반응하게 만들 수 있는 반면, 다른 유전자를 가진 사람은 영향을 받지 않을 수 있다는 복잡한 현실을 놓쳤습니다. 질병 위험을 더 깊이 이해하기 위해, 연구자들은 특히 혈장 단백질을 중심으로 우리의 유전자와 주변 환경 사이의 이러한 구체적인 대화를 지도화할 필요가 있었습니다. 이 단백질들은 혈액 속을 순환하며, 내부의 생물학적 상태와 외부의 압력 모두에 대한 신체의 현재 상태와 반응을 반영하는 메신저 역할을 합니다. 과학자들은 유전자와 환경이 결합하여 어떻게 이러한 단백질을 형성하는지 이해함으로써, 보편적인 일률적 건강 조언을 넘어 개인의 고유한 생물학에 맞춤화된 예측으로 나아가기를 희망하고 있습니다.

최근 톈진 의과대학 부속 병원의 연구팀은 영국 바이오뱅크(UK Biobank)의 51,000명 이상의 데이터를 분석함으로써 이 분야에서 거대한 진전을 이루었습니다. 그들은 약 3,000가지의 서로 다른 혈장 단백질에 집중하여, DNA의 변이가 식단, 흡연, 혈압, 체격 측정과 같은 수백 가지의 서로 다른 환경 노출과 어떻게 상호작용하는지 조사했습니다. 단순히 유전자가 항상 단백질의 수치를 높이거나 낮추는 직접적인 연결 고리를 찾는 대신, 그들은 환경 요인이 단백질에 미치는 효과가 전적으로 개인의 유전 암호에 달려 있는 경우와 같은 더 미묘한 신호를 찾았습니다. 그들은 1,000개 이상의 단백질에 대해 유전 암호가 스위치처럼 작용하여, 환경 요인이 강한 영향을 미칠지, 약한 영향을 미칠지, 혹은 심지어 반대의 영향을 미칠지를 결정한다는 것을 발견했습니다. 예를 들어, '임신 구역 단백질(pregnancy zone protein)'이라는 단백질의 경우, 특정 버전의 유전자를 가진 사람에게서는 오른쪽 다리의 지방량이 단백질 수치와 강한 양의 관계를 보였으나, 다른 버전의 유전자를 가진 사람에게서는 관계가 없었고, 세 번째 버전의 유전자를 가진 사람들에게서는 음의 관계를 보였다는 사실을 발견했습니다. 이러한 종류의 미묘한 차이는 모든 사람에 대한 평균적인 효과만을 살펴보았던 이전 연구들에서는 보이지 않았던 것이었습니다.

연구진은 이러한 상호작용이 발생하는 게놈 내의 530개 이상의 특정 위치를 식별해 냈는데, 이는 이러한 발견에 대한 기존 기록을 거의 두 배 가까이 늘린 수치입니다. 그런 다음 그들은 이 유전-환경 상호작용이 536가지의 서로 다른 노출에 대해 어떻게 유지되는지 테스트하여, 약 500개의 독립적인 상호작용을 찾아냈습니다. 놀랍게도 이 발견들 중 거의 대부분은 새로운 것이었으며, 이는 우리의 유전자와 환경이 섞이는 풍경이 이전에 이해되었던 것보다 훨씬 더 복잡하고 다양하다는 것을 시사합니다. 또한 이 연구는 이러한 상호작용이 무작위가 아니라는 점을 밝혀냈습니다. 이들은 종종 면역 반응, 상처 치유 및 혈액 응고와 관련된 생물학적 과정 주변에 밀집되어 있습니다. 한 가지 눈에 띄는 예로, 장의 내벽을 보호하는 데 도움을 주는 GP2라는 단백질이 있습니다. 일반 인구 집단에서 흡연은 GP2 수치와 매우 약한 연결만을 보여주었지만, 연구진은 특정 유전 변이를 가진 사람들에게는 흡연이 실제로 GP2 수치를 높이는 반면, 다른 변이를 가진 사람들에게는 이를 감소시킨다는 것을 발견했습니다. 이는 흡연이 장에 해로운 이유가, 흡연이 아무런 영향을 미치지 않는 다른 사람들에 의해 가려짐으로써 특정 개인들에게는 훨씬 더 두드러질 수 있음을 시사합니다.

이러한 상호작용을 지도화하는 것을 넘어, 연구팀은 실질적인 질문을 던졌습니다. 유전자-환경 간의 대화를 아는 것이 질병을 예측하는 데 도움이 되는가 하는 점입니다. 그들은 기본적인 인구 통계 정보와 단백질 수치만을 사용하는 기초 모델부터 시작하여, 321가지의 서로 다른 질병의 위험을 예측하는 컴퓨터 모델을 구축했습니다. 그런 다음 그들은 새로운 유전자-환경 상호작용 데이터를 추가하여 예측력이 향리되는지 확인했습니다. 결과는 46가지 질병에 대해 새로운 모델이 위험 인물을 식별하는 데 훨씬 더 뛰어나다는 것을 보여주었습니다. 이러한 개선은 패혈증(감염에 대한 심각한 반응)과 같은 질환에서 가장 극적으로 나타났는데, 이 질환의 경우 모델의 정확도가 상당한 폭으로 급증했습니다. 이러한 질병들에 있어서, 특정 단백질과 혈소판 수치 또는 콜레스테롤 수치 같은 요인 사이의 상호작용은 표준 모델이 놓쳤던 결정적인 단서를 제공했습니다. 이 연구는 질병 예측의 수수께끼를 풀었다고 주장하는 것이 아니라, 유전자와 환경 사이의 상호작용을 무시하는 것이 중요한 정보를 누락시킨다는 점을 입증했습니다. 이러한 상호작용을 포함함으로써, 의사와 과학자들은 결국 더 정밀한 경고와 예방 전략을 제공할 수 있을 것입니다. 즉, 사람에게 단순히 위험하다고 말하는 것이 아니라, 그들의 고유한 유전자와 생활 방식의 조합이 왜 그들을 위험하게 만드는지 정확히 알려줄 수 있게 될 것입니다.

기술 요약: 혈장 단백질의 유전자-환경 상호작용을 통한 질병 예측 개선

문제 제식 (Problem Statement)
혈장 단백질은 생리적 항상성과 질병 병리학의 중요한 바이오마커 역할을 하며, 유전적 요인과 환경적 요인 모두에 의해 형성됩니다. 대규모 연구들을 통해 유전적 변이(단백질 양적 형질 궤적, pQTL)와 환경적 노출이 혈장 단백질 수치에 미치는 주요 효과(main effects)는 광범적으로 매핑되어 왔으나, 유전자-환경(G × E) 상호작용은 상당 부분 간과되어 왔습니다. 게놈 전체와 엑스포좀(exposome) 전반에 걸쳐 이러한 상호작용을 탐지하는 것은 방대한 다중 검정 부담으로 인해 상당한 통계적 및 계산적 과제를 안겨줍니다. 변이 양적 형질 궤적(vQTL)을 G × E 상호작용의 스크리닝 전략으로 활용한 기존 연구들은 유망한 결과를 보여주었으나, 일부 혈장 단백질(1,463개)과 좁은 범위의 환경적 노출로 제한되었습니다. 또한, G × E 상호작용이 발생 질환의 예측에 어느 정도 기여하는지는 아직 평가되지 않았습니다.

연구 방법론 (Methodology)
본 연구는 Olink 패널을 통해 2,920개의 혈장 단백질이 측정된 UK Biobank Pharma Proteomics Project (UKB-PPP) 참여자 51,736명의 데이터를 활용하였습니다. 연구에는 다음과 같은 다단계 분석 프레임워크가 적용되었습니다:

vQTL 스크리닝: 발견 코호트(n = 32,943)에서 중앙값 기반의 Levene 검정을 사용하여 유전자형에 따라 표현형 분산이 달라지는 로커스(loci)를 식별함으로써 잠재적인 G × E 상호작용의 대리 지표로서 전장 유전체 vQTL 분석을 수행했습니다. Bonferroni 교정 임계값( $P < 1.71 \times 10^{-11}$ )이 적용되었습니다.
엑스포좀 전역 상호작용 스캔: 식별된 vQTL을 내부 및 외부 도메인으로 분류된 536개의 노출 요인(105개 질병 및 431개 비질병 요인)에 대해 테스트했습니다. 독립적인 G × E 상호작용을 식별하기 위해 단계적 조건부 분석(stepwise conditional analysis)이 사용되었습니다.
검증 및 메타 분석: 다양한 인종 그룹(백인, 아시아인, 흑인, 혼혈, 기타)을 포함하는 독립적인 코호트(n = 18,793)에서 메타 분석을 통해 결과를 검증했습니다.
기능적 주석 달기: FUMA, ANNOVAR, CADD, SIFT, PolyPhen-2를 사용하여 변이에 주석을 달았습니다. 영향을 받은 단백질에 대해 단백질-단백질 상호작용(PPI) 네트워크 및 유전자 온톨로지(GO) 농축 분석을 수행했습니다.
유전자형 계층화 매개 분석: 유전자형 특이적 노출 효과를 간접 경로로 확장하기 위해 매개 분석을 수행하였으며, 특정 유전자형 하위 그룹 내에서 내부 노출이 외부 노출과 혈장 단백질 사이의 관계를 어떻게 매개하는지 조사했습니다.
질병 예측: Light Gradient Boosting Machine (LightGBM)을 사용하여 321개의 발생 질환을 예측했습니다. 두 모델을 비교했습니다: "기본(basic)" 모델(인구통계학적 특성 + 상위 30개 질병 관련 단백질)과 "강화된(enhanced)" 모델(기본 모델 + G × E 상호작용 항). 성능은 AUC와 DeLong 테스트를 통해 평가되었습니다.

주요 기여 및 결과 (Key Contributions and Results)

확장된 vQTL 지도: 본 연구는 1,001개의 혈장 단백질에 대해 1,357개의 독립적인 vQTL을 식별하였으며, 이는 이전에 보고된 vQTL 수(567개 vQTL, 568개 단백질)를 거의 두 배로 늘린 것입니다. 이러한 vQTL은 불균등하게 분포되어 있으며, 6번 염색체에서 가장 높은 밀도를 보였습니다.
새로운 G × E 상호작용: 분석 결과 286개의 변이, 185개의 노출 요인, 211개의 단백질이 관여하는 498개의 독립적인 G × E 상호작용이 밝혀졌습니다. 특히, 이 중 487개(97.79%)의 상호작용은 이전 연구나 GWAS Catalog에 보고되지 않은 새로운 것이었습니다.
유전자형 의존적 효과: 본 연구는 G × E 상호작용이 주요 효과 분석에서는 가려질 수 있는 유전자형 의존적 노출 효과를 드러낼 수 있음을 입증했습니다. 예를 들어, 우측 다리 체지방률과 Pregnancy Zone Protein (PZP) 사이의 연관성은 CC 보유자에게는 양(+)의 관계였으나, CT 보유자에게는 유의하지 않았고, TT 보유자에게는 음(-)의 관계였습니다. 마찬가지로, 흡연 상태는 rs687289 유전자형에 따라 Glycoprotein 2 (GP2) 수치에 상반된 영향을 미쳤습니다.
생물학적 통찰:
- 변이: 독립적인 상호작용을 보이는 238개의 변이는 주로 인트론 및 유전자 간 영역에 위치하여 조절 메커니즘을 시사했습니다. 8개의 비동의(nonsynonymous) 변이가 식별되었으며, 그 중 4개는 손상(damaging)될 것으로 예측되었습니다.
- 경로: 농축 분석 결과, G × E 상호작용에 관여하는 유전자 및 단백질은 주로 면역 조절, 상처 치유, 혈액 응고 및 외부 자극에 대한 반응과 관련이 있었습니다.
- 매개: 유전자형 계층화 매개 분석을 통해 특정 간접 경로를 식별했습니다. 예를 들어, 현재의 흡연이 BRSK2에 미치는 영향은 혈소판 수치를 매개할 때 rs7932863 AG 이형접합체에서만 유의했습니다.
질병 예측 개선: 예측 모델에 G × E 상호작용 항을 포함하는 것은 321개 발생 질환 중 46개(Bonferroni 교정 유의 수준에서 14.33%)에 대해 성능을 유의미하게 향상시켰습니다. 가장 큰 개선은 잠재적 패혈증(implicit sepsis, AUC 0.682에서 0.825로 증가, $\Delta$ AUC = 0.143), 장 혈관 질환, 명시적 패혈증(explicit sepsis)에서 관찰되었습니다. SHAP 값 분석을 통해 특정 상호작용(예: 혈소판 수치 × rs116947050)이 이러한 개선의 주요 기여자임을 확인했습니다.

의의 (Significance)
본 논문은 이 연구가 인간 혈장 단백질 체계에서 vQTL 및 G × E 상호작용에 관한 현재까지 가장 포괄적인 지도를 제공한다고 주장합니다. 약 500개의 새로운 상호작용을 식별함으로써, 본 연구는 유전적 배경이 혈장 단백질 수치에 미치는 환경적 영향력을 어떻게 조절하는지에 대한 이해를 크게 확장했습니다. 결정적으로, 본 연구는 인구통계학적 특성 및 단백질 기반 모델에 G × E 상호작용 항을 추가하는 것이 면역 및 염증 과정(패혈증 등)과 관련된 특정 질환들에 대해 통계적으로 유의미한 예측 성능 향상을 가져온다는 것을 입증했습니다. 이는 G × E 상호작용이 주요 효과 이상의 질병 위험 정보를 포착한다는 것을 시사하며, 보다 정밀한 유전자형 계층화 예방 중재로 나아가는 경로를 제시합니다. 이러한 결과는 환경적 노출의 미미한 주요 효과가 강력한 유전자형 특이적 위험을 가릴 수 있음을 강조하며, 개인 맞춤형 의료를 위한 상호작용 분석의 필요성을 역설합니다.

유사한 논문