유전체데이터

3 Contents

의료기록 데이터를 활용한 질병 위험 예측모델 (LTPI)

현대 의학에서 전자 의료 기록(EHR)과 유전체 데이터의 결합은 질병 연구의 새로운 지평을 열고 있습니다. EHR은 단순한 진료 기록을 넘어 투약 이력, 혈액 검사 결과, 생체 지표, 임상 노트 등 방대한 표현형 정보를 담고 있습니다. 이러한 풍부한 데이터는 전장 유전체 연관 분석(GWAS)을 통해 수천 가지 질병과 유전적 변이 사이의 연관성을 밝히는 데 결정적인 역할을 합니다. 특히 다면발현 현상은 한 유전자가 여러 형질에 영향을 미치는 복잡한 메커니즘을 이해하는 핵심 열쇠가 됩니다. 하지만 인간의 복잡한 질병은 동일한 진단 아래에서도 환자마다 큰 이질성을 보입니다. 어떤 환자는 치료에 잘 반응하는 반면, 어떤 환자는 집중적인 관리가 필요하기도 합니다. 이러한 차이를 이해하기 위해 연구자들은 '책임 임계값 모델(Liability Threshold Model)'을 활용합니다. 이는 겉으로 드러나는 질병의 유무 뒤에 숨겨진 연속적인 유전적·환경적 소인을 상정하는 이론입니다. 잠재적인 질병 발생 가능성을 수치화함으로써, 단순히 환자와 대조군을 나누는 것보다 정밀한 위험 평가가 가능해집니다. 최근 발표된 LTPI(Liability Threshold Phenotype Integration) 연구는 이러한 책임 임계값 모델을 한 단계 더 발전시켰습니다. 기존에는 가족력 정보를 주로 활용하여 유전적 책임을 추정했다면, LTPI는 EHR에 담긴 다양한 비표적 형질 정보를 활용합니다. 목표로 하는 특정 질병뿐만 아니라 그와 연관된 다른 증상이나 검사 수치들을 종합적으로 고려하여 개인의 유전적 소인을 계산하는 방식입니다. 이를 통해 가족력 정보가 부족한 상황에서도 정교한 유전적 위험도 추정이 가능해졌습니다. 시뮬레이션을 통한 검증 결과, LTPI는 기존의 GWAS 분석이나 가족력 기반 모델에 비해 높은 통계적 검정력을 보여주었습니다. 특히 분석 대상인 목표 형질과 유전적으로 연관된 비표적 형질이 많을수록 분석의 정확도가 크게 향상되는 경향을 보였습니다. 또한, 실제 의료 현장에서 자주 발생하는 데이터 누락 문제에 대해서도 LTPI는 강점을 나타냈습니다. 무작위적인 데이터 결측뿐만 아니라 특정 조건에 따른 결측 상황에서도 기존 방식보다 안정적으로 유전적 연관성을 식별해낼 수 있음이 확인되었습니다. 실제 영국 바이오뱅크(UK Biobank) 데이터를 활용한 분석에서도 LTPI의 성능은 입증되었습니다. 수백 개의 이진 형질과 수십 개의 혈액 검사 수치를 통합하여 분석했을 때, 기존 방식보다 더 많은 유전적 신호를 포착할 수 있었습니다. 새롭게 발견된 유전자 변이들은 독립적인 다른 데이터 세트에서도 높은 부호 일관성을 보이며 재현성이 확인되었습니다. 이는 LTPI가 단순히 신호를 늘리는 것에 그치지 않고, 생물학적으로 신뢰할 수 있는 연관성을 안정적으로 찾아내고 있음을 의미합니다. 분석의 효율성 측면에서도 LTPI는 뛰어난 실용성을 갖추고 있습니다. 방대한 양의 영국 바이오뱅크 데이터를 분석하는 데에도 하루 이내의 시간이 소요될 만큼 계산 속도가 빠릅니다. 이는 복잡한 다중 형질 분석이 실제 대규모 코호트 연구에 즉각적으로 적용될 수 있음을 시사합니다. 다만, 유전적 상관관계 설정에 민감하게 반응한다는 점은 주의해야 합니다. 정확한 선행 연구 정보나 통계적 추정치를 기반으로 모델을 설정할 때 LTPI는 비표적 형질의 정보를 가장 효과적으로 흡수할 수 있습니다. 결론적으로 LTPI는 전자 의료 기록(EHR)의 풍부한 표현형 정보를 유전체 연구에 통합하는 강력한 도구입니다. 이 모델은 이분법적인 질병 진단을 넘어 연속적인 유전적 책임성으로의 패러다임 전환을 이끌어내고 있습니다. 향후 더 많은 비표적 형질과 정밀한 상관관계 데이터가 축적됨에 따라, LTPI는 개인 맞춤형 의학을 구현하는 데 핵심적인 역할을 할 것으로 기대됩니다. 데이터 기반의 정밀한 질병 위험 평가는 인류가 복잡한 질환의 메커니즘을 규명하고 새로운 치료 전략을 세우는 데 큰 보탬이 될 것입니다.

의료기록 데이터를 활용한 질병 위험 예측모델 (LTPI)
생물학연구정보센터학술웨비나
  • 생명과학
  • 뇌인지과학
  • 융합

[연구뭐하지?] 정성규 교수_서울대학교 '통계적학습이론 연구실' | 통계에도 차원이 있다!?

21세기에 들어서며 데이터의 질과 양이 폭발적으로 증가함에 따라 통계학은 새로운 국면을 맞이했습니다. 과거에는 흔치 않았던, 변수의 수는 방대하지만 표본의 수는 상대적으로 적은 고차원 데이터 분석이 중요해진 것입니다. 특히 데이터가 일반적인 수치 형태를 넘어 이미지나 영상과 같은 복잡한 구조를 가질 때, 이를 '다양체(Manifold)'라는 기하학적 개념 위에서 분석하는 방법론과 이론적 토대를 마련하는 연구가 활발히 진행되고 있습니다. 현대 통계학의 핵심 분야 중 하나인 다변량 통계학에서는 수많은 변수 사이의 관계를 효과적으로 파악하는 것이 관건입니다. 연구자들은 주성분 분석(PCA)을 중심으로, 다양한 조건에서도 데이터의 특성을 합리적이고 효율적으로 추출할 수 있는 모델을 개발하고 있습니다. 이는 단순히 데이터를 요약하는 수준을 넘어, 복잡한 데이터 구조 속에 숨겨진 유의미한 패턴을 찾아내고 분석의 정확도를 높이는 데 필수적인 역할을 수행합니다. 이러한 통계적 이론은 실제 응용 분야에서 강력한 힘을 발휘합니다. 예를 들어 유전체 데이터 분석에서는 방대한 양의 유전 정보를 효과적으로 통합하거나 분류하여 질병의 원인을 규명하는 데 기여합니다. 또한 고차원 데이터의 군집화(Clustering) 연구를 통해 유사한 특성을 가진 집단을 정교하게 구분해내기도 합니다. 이론적 연구와 실무적 응용이 조화를 이루며, 막연하게 느껴질 수 있는 데이터 분석의 과정을 구체적이고 과학적인 방법론으로 바꾸어 나가는 과정입니다. 최근 인공지능과 딥러닝 기술이 급격히 발전하면서 통계학의 중요성은 더욱 강조되고 있습니다. 전문가의 직관이나 감에 의존하던 과거의 방식에서 벗어나, 철저히 데이터 근거 중심의 분석을 수행하기 위해서는 통계적 기초가 탄탄해야 합니다. 딥러닝 모델의 결과나 성능을 객관적으로 평가하고 개선하는 과정에서도 통계적 관점은 필수적입니다. 따라서 통계학은 학술적인 깊이를 더할 뿐만 아니라 실전에서도 매우 유용한 도구로 자리매김하고 있습니다. 통계학은 그 자체로 독립된 학문이면서도 다른 어떤 분야와도 유연하게 결합할 수 있는 확장성을 지니고 있습니다. 생물통계나 경제통계처럼 다양한 학문 뒤에 '통계'라는 이름을 붙여도 어색하지 않은 이유는, 통계학이 데이터를 다루는 보편적인 언어이기 때문입니다. 수학적 엄밀함부터 컴퓨터를 활용한 실전 분석까지 넓은 스펙트럼을 가진 학문인 만큼, 한 가지 분야에 매몰되지 않고 다양한 시각으로 자료를 바라보는 태도가 현대의 연구자들에게 요구됩니다.

[연구뭐하지?] 정성규 교수_서울대학교 '통계적학습이론 연구실'  |  통계에도 차원이 있다!?

정성규

카오스재단연구뭐하지
  • 수학

[석학인터뷰] 김상우 ─ DNA는 대부분 쓰레기다?! | 2020 봄 카오스강연 '첨단기술의 과학'

2000년대 이후 생물학은 비약적인 변화를 맞이했습니다. 과거에는 단일 유전자나 단백질의 기능을 깊이 있게 분석하는 연구가 주를 이루었으나, 현재는 유전체 활동과 염기서열 정보를 포함한 방대한 데이터가 쏟아지고 있습니다. 이러한 흐름 속에서 컴퓨터 기술은 단순한 도구를 넘어 생명 현상을 해석하기 위한 필수적인 요소가 되었습니다. 데이터를 능숙하게 다루고 분석할 수 있는 능력은 특정 질병에 국한되지 않고 생명 전체의 원리를 조망할 수 있는 넓은 시야를 제공하며, 이는 현대 과학자들에게 커다란 축복과도 같습니다. 이제 생물학은 복잡한 데이터를 정교하게 해석하는 정보 과학의 시대로 접어들었습니다. 눈에 보이지 않는 미세한 DNA를 관찰하기 위해서는 생화학이나 나노기술의 정교함이 필요하며, 여기서 얻은 거대한 데이터를 유의미한 정보로 바꾸기 위해서는 수학과 통계학, 그리고 전산학의 엄밀함이 요구됩니다. 자칫 잘못된 발견으로 이어질 수 있는 오류를 방지하기 위해 정교한 계산이 필수적이기 때문입니다. 결국 이러한 과정을 거쳐 도출된 결과는 다시 생물학과 의학의 영역으로 회귀하여 질병 치료와 같은 실질적인 응용 단계로 나아가게 됩니다. 이처럼 DNA 연구는 현대 과학의 정수를 모아 생명의 본질에 다가가는 숭고한 여정이라 할 수 있습니다. 생명의 설계도인 DNA를 연구하는 과정은 과학자로서의 태도와 철학을 정립하는 여정이기도 합니다. 칼 세이건의 '코스모스'가 생명 진화의 경이로움을 일깨워주었다면, 리처드 도킨스의 저작들은 엄밀한 탐구 정신을 견지하는 데 큰 영향을 주었습니다. 이러한 영감과 과학적 태도를 바탕으로 유전 변이를 탐지하고 질병의 원인을 밝혀내는 노력은 인류가 직면한 한계를 극복하는 열쇠가 됩니다. 결국 DNA 연구는 생명의 근원을 이해하고 더 나은 미래를 설계하기 위한 숭고한 도전입니다. 우리는 이러한 탐구를 통해 질병의 고통에서 벗어나 더 건강한 삶을 향한 발걸음을 내딛고 있습니다.

[석학인터뷰] 김상우 ─ DNA는 대부분 쓰레기다?! | 2020 봄 카오스강연 '첨단기술의 과학'

김상우

카오스재단카오스강연
  • 생명과학