희귀 유전변이 효과 정밀 추정으로 유전위험 예측의 사각지대 보완
유전 변이는 크게 흔한 변이와 희귀 변이로 나뉩니다. 일반적으로 인구의 1% 이하에서 관측되는 희귀 변이는 빈도는 낮지만, 우리 형질에 큰 영향을 줄 가능성이 매우 높습니다. 생존이나 번식에 불리한 영향을 주는 변이는 집단 내에서 흔해지기 어렵기 때문에 자연 선택의 결과로 드물게 남게 됩니다. 따라서 이러한 희귀 변이의 효과 크기를 정확히 추정하고 이를 예측 모델에 반영하는 것은 유전학 연구에서 가장 중요한 과제 중 하나로 꼽힙니다. 희귀 변이를 정밀하게 추정하는 일은 통계적으로 쉽지 않습니다. 시퀀싱 기술의 발전으로 대규모 데이터가 확보되었음에도 특정 변이 보유자가 매우 적은 경우, 우연한 개인 차이가 평균값에 막대한 영향을 주기 때문입니다. 예를 들어 수만 명 중 단 10명만 가진 변이는 한 사람의 생활 습관이나 환경 요인만으로도 효과 크기 추정치가 크게 왜곡될 수 있습니다. 이러한 불안정성은 희귀 변이 분석이 예측 모델에 적극적으로 활용되지 못했던 주요 원인이었습니다. 과거에는 이 문제를 해결하기 위해 여러 희귀 변이를 하나로 묶어 분석하는 벌든 스코어(Burden Score) 방식을 주로 사용했습니다. 변이들을 합산하여 마치 흔한 변이처럼 취급함으로써 통계적 안정성을 얻으려 한 것입니다. 하지만 이 방식은 같은 유전자 내 변이들이 모두 동일한 방향과 크기의 효과를 가진다는 강한 생물학적 가정을 전제로 합니다. 만약 효과가 반대인 변이들이 섞여 있다면 신호가 서로 상쇄되어 실제 영향력을 놓치게 되는 치명적인 한계가 존재합니다. 레어 이펙트(Rare Effect)는 이러한 한계를 극복하고자 개발되었습니다. 이 방법은 같은 유전자 내의 변이들을 기능적 특성에 따라 그룹화하여 각 그룹의 전반적인 경향성을 먼저 학습합니다. 이후 개별 변이의 관측값을 해당 그룹의 경향성에 맞춰 보정함으로써 안정성을 확보합니다. 이를 통해 각 변이가 가진 고유한 효과 크기와 방향을 보존하면서도 통계적 노이즈를 효과적으로 줄여, 이전보다 훨씬 정밀하고 안정적인 효과 추정을 가능하게 만듭니다. 이 과정에는 데이터를 통해 사전 분포를 학습하는 경험적 베이지안(Empirical Bayes) 기법이 핵심적으로 활용됩니다. 기능적으로 유사한 변이들의 효과가 어느 정도 범위에 있을지를 통계적으로 산출한 뒤, 개별 변이의 불안정한 추정치를 업데이트하는 방식입니다. 관측 데이터가 적은 변이는 사전 분포의 영향을 더 많이 받아 안정화되고, 데이터가 충분한 변이는 그 고유한 정보가 더 많이 반영됩니다. 이는 희귀 변이의 개별적 특성을 정교하게 포착하는 통계적 기반이 됩니다. 연구팀은 이 방법론을 UK 바이오뱅크의 대규모 엑솜 시퀀싱 데이터에 적용하여 100가지 형질을 분석했습니다. 그 결과 유전자 단위의 기여도를 보여주는 부호가 부여된 유전율(Signed Heritability) 수치를 계산하여, 유전 변이가 형질을 구체적으로 어떻게 변화시키는지 데이터 기반으로 파악할 수 있었습니다. 특히 같은 유전자 안에서도 변이에 따라 효과 방향이 서로 다르게 갈리는 복잡한 사례들을 정밀하게 식별해냄으로써, 기존의 단순 합산 방식으로는 포착하기 어려웠던 유전적 상호작용의 실체를 규명했습니다. 최종적으로 추정된 효과 크기를 활용해 개인별 유전 점수(PRS)를 산출한 결과, 기존 예측 모델의 사각지대를 획기적으로 보완할 수 있음이 증명되었습니다. 흔한 변이 기반 점수만으로는 알 수 없었던 유전적 위험을 희귀 변이 정보가 정교하게 식별해낸 것입니다. 특히 점수 분포의 양 끝단에 위치한 극단적인 위험군에서 예측 성능이 비약적으로 향상되었습니다. 이는 희귀 변이의 정밀 추정이 질병의 조기 진단과 맞춤형 정밀 의료를 구현하는 데 결정적인 역할을 할 것임을 시사합니다.
