다인종 전사체 예측 모델, TWAS의 정확도를 한 단계 끌어올리다

기능 정보 변이를 활용한 TOPMed MESA 기반 다인종 TWAS 고도화 연구

이 논문은 다인종(multi-ancestry) 전사체 예측 모델을 만들 때, 단순히 많은 변이를 넣는 방식이 아니라 기능적으로 중요한 변이(functionally informed variants, FIVs) 를 우선 반영하면, 이후 수행되는 전사체 연관분석(TWAS) 의 성능을 더 끌어올릴 수 있음을 보여준 연구입니다. 특히 기존 elastic net(EN) 방식과 비교해, 더 적은 변이를 사용하면서도 예측력은 유지하거나 개선했고, 여러 방법의 TWAS 결과를 합치는 omnibus 접근이 가장 많은 유의 유전자를 찾아냈다는 점이 핵심입니다. 

---

🔍 왜 이 연구가 중요한가요?

GWAS는 질환이나 형질과 연관된 유전 변이를 많이 찾아냈지만, 실제로 어떤 유전자가 원인에 더 가깝고 생물학적으로 중요한지 해석하는 일은 여전히 어렵습니다. 특히 GWAS 신호의 대부분이 단백질 코딩 영역 바깥에 있기 때문에, “변이 → 유전자 → 질환”의 연결고리를 정교하게 찾는 과정이 필요합니다. 이때 TWAS는 유전형으로부터 예측한 유전자 발현과 형질의 연관성을 보는 유용한 방법이지만, 그 성능은 참조 전사체 예측 모델의 품질에 크게 좌우됩니다. 이 논문은 기존 모델들이 주로 유럽계 자료에 치우쳐 있다는 한계를 지적하고, 다인종 자료 기반 모델이 더 적절한 해석과 더 높은 검출력을 줄 수 있는가를 정면으로 다뤘습니다.

연구 설계: 다인종 전사체 모델 개발부터 TWAS 평가까지의 전체 흐름. 설명: TOPMed MESA의 1,287명 다인종 참가자 PBMC RNA-seq 및 WGS 데이터를 이용해 EN, EN-FM, PUMICE, PUMICE-FM 모델을 구축하고, Geuvadis 및 Jackson Heart Study로 외부 검증을 수행한 뒤, 혈액세포·지질·폐기능 다인종 GWAS에 적용해 TWAS 성능을 평가한 연구 설계도입니다. 또한 세 가지 FIV 기반 방법의 결과를 합친 omnibus TWAS 평가 구조도 함께 제시합니다. 출처: Hu, X., Araujo, D. S., Khunsriraksakul, C., et al. (2026). Multi-ancestry transcriptome prediction with functionally informed variants in TOPMed MESA improves performance of transcriptome-wide association studies. The American Journal of Human Genetics, 113, 828–841. Figure 1.

---

🧪 연구진은 무엇을 했나요?

연구진은 TOPMed MESA의 1,287명 다인종 참가자의 PBMC RNA-seq과 WGS 데이터를 사용해 전사체 예측 모델을 만들었습니다. 비교 대상은 총 네 가지였습니다.

• EN: 기능 정보 없이 cis 영역 변이를 사용하는 기준 모델
• EN-FM: fine-mapping 정보를 반영해 causal 가능성이 높은 변이에 가중치를 준 모델
• PUMICE: 후성유전 및 3D genome 정보를 이용해 중요한 변이를 구분한 모델
• PUMICE-FM: PUMICE 구조에 fine-mapping 정보를 결합한 모델

이후 Geuvadis와 Jackson Heart Study(JHS)에서 외부 검증을 했고, 혈액세포 형질 8개, 지질 형질 5개, 폐기능 형질 4개에 대한 다인종 GWAS와 결합해 TWAS를 수행했습니다. 마지막으로 EN-FM, PUMICE, PUMICE-FM의 TWAS p값을 ACAT으로 통합한 omnibus 접근도 평가했습니다. 

---

📉 더 적은 변이로도 예측력은 유지됐습니다

가장 먼저 눈에 띄는 결과는, 기능 정보 기반 모델들이 훨씬 작은 모델 크기를 가지면서도 예측 정확도는 EN과 대체로 비슷했다는 점입니다. EN은 유전자당 중앙값 기준 SNP 49개를 사용했지만, EN-FM은 중앙값이 3개에 불과했습니다. 그럼에도 8,659개 공통 유전자에서 네 방법의 중앙 Pearson 상관계수는 전반적으로 유사했습니다. 더 흥미로운 점은, 전체 공통 유전자의 84%에서 적어도 하나의 FIV 기반 방법이 EN보다 높은 예측 정확도를 보였고, 43%는 세 가지 FIV 기반 방법 모두에서 EN보다 우수했다는 점입니다. 즉, “변이를 많이 쓰는 것”보다 “더 의미 있는 변이를 쓰는 것”이 중요하다는 메시지를 줍니다.

 

또한 외부 검증에서는 JHS가 Geuvadis보다 더 높은 예측 정확도를 보였는데, 이는 연구 모델이 PBMC 기반으로 구축되었기 때문에 PBMC 자료인 JHS에서 더 잘 재현된 것으로 해석됩니다. 다시 말해, 세포 유형의 적합성(cell type relevance) 이 실제 성능에 큰 영향을 준다는 점도 분명히 보여줍니다.

더 작은 모델, 비슷하거나 더 나은 전사체 예측 성능. 설명: (A) EN, EN-FM, PUMICE, PUMICE-FM의 유전자별 모델 크기 비교, (B) 8,659개 공통 유전자에서의 예측 정확도 분포, (C) EN보다 더 높은 예측 정확도를 보인 제안 방법의 개수 분포, (D) EN과 제안 모델 간 공유 SNP 비율을 보여줍니다. EN-FM은 매우 적은 SNP만 사용하면서도 예측 성능을 유지했고, 다수 유전자에서 FIV 기반 접근이 EN보다 우수했음을 시각적으로 보여줍니다. 출처: Hu, X., Araujo, D. S., Khunsriraksakul, C., et al. (2026). The American Journal of Human Genetics, 113, 828–841. Figure 2.

---

📈 TWAS에서는 “정확도”와 “검출력”이 함께 개선됐습니다

전사체 예측 모델의 진짜 가치는 downstream 분석인 TWAS에서 드러납니다. 연구진은 curated gene과 겹치는 유전자들을 기준으로 검출력을 비교했는데, FIV 기반 방법들은 대부분의 형질에서 EN보다 더 높은 median chi-square 값을 보였습니다. 특히 PUMICE는 PLT, LDL-C, TC에서, PUMICE-FM은 PLT에서 nominal significance 수준의 개선을 보였습니다. 즉, 단순히 예측 모델이 예쁜 것이 아니라, 실제로 형질과 연관된 유전자를 더 강하게 잡아내는 방향으로 이어졌습니다.

 

정확도 측면에서도 개선이 명확했습니다. Bonferroni 유의 유전자 중 curated gene과 겹치는 유전자들을 이용해 F1 score를 계산한 결과, FIV 기반 방법은 17개 형질 중 13개에서 EN과 같거나 더 많은 의미 있는 유전자를 잡았고, BASO와 WBC를 제외한 거의 모든 형질에서 더 높은 F1 score를 보였습니다. 개선 폭은 혈액세포 형질에서 5%–15%, 지질 형질에서 4%–18%, 폐기능 형질에서 12%–133%였습니다. 특히 PEF는 PUMICE가 0.14 대 EN 0.06, FVC는 EN-FM이 0.07 대 EN 0.03으로 개선됐습니다. 

---

🚀 가장 강력했던 것은 omnibus 접근이었습니다

이 논문의 가장 인상적인 부분은, 연구진이 “어떤 단일 방법도 모든 형질에서 최고는 아니다”라는 점을 인정하고, 세 가지 FIV 기반 방법의 TWAS 결과를 합친 omnibus 접근을 제안했다는 점입니다. 이 방식은 전체 GWAS 형질 전반에서 가장 많은 TWAS 유전자를 만들었고, curated gene과 겹치는 유전자 수도 EN보다 더 많았습니다. 검출력 측면에서는 대부분의 형질에서 가장 높은 median chi-square 값을 보였고, 혈액세포 형질 8개 중 5개, 지질 형질 5개 중 2개에서 EN보다 유의하게 더 높은 power를 보였습니다. 특히 총 콜레스테롤(TC) 에서는 p = 0.0012로 Bonferroni 기준까지 통과했습니다.

 

또한 omnibus는 모든 형질에서 가장 많은 Bonferroni-significant TWAS 유전자를 도출했고, 대부분의 형질에서 EN보다 더 많은 trait-relevant gene을 추가로 포착했습니다. 논문은 예시로 CAPZA2와 TGFBR3 같은 유전자가 EN에서는 놓쳤지만 omnibus에서는 검출되었다고 설명합니다. 이는 실제 생물학적으로 중요한 유전자를 놓치지 않기 위해, 여러 모델의 장점을 합치는 전략이 매우 유효하다는 점을 보여줍니다.

omnibus 접근은 TWAS 검출력을 더 끌어올렸습니다. 설명: PLT, LDL-C, TC 예시에서 각 방법의 chi-square 값 분포를 비교한 그림입니다. omnibus는 여러 형질에서 가장 높은 중앙값을 보였고, 특히 TC에서 통계적으로 가장 뚜렷한 개선을 보여, 단일 모델보다 통합 모델이 더 강한 검출력을 제공할 수 있음을 보여줍니다. 출처: Hu, X., Araujo, D. S., Khunsriraksakul, C., et al. (2026). The American Journal of Human Genetics, 113, 828–841. Figure 3.

---

🌍 다인종 모델은 단일 조상 모델보다 왜 의미가 클까요?

이 논문은 추가 분석에서, 다인종 모델이 유럽계 단일 모델보다 특히 혈액세포 형질에서 더 높은 TWAS 성능을 보인다고 보고했습니다. 혈액세포 형질 중 EOS와 LYM에서는 다인종 모델이 유의한 수준으로 더 높은 power를 보였고, 전반적으로 Bonferroni 유의 유전자 수와 curated gene 중복 수에서도 우수했습니다. 이는 현재 많은 유전체 예측 모델이 유럽계 중심으로 설계되어 있다는 현실을 고려하면, 향후 정밀의료 연구에서 다인종 참조 모델 구축이 선택이 아니라 필수임을 시사합니다. 

---

⚠️  연구의 한계점

논문은 성능 향상이 항상 동일하게 나타난 것은 아니라고 분명히 밝힙니다. 혈액세포와 일부 지질 형질에서는 개선이 뚜렷했지만, 폐기능 형질에서는 omnibus조차 EN보다 유의하게 더 높은 power를 보이지 못했습니다. 연구진은 그 이유 중 하나로 PBMC 기반 모델과 형질 간의 생물학적 관련성 차이를 제시합니다. 즉, 모델이 만들어진 세포 유형과 분석 대상 형질이 얼마나 잘 맞는지가 중요합니다.

 

또한 표본 수가 아직 제한적이고, PUMICE에 사용된 epigenomic/3D genome 정보가 PBMC가 아닌 EBV-transformed lymphocyte proxy 자료였다는 점도 한계입니다. 더 큰 다인종 코호트와 실제 세포 유형에 맞는 기능 정보가 확보되면, 이 접근의 성능은 더 좋아질 가능성이 큽니다. 반면, 현재 접근은 ancestry-shared와 ancestry-specific signal을 구분하는 구조는 아니어서, 조상 특이적 TWAS 유전자를 직접 분리해내지는 못합니다. 

---

🧭 최종 해석

이 논문은 TWAS의 다음 단계가 무엇인지를 꽤 선명하게 보여줍니다. 첫째, 다인종 자료 기반 참조 모델이 필요합니다. 둘째, 단순히 모든 cis 변이를 넣기보다 기능적으로 중요한 변이에 priors를 주는 방식이 유리합니다. 셋째, 유전자마다 최적의 모델이 다를 수 있으므로, 여러 모델을 통합하는 omnibus 전략이 실제 검출력을 가장 안정적으로 높일 수 있습니다.

 

이 연구의 강점은 단순한 모델 제안에 그치지 않고, 외부 검증과 다수의 다인종 GWAS 적용, power·accuracy를 분리한 평가, 그리고 한계 인식까지 비교적 균형 있게 갖췄다는 점입니다. 반대로, 세포 유형 제약과 proxy annotation 사용은 해석 시 반드시 함께 고려해야 합니다. 그럼에도 불구하고 이 논문은 “다인종 TWAS의 실전 성능을 어떻게 끌어올릴 것인가” 에 대한 매우 실용적인 답을 제시한 연구라고 평가할 수 있습니다.

---

💡 한줄평

기능 정보와 다인종 설계를 통해 TWAS의 실질적 정밀도를 끌어올린 연구입니다.

 

참고문헌: DOI: 10.1016/j.ajhg.2026.03.008