Transfer learning for genomic prediction in underrepresented populations

🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

유럽계 UKB 데이터를 활용한 전이학습은 일본계 BBJ 표본이 적을 때 유전적 위험 예측을 개선하지만, 표본이 늘면 형질별 유전적 특성에 따라 정확도를 떨어뜨릴 수 있다.

📌 핵심 요약

• 연구는 UK Biobank(UKB)와 약 20만 명 규모의 Biobank Japan(BBJ)을 이용해 8개 임상 형질에서 집단별 표본 수와 학습 방식에 따른 다유전자 위험 점수(PRS) 성능을 비교했다.
• 유럽계 데이터 활용은 BBJ 표본이 15,000개 미만인 소규모 조건에서 유익했지만, 표본이 증가하면 일본계 데이터만으로 학습한 모델이 우세해지는 전환점이 관찰됐으며 그 위치는 형질에 따라 달랐다.
• 집단 간 유전적 특성이 유사한 형질은 BBJ 표본 25,000~40,000개 이상까지 UKB 데이터 통합의 이점을 유지했지만, HDL·LDL·혈당처럼 집단 특이성이 큰 형질에서는 이점이 더 일찍 감소했다.
• 메타분석을 통한 변이 발굴은 특히 HDL·LDL의 예측을 개선했고 혈당에서도 개선 효과가 나타났다. 이때 학습에 UKB 표본을 추가하는 소폭의 이점은 BBJ 표본 10,000개 이하에서 관찰됐으며, 더 큰 표본에서는 나타나지 않았다.
• PRS-CSx는 BBJ 표본 25,000개 미만에서 BMI를 제외한 모든 형질에서 최상위 엘라스틱넷 모델보다 성능이 낮았지만, 약 100,000개에서는 혈당을 제외한 모든 형질에서 최상위 모델과 같거나 높은 성능을 보였다.

🧩 주요 포인트

1. 외부 데이터의 효과는 표본 수와 형질에 따라 역전됨 → UKB 데이터 규모를 일률적으로 늘리기보다 BBJ 표본 수와 집단 간 유전적 유사성에 맞춰 학습 구성을 선택할 필요가 있다.
2. 메타분석의 주요 이득은 입력 변이 변경에서 발생함 → 변이 발굴에 UKB 정보를 활용하는 판단과 모델 학습에 UKB 표본을 추가하는 판단을 구분해야 한다.
3. PRS-CSx의 상대적 우위는 큰 BBJ 표본에서 나타남 → 현지 바이오뱅크 확충과 표본 규모에 맞는 모델 선택이 함께 중요하다.

🧠 상세 정리

1. 유럽계 중심 유전체 연구와 예측 격차

다유전자 위험 점수인 PRS는 수백 개에서 수백만 개에 이르는 유전적 변이의 영향을 종합해 질병 위험을 예측하는 데 사용된다. 그러나 임상 의사결정에서의 활용은 아직 낮으며, 원문은 그 원인 중 하나로 기존 전장유전체 연관분석인 GWAS가 유럽계 집단에 크게 편중됐다는 점을 제시한다. 유럽계 자료에서 얻은 예측을 비유럽계 집단에 적용하면 유전적 구조, 집단 구조, 변이 대립유전자 빈도의 차이 때문에 정확도가 크게 떨어질 수 있다. 한편 수십만 명을 대상으로 새로운 GWAS를 수행하는 비용은 대부분의 의료체계에 큰 부담이 된다. 이에 연구는 기존의 대규모 유럽계 GWAS 결과에 대상 집단의 GWAS 정보를 보완하는 전이학습이 이러한 예측 격차를 줄일 수 있는지 평가했다.

2. 두 바이오뱅크와 여덟 형질을 이용한 비교

연구진은 수십만 명의 유럽계 참가자가 포함된 UK Biobank와 약 20만 명의 일본계 참가자로 구성된 Biobank Japan을 활용했다. 두 자료는 유전형과 표현형 정보가 풍부해, 집단별 표본 수를 바꾸면서 대상 집단의 PRS 성능이 어떻게 달라지는지 체계적으로 비교할 수 있었다. 평가 대상은 체질량지수인 BMI, 수축기 혈압, 이완기 혈압, 적혈구 수, 백혈구 수, HDL 콜레스테롤, LDL 콜레스테롤, 혈당의 8개 형질이었다. UKB에서 측정된 단일염기다형성이 설명하는 형질 분산의 비율인 유전력 추정치는 0.07~0.28이었다. 연구의 목표는 단순히 하나의 우수 모델을 찾는 데 그치지 않고, 대상 집단의 예측 성능을 높이기 위해 집단 간 GWAS와 PRS 학습을 어떻게 구성해야 하는지 경험적 지침을 제공하는 것이었다.

3. 변이 발굴과 모델 학습을 달리한 세 가지 방법

첫 번째 방법은 전체 UKB 유럽계 집단의 GWAS에서 발견한 변이 가운데 BBJ에도 존재하는 독립적 변이를 선별하고, 이를 입력으로 엘라스틱넷 모델을 학습하는 방식이었다. 이때 BBJ 표본 수 12~13개 조건과 UKB 표본 수 7개 조건을 조합했으며, 원문은 형질별로 96~104개 PRS 모델을 만들었다고 설명한다. 두 번째 방법은 전체 UKB와 일부 BBJ 표본의 GWAS 결과를 메타분석으로 통합해 변이를 선정한 뒤, 두 집단의 혼합 자료로 엘라스틱넷을 학습했다. 세 번째 방법인 PRS-CSx는 집단 간 연관불평형 차이를 다루며, 두 집단의 GWAS 정보를 활용하고 검증 자료를 나눠 집단별 점수의 최적 선형 결합을 찾았다. 모든 실험은 동일하게 따로 보관한 BBJ 평가 표본에서 수행됐고, 예측 성능은 피어슨 상관계수로 측정됐다.

4. 대상 표본이 늘면 외부 데이터의 이점이 역전

대상 집단 자료가 없거나 매우 적을 때 유럽계 발견 자료는 유용한 예측 기반을 제공했으며, BBJ 표본이 약 5,000개인 조건에서는 UKB 자료를 함께 학습하는 방식이 통계적으로 유의한 성능 향상을 보였다. 그러나 BBJ 표본 수가 증가할수록 외부 집단 자료를 합치는 이점은 줄었고, 대상 집단 자료만 사용하는 모델이 더 높은 성능을 보이는 전환점이 나타났다. 원문은 15,000개 이상의 대상 표본에서 이러한 우세가 관찰됐다고 설명하면서, 정확한 전환점은 형질에 의존한다고 덧붙인다. HDL 사례에서는 BBJ 표본이 15,000개를 넘은 뒤 UKB 표본을 5,000개보다 많이 포함하면 BBJ만으로 학습한 모델보다 예측 성능이 낮아졌다. 이는 외부 집단과의 공동 학습이 대상 집단 표본 증가로 얻을 수 있는 정확도 향상을 제한할 수 있음을 보여준다.

5. 유전적 구조의 공유 정도가 전환점을 결정

연구에서 외부 자료 통합의 이점이 사라지는 시점은 모든 형질에서 같지 않았으며, 집단 간에 유전적 구조가 얼마나 공유되는지와 밀접하게 관련됐다. 연구진은 동일한 형질에 대한 두 집단 사이의 유전 상관을 이용해 이러한 공유 정도를 정량화했다. BMI처럼 유전적 특성이 상대적으로 보존된 형질은 BBJ 표본이 25,000~40,000개 이상으로 늘어날 때까지 유럽계 학습 자료 통합의 이점을 유지했고, 이후 대상 집단만으로 학습한 성능이 비슷해졌다. 반면 HDL·LDL과 혈당은 훨씬 적은 BBJ 표본에서 최적 UKB 표본 수가 최대치보다 작아졌으며, 유리한 UKB 표본의 규모 자체도 더 작았다. 원문은 이러한 집단 특이적 형질에서 UKB 자료가 대상 집단의 분포와 더 멀리 떨어져 있어, 유럽계 자료의 추가 효과가 제한된다고 설명한다.

6. 메타분석의 효과는 주로 입력 변이에서 발생

초기 실험은 UKB에서 발견한 변이만 모델 입력으로 사용했기 때문에 BBJ에 고유한 형질 연관 변이를 포함하지 못한다는 한계가 있었다. 이를 보완하기 위해 연구진은 BBJ의 각 표본 규모에서 GWAS를 수행하고 전체 UKB GWAS와 메타분석으로 결합해 후보 변이를 새로 선정했다. 유전적 특성이 보존된 형질에서는 메타분석의 영향이 작았으며, 원문은 상대적으로 작은 BBJ GWAS의 낮은 통계적 검정력을 주요 이유로 설명한다. 반면 HDL과 LDL에서는 단일 집단의 변이 발굴보다 성능이 크게 개선됐고, 혈당에서도 그보다 작은 개선이 나타났으며, 주요 이득은 엘라스틱넷에 넣는 변이 구성이 달라진 데서 발생했다. 이 변이를 사용하더라도 학습 과정에 UKB 표본을 추가하는 효과는 BBJ 표본이 10,000개 이하일 때의 소폭 개선에 머물렀고, 더 큰 BBJ 표본에서는 관찰되지 않았다.

7. PRS-CSx의 성능은 충분한 대상 표본에 의존

PRS-CSx는 집단별 모델의 가중치를 동적으로 조정하므로, 이론적으로는 형질이 집단 간에 보존되는지 또는 집단 특이적인지에 따른 영향이 상대적으로 작을 것으로 기대됐다. 그러나 실제 비교에서는 좋은 성능을 얻기 위해 엘라스틱넷보다 더 많은 대상 집단 자료가 필요한 것으로 나타났다. BBJ 표본이 25,000개 미만일 때 PRS-CSx는 BMI를 제외한 모든 형질에서 해당 조건의 가장 우수한 엘라스틱넷 모델보다 성능이 낮았다. 반대로 BBJ 표본이 약 100,000개에 이르면 혈당을 제외한 모든 형질에서 가장 우수한 비교 모델과 동등하거나 더 높은 성능을 보였다. 이 결과는 다집단 정보를 다루는 고급 방법의 상대적 성능도 대상 표본 수에 따라 달라지며, 작은 표본에서의 우수 모델과 큰 표본에서의 우수 모델을 동일하게 볼 수 없다는 점을 보여준다.

8. 현지 자료 확충과 조건에 맞는 전략 선택

연구의 결론은 과소대표 집단에 PRS를 적용할 때 외부 집단의 자료가 많다고 해서 예측 성능이 항상 좋아지는 것은 아니라는 것이다. UKB에서 BBJ로의 전이학습은 대상 표본이 적을 때 유익했지만, 표본이 늘면 성능상 이점이 줄거나 정확도가 저하됐으며 그 변화는 형질의 유전적 특성에 따라 달랐다. 또한 메타분석이 제공하는 변이 발굴상의 이득과 외부 표본을 직접 학습에 추가하는 효과는 서로 구분됐고, PRS-CSx의 우위에는 상당한 대상 집단 표본이 필요했다. 따라서 원문은 다양한 현지 바이오뱅크를 확충하는 동시에 형질의 유전력과 표본 규모에 맞춰 모델링 전략을 신중하게 선택해야 한다고 강조한다. 여기서 제시한 성능 비교는 UKB와 BBJ의 8개 형질을 대상으로 동일한 BBJ 평가 표본에서 얻은 결과이며, 원문의 논의는 이러한 집단 간 유전체 예측 실험을 중심으로 전개된다.

🧾 핵심 주장 / 시사점

• 전이학습의 효용은 고정적이지 않으며, 대상 집단 자료가 축적되면 외부 자료의 최적 활용 규모도 달라진다.
• 외부 GWAS를 변이 발굴에 사용하는 이점이 외부 표본을 모델 학습에 많이 포함해야 한다는 결론으로 이어지지는 않는다.
• 집단 간 유전적 유사성과 대상 표본 수를 함께 고려해야 메타분석, 엘라스틱넷, PRS-CSx의 상대적 장점을 해석할 수 있다.

✅ 액션 아이템

• BBJ 표본 수와 집단 간 유전적 유사성에 따라 UKB 데이터 통합과 대상 집단 단독 학습의 성능 비교.
• HDL·LDL·혈당의 메타분석 활용 시 입력 변이 변경의 이득과 UKB 표본 추가 학습의 효과를 구분해 평가.
• BBJ 표본 25,000개 미만과 약 100,000개에서 나타난 성능 차이를 근거로 PRS-CSx와 엘라스틱넷의 적용 조건 검토.

❓ 열린 질문

• BBJ 표본 수와 집단 간 유전적 유사성에 따라 UKB 데이터 통합의 이점이 사라지는 전환점은 어떻게 달라지는가?
• HDL·LDL·혈당에서 메타분석의 입력 변이 변경과 UKB 표본 추가 학습은 각각 예측 성능에 어떤 영향을 주는가?
• PRS-CSx와 엘라스틱넷의 상대적 성능은 BBJ 표본 25,000개 미만과 약 100,000개에서 어떻게 달라지며, BMI와 혈당은 어떤 예외를 보이는가?