유전체 정보는 어떻게 후천적으로 바뀔 수 있을까?

1-1연구의 틀 – in vivo · in vitro · in silico Molecular & Computational Genomics Lab

• in vivo: 살아 있는 몸 안. 환자 샘플, 마우스 동물 모델로 질병을 봄
• in silico: 컴퓨터 안. 시퀀싱 데이터를 생물정보학으로 분석해 데이터에서 가설을 끌어냄(data-driven hypothesis)
• in vitro: 시험관·배양접시 안. 세운 가설을 분자생물학 실험으로 확인
• 세 영역 한가운데에 유전체학(특히 RNA)이 있음

1-2DNA 유전체의 구조 DNA genome structure

• DNA 유전정보는 핵에 있고, 생명현상은 세포 전체에서 일어남 (DNA 유전정보(핵) > 생명현상(세포))
• DNA 이중나선의 염기쌍: A=T, G≡C (A–T는 수소결합 2개, G–C는 3개)
• 교안 표기: 유전체(genome) = 유전자(gene) + 염색체(chromosome) → 보충 참고

세포분열과 염색체

• 세포분열 때 유전정보가 복제됨. 전기에 염색질이 응축하기 시작하고, 중기에 염색체가 가장 응축되어 가운데에 늘어섬
• 중기 염색체를 김사(Giemsa) 염색하면 줄무늬(G band)가 보임 → 염색체를 크기·모양·띠 순으로 나열한 것이 핵형(karyotype)

1-3인간 유전체와 서열 분석의 발전 Human genome · NGS

• 인간 유전체: 약 30억 개 DNA 염기서열, 교안 표기로 23종류의 염색체 (→ 보충)

1-4중심이론과 선천적·후천적 형질 Central dogma · Nature vs. nurture

• 중심이론(central dogma): 유전정보는 DNA → RNA → 단백질 방향으로 흐름. 맨 아래 DNA가 "생명정보", 맨 위가 "형질 발현"
• 각 층을 통째로 연구하는 학문: 유전체학 · 전사체학 · 단백질체학 (-omics = 전체를 다룸)
• 영화 〈엑스맨〉의 돌연변이(mutants) = DNA 자체가 바뀌어 형질이 달라지는 경우의 비유

선천적 vs 후천적 형질 획득

• 교안 그림: Nature 표지 "THE MS GENOME" – 다발성 경화증(MS)이 한 명에게만 생긴 일란성 쌍둥이의 유전체 연구 (2010)
• 결론: DNA 서열이 같아도 어떤 유전자가 언제·얼마나 켜지는지가 달라 형질이 달라질 수 있음 → 그 조절의 중심에 RNA가 있음

1-5유전체의 80%가 RNA를 만든다 Noncoding RNA

• 단백질을 만드는 코딩 유전자는 유전체의 일부(교안 원그래프: 약 5%, 그중 실제 단백질 정보 약 1%)뿐임 → 나머지 "94%?"는 무엇을 하나?
• 신체 부위(머리·몸통·다리)별로 보면 각기 다른 부분에서 RNA가 만들어지고, 이를 합하면 유전체의 약 80%가 RNA만 특이적으로 생성함
• 이 RNA 대부분은 단백질을 만들지 않는 논코딩 RNA(noncoding RNA)임
• 질문: 단백질도 안 만드는 RNA를 왜 이렇게 많이 만들까? → RNA 자체가 기능을 가진다는 답으로 이어짐 (DNA → RNA → 단백질 → 기능)

1-6마이크로RNA의 유전자 조절 RNA-mediated regulation: microRNA

• 도입: 영화 〈스파이더맨〉(2002) – 거미에게 물린 뒤 유전체가 바뀌는 설정, 대사 "합성 전이 RNA를 이용해" → "RNA로 유전체 정보를 바꿀 수 있을까?"
• 실제 생물학의 답: RNA가 DNA를 고쳐 쓰지는 않지만, 특정 유전자의 발현을 억제해 형질을 바꿀 수 있음

마이크로RNA(miRNA)의 작동 방식

• 길이 약 21 nt의 짧은 RNA. 이중가닥으로 만들어진 뒤 한 가닥이 아고너트(Argonaute, Ago) 단백질에 실려 RISC 복합체가 됨
• miRNA의 앞쪽 seed 부위(5′ 끝 2~8번 염기)가 표적 mRNA와 짝을 이룸. 나머지는 일부만 짝지음(partial pairing)
• 주로 표적 mRNA의 3′ UTR에 붙어 → mRNA 분해 또는 번역 억제 (target gene repression)
• mRNA는 약 1,000 nt로 miRNA보다 훨씬 김. seed만 맞으면 되므로 miRNA 하나가 수백 개 유전자를 조절할 수 있음

1-7AGO CLIP-Seq과 뇌의 마이크로RNA 표적지도 Ago HITS-CLIP

• 문제: miRNA가 실제로 어떤 mRNA에 붙는지 알기 어려움 (seed만 맞아도 붙으니 후보가 너무 많음)
• 해법: Ago–miRNA–표적 mRNA가 한데 붙은 3중 복합체(Ago ternary complex)를 통째로 잡아 NGS로 읽음 = AGO CLIP-Seq

대뇌피질 마이크로RNA 표적지도 결과

• 아고너트–miRNA: 상위 20개 miRNA가 Ago에 실린 miRNA의 약 90% 차지 (1위 miR-30e, 이어서 miR-30d, miR-9 … miR-124 등)
• 아고너트–mRNA: Ago가 붙은 자리(Ago footprint)가 봉우리(peak)로 나타남 → 약 10,000개 Ago–mRNA 클러스터
• 두 데이터를 seed 서열로 짝지어 → 어떤 miRNA가 어느 염색체의 어느 mRNA에 붙는지 그린 "뇌의 마이크로RNA 표적지도" 완성

1-8마이크로RNA로 바뀌는 세포와 뇌 miRNA changes cell identity

① miR-124: 세포를 다른 종류로 바꿈

• miR-124 서열: UAAGGCACGCGGUGAAUGCCAA (뇌에 가장 많은 miRNA 중 하나)
• 세포에 miR-124를 넣으면 약 86시간 뒤 세포가 신경세포처럼 긴 돌기를 뻗음 → miRNA 하나로 세포 정체성이 바뀜

② 유인원 특이적 신경세포 마이크로RNA

• 생쥐 뇌 vs 인간 뇌: 인간 뇌가 훨씬 크고 주름이 많음 → 그 차이를 만드는 RNA가 있을까?
• 생쥐 신경세포주(N2a)에 유인원에만 있는 miRNA를 넣으면 신경돌기 모양이 달라짐
• 이 miRNA를 가진 생쥐는 (교안 사진에서) 대뇌 영역이 더 크고, 단일세포 RNA 분석(scRNA-Seq)에서 GABA성 억제 신경세포 군집이 늘어남
• scRNA-Seq 지도 표지: GABA(억제성 신경세포), Glut1·Glut2(흥분성 신경세포), Oligo(희소돌기아교세포), MG(미세아교세포), Astro(별아교세포)

1-9RNA의 복잡성과 종간 차이 RNA complexity

• 코딩 유전자 수는 사람·생쥐·선충이 거의 비슷함 → 유전자 개수로는 복잡성 차이를 설명 못함
• RNA 종류(전사체 수)는 사람이 선충의 4배 이상 → RNA 수준의 다양성이 종간 형질 차이와 맞물림
• 한 유전자에서 여러 RNA가 나오는 방법(RNA variants):
  • 선택적 스플라이싱(alternative splicing): 엑손을 다르게 이어 붙임 (교안 그림: 가운데 엑손을 넣거나 빼기)
  • 선택적 폴리아데닐화(alternative polyadenylation): RNA 꼬리(poly A)를 붙이는 위치를 달리해 3′ UTR 길이가 달라짐 → miRNA가 붙을 자리 수도 달라짐

2-1후천적 변화의 세 갈래

• 도입: 영화 〈어메이징 스파이더맨〉(2012) – 다른 종의 유전자를 섞는 실험 설정 → "어떻게 전체 DNA 유전체 정보를 바꿨을까?" → 서열이 아니라 표지를 바꾸는 방법

2-2후성유전체 – 히스톤 변형과 DNA 메틸화 Epigenome: same DNA, different modification, different trait

• 포장 계층: 염색체 → 초나선 구조(supercoiled) → 솔레노이드 → 뉴클레오솜(히스톤 H2A·H2B·H3·H4 각 2개 + 링커 H1) → DNA
• 히스톤 단백질 꼬리(histone tails)가 밖으로 삐져나와 있고, 여기 특정 아미노산(주로 라이신 K)에 화학기가 붙음

2-3후성전사체 – RNA 염기 변형 Epitranscriptome

• 두 경우 모두 글자(서열)는 그대로이고 표시만 달라짐
• 이런 변형 위치는 NGS 서열분석법을 응용해 유전체 전체에서 찾아냄

2-4산화된 마이크로RNA와 심비대증 Position-specific oxidation of miR-1

산화 구아닌 o⁸G

• 정식 이름: 7,8-dihydro-8-oxoguanine (8-oxo-G, o⁸G). 구아닌의 8번 탄소에 산소(=O)가 붙은 산화변형 (Kasai & Nishimura, 1984)
• 보통 G는 C와 짝을 지음 → o⁸G는 모양이 바뀌어 A와 짝을 지음 (new base-pairing)
• 즉 서열은 G 그대로인데, 실제로는 "T/U처럼" 읽히는 글자가 됨

쥐 심근세포 실험

• 결론: miRNA의 특정 위치 염기 하나가 산화되는 것만으로 심비대증이 유도됨 (Seok 외, Nature 2020; Nature Reviews Cardiology 2020.8.20 하이라이트 "Oxidation of miRNAs by ROS leads to cardiac hypertrophy")

종합 – 후천적으로 생명정보를 바꾸는 방법

3-1인간 유전체 프로젝트에서 NGS까지 HGP → NGS

• 인간 유전체 프로젝트(1990–2003): 13년, 30억 달러로 30억 염기서열 결정
• 2000년 6월 백악관 발표("Decoding the Book of Life") → 2001년 초안(Nature) → 2004년 완성본(Nature) 발표
• 차세대 서열 분석(NGS, 2008~현재): 초고속 · 대용량 · 병렬화
  • DNA를 잘게 조각내(DNA fragmentation) 수많은 조각을 동시에 읽은 뒤 컴퓨터로 이어 붙임
  • Illumina NovaSeq(2017): 30억 염기 ×10, 2일, 100달러
• 결과: 누구나 자기 유전체를 읽는 개인 유전체학(Personal Genomics)과 개인맞춤 의학(Personalized Medicine) 시대 (TIME 2012 표지 "Want to Know My Future?")

3-2초소형·이동형 서열 분석 Portable, real-time sequencing

• Oxford Nanopore MinION: USB 크기 장치를 노트북에 꽂아 현장에서 실시간 분석 (portable, real-time)
• 원리: DNA 가닥이 막에 박힌 단백질 구멍(나노포어)을 지날 때 염기마다 전류가 다르게 변함 → 전류 파형을 염기서열로 바꿈
• 2016년 NASA/SpaceX 9번째 화물선으로 국제우주정거장에 실려 가 우주에서 처음 DNA 서열 분석 (우주비행사 Kate Rubins)
• 더 작은 SmidgION은 스마트폰에 연결하는 형태
• IoLT(Internet of Living Things, 생물 사물인터넷): 농장·현장에서 얻은 서열을 클라우드(Metrichor)로 올려 분석

미래의 유전체학 10가지 예측(2030): 미국 국립인간유전체연구소(NHGRI) 영상 – 교안은 제목만 제시함

3-3개인 유전자 분석과 질병 변이 탐색 Personal genome service · SNP

• 23andMe: 침 채취 키트(saliva collection kit)를 우편으로 보내면 유전 정보를 분석해 주는 개인 유전자 분석 서비스

유전체 서열분석을 통한 질병 유전자 변이 탐색

• 여러 사람의 DNA를 읽어 비교하면 특정 위치에서 한 염기만 다른 곳이 있음 = SNP(단일염기다형성) 예) 어떤 사람은 G(SNP^G), 어떤 사람은 A(SNP^A)
• 질병 환자군과 정상인군에서 SNP 비율을 비교
  • 정상인군: 일정 비율이 G, 나머지가 A
  • 환자군에서 G가 예상보다 많으면 → SNP^G가 질병과 관련 (또는 SNP^A가 보호 효과)

3-4고인류 유전체와 단일세포 유전체학 Ancient genomes · Single-cell genomics

잃어버린 DNA: 고인류 유전체 분석

• 네안데르탈인: 크로아티아 Vindija 동굴, 러시아 Mezmaiskaya 동굴 뼈에서 DNA 추출 (Science 2010 표지 "The Neandertal Genome")
• 데니소바인: 시베리아 Denisova 동굴의 손가락뼈 조각 하나에서 DNA로 찾아낸 새로운 고인류
• 현생 인류(호모 사피엔스) 여러 집단의 유전체와 NGS로 비교 → 고인류와 섞인 흔적 발견
• 스반테 페보(Svante Pääbo): "멸종한 고인류의 유전체와 인류 진화에 관한 발견"으로 2022년 노벨 생리의학상 단독 수상

단일세포 유전체학 (Single-cell genomics)

• 기존 분석은 수많은 세포를 갈아 평균값을 읽음 → 세포 하나하나의 차이를 놓침
• 미세유체 장치에서 세포를 물방울 하나에 하나씩 가둔 뒤 각각에 바코드를 붙여 NGS로 읽음 (교안 아래 영상 그림)
• 태아 그림처럼 몸을 이루는 세포 하나하나의 종류를 점으로 찍어 지도를 만듦 (Science 2017 "Single-Cell Genomics" 특집). 1-8의 scRNA-Seq 결과가 이 기술임

3-5유전형에서 표현형으로 – 금발 유전자 예 Genotype → Phenotype

• KITLG 유전자에서 약 350 kb 떨어진 모낭 인핸서(hair follicle enhancer)에 한 염기 변이: CACTAAAG → CGCTAAAG
• 원래 서열(A)에는 전사인자 LEF가 잘 붙어 KITLG가 많이 발현 → 어두운 머리색
• G 변이에서는 LEF 결합이 약해져 발현이 줄어듦(화살표가 가늘어짐) → 금발
• 단백질 자체는 그대로이고 발현량만 달라져 형질이 바뀐 예 (Nature Genetics 2014)

4-1RNA 세계와 RNA의 복잡성 RNA World

• 복습: 단백질 코딩유전자는 약 5%인데 유전체의 약 80%가 논코딩 RNA를 만듦 (1-5) → 왜?

• RNA는 한 가닥이라 스스로 접혀 2차 구조를 만들 수 있음 → 단백질처럼 기능(효소 작용)도 가능
• 그래서 생명의 첫 유전물질은 RNA였다는 RNA 세계 가설이 나옴. 효소 기능을 하는 RNA(리보자임)를 발견한 토머스 체크(Thomas Cech)
• RNA의 복잡성: 사람 코딩 유전자 21,550개 → 전사체 126,019개 (1-9). 선택적 스플라이싱을 발견한 필립 샤프(Phillip Sharp)

4-2RNA 결합 단백질(RBP)과 질병 RNA-binding protein

• RNA는 혼자 일하지 않고 RNA 결합 단백질(RBP)과 RNA–단백질 복합체를 이뤄 일함
• RBP가 하는 일: ① 전사체 변이(선택적 스플라이싱으로 엑손 선택) ② 전사후 조절(3′ UTR에 붙어 안정성·번역 조절)
• 질문: "RNA–단백질 결합 복합체"가 생물학적 기능에서 매우 중요한가? → PND 사례로 답함

자가면역성 퇴행성 뇌질환 PND (Paraneoplastic Neurological Disorder)

• 환자 혈액(항체)으로 암 항원 유전자를 클로닝 → 유방/난소암 항원, 폐암 항원 확인
• 밝혀진 정체: 모두 RNA 결합 단백질 (Nova, Hu). 원래 신경세포에만 있어야 할 RBP를 암세포가 만들어 면역계 표적이 된 것
• Nova 표적 RNA 지도(HITS-CLIP): Nova가 붙는 RNA를 지도로 그리니 GABA·글리신 수용체, 이온 통로 등 시냅스 단백질이 대거 포함됨 → Nova의 생물학적 기능 = 시냅스 조절
• Nova 결손(KO) 생쥐: 운동 이상을 보이며 정상적으로 자라지 못함

RBP와 질병 네트워크

교안 그림 오른쪽: James Darnell, 『RNA: Life's Indispensable Molecule』

4-3AlphaFold와 시스템 생물학 AI · Systems biology

• 여러 단계의 생명정보: 유전체·전사체는 NGS로 대량 측정 가능 → 단백질 단계는 AI가 돕기 시작

AlphaFold: AI로 단백질 3차원 구조 예측

• 구글 딥마인드(2016년 이세돌 9단과 대국한 알파고의 회사)가 개발
• 단백질은 아미노산 사슬 → 알파나선·베타병풍(pleated sheet) → 3차원 접힘 구조로 기능함
• 입력: 아미노산 서열(예: MALSVLLL…) → 유전 데이터베이스에서 진화적으로 비슷한 서열 정렬(MSA) + 구조 데이터베이스 주형 → 3차원 구조 출력
• 단백질 구조 예측 대회(CASP) 점수(GDT): 2016년까지 40점 안팎 → AlphaFold(2018) 약 60 → AlphaFold 2(2020) 90 근처. 90점 이상이면 실험으로 구한 구조와 거의 같은 수준
• AlphaFold 단백질 구조 데이터베이스로 공개되어 누구나 검색 가능

시스템 생물학: 네트워크

여러 층의 -omics 데이터를 쌓아 하나의 유전 요소가 어떻게 형질까지 이어지는지 통합적으로 분석함.

4-4개인 유전체 맞춤 의학과 빅데이터 Big data in personalized medicine

• "1,000달러 유전체, 10만 달러 분석?" (The $1,000 genome, the $100,000 analysis?) – 읽는 비용은 싸졌지만 해석이 병목이 됨
• 교안 만화: 환자 침대에 서열이 적힌 종이가 잔뜩 쌓여 있지만 의사들은 어찌할 줄 모름
• 23andMe(데이터 생산), Google Genomics(클라우드 분석) 등 IT 기업이 뛰어듦
• NHGRI의 유전체 연구 미래 비전 그림: 인간 유전체 프로젝트를 토대로 "생물학 → 건강 → 사회" 층을 쌓고, 기둥으로 자원·기술개발·계산생물학(Computational biology)·교육훈련(Training)·윤리(ELSI)·교육이 받침 → 빨간 상자로 강조된 것이 계산생물학과 인력 양성
• 영화 〈이너스페이스〉처럼 세포 안 유전체를 "세포를 돌리는 마스터 프로그램"으로 보고, 컴퓨터 앞에서 분석하는 생명공학 시대