인간 조직에서 전사후 조절이 단백질 수준을 좌우한다

본 논문은 인간 조직 간 단백질 발현 차이가 전사 수준(mRNA)만으로 설명되는지, 혹은 전사후 조절에 의해 크게 좌우되는지를 정량적으로 규명하고자 한다. 연구자는 12개의 인간 조직에서 대규모 질량분석 기반 단백질 정량 데이터와 RNA‑seq 기반 mRNA 정량 데이터를 동시에 확보하였다. 기존 연구에서는 전체 단백질‑mRNA 절대량 사이의 높은 상관(R²≈0.7)을 근거로 전사 조절이 주요 원인이라고 주장했지만, 이러한 접근은 서로 다른 변동 원인을 혼합(conflation)한다는 점에서 한계가 있다. 저자들은 변동을 두 가지 독립적인 차원으로 구분한다. 첫 번째는 ‘평균 수준 변동(mean‑level variability)’으로, 서로 다른 유전자의 평균 발현량 차이를 의미한다. 두 번째는 ‘조직 간 변동(across‑tissues variability)’으로, 동일 유전자가 조직마다 보이는 발현 차이를 가리킨다. 두 변동은 통계적으로 직교하지만, 전체 데이터에 대한 단순 상관은 평균 수준 변동이 큰 유전자의 영향을 크게 받아 실제 조직 간 변동을 과소평가한다. 이를 설명하기 위해 저자들은 Simpson’s paradox(합성 역설)를 도입하였다. 전체 데이터에서 높은 상관이 관찰되더라도, 각 유전자의 조직별 추세는 거의 무관하거나 부정적일 수 있다. 실제로, 100개의 유전자를 예시로 든 그림에서는 전체 상관이 양수이지만, 각 유전자의 조직 내 상관은 거의 0에 가깝다. 구체적인 분석을 위해 저자들은 각 유전자의 ‘scaled mRNA’를 정의하였다. 이는 해당 유전자의 중앙 PTR(단백질‑mRNA 비율)로 mRNA 값을 스케일링한 것으로, 이 값과 실제 단백질 양 사이의 회귀를 수행했다. 전체 데이터에 대한 R²(T)는 0.70에 달했지만, 유전자별 조직 내 변동을 설명하는 R²(P)는 대부분 0에 가깝거나 음수였다. 이는 평균 수준 변동이 전체 상관을 주도하고, 조직 간 변동을 설명하는 데는 mRNA가 충분하지 않음을 의미한다. 데이터 신뢰성 평가에서도 세심한 접근을 취했다. 동일 조직 내 여러 피험자를 이용해 mRNA의 내부 신뢰성을 추정했으며, 피험자를 절반씩 나누어 각 부분에서 평균값을 구하고 그 상관을 통해 신뢰도를 계산했다. 단백질 측정에서는 펩타이드를 절반씩 나누어 두 독립적인 추정값을 만든 뒤, 이들 간 상관을 구해 내부 신뢰성을 평가했다. 또한 서로 다른 연구(ENCODE vs. GTEx, iBAQ vs. spectral count) 간의 교차 신뢰성을 분석해, 대부분의 변동이 실험적·분석적 노이즈에 기인함을 확인했다. 신뢰도 보정 후에도 전사에 의한 설명력은 약 50% 수준에 머물며, 나머지는 전사후 조절에 기인한다는 결론에 도달한다. 전사후 조절의 구체적 증거를 찾기 위해 저자들은 ‘상대 PTR(rPTR)’을 정의하였다. rPTR은 특정 조직에서의 PTR을 그 유전자의 다른 11개 조직 평균 PTR으로 나눈 값이다. Gene Ontology(GO) 기반 기능군별 rPTR 분포를 비교한 결과, 여러 기능군이 조직별로 일관된 rPTR 변화를 보였다. 예를 들어, 신장에서는 40S 소단위 리보솜 단백질이 높은 rPTR을 보였으며, 위에서는 낮은 rPTR을 보였다. 이러한 기능군 수준의 조직 특이적 전사후 조절은 두 독립적인 데이터셋에서도 높은 재현성을 보였으며(ρ≈0.7–0.8), 측정 오류가 아닌 실제 생물학적 현상임을 뒷받침한다. 결론적으로, (1) 전체 단백질‑mRNA 상관은 평균 수준 변동에 의해 주도되며, (2) 조직 간 변동을 설명하려면 전사후 조절을 반드시 고려해야 한다, (3) 기능군 수준에서 조직 특이적인 전사후 조절이 일관되게 나타난다, 라는 세 가지 주요 발견을 제시한다. 이는 조직 특이적인 단백질 발현을 예측하거나, 질병 상태에서 전사후 조절 변화를 탐색할 때 mRNA만을 근거로 삼는 접근법의 한계를 명확히 제시한다. 향후 연구에서는 전사후 조절 메커니즘(예: 번역 효율, 단백질 반감기, miRNA 조절 등)을 구체적으로 규명하고, 보다 정밀한 정량 기술을 도입해 노이즈를 최소화함으로써 조직 특이적 프로테오믹스 모델을 구축하는 것이 필요하다.