다중오믹스 데이터 통합 (Multi-Omics Data Integration)

한 줄 정의: 유전체, 전사체, 단백질체, 대사체 등 서로 다른 층위의 생물학적 데이터를 결합하여 종합적으로 해석하는 분석 접근법입니다.

쉽게 풀면

생명 현상은 DNA, RNA, 단백질, 대사물질 등 여러 층에서 동시에 일어나는데, 각각을 따로 측정한 데이터(오믹스)만 보면 전체 그림을 놓치기 쉽습니다. 다중오믹스 데이터 통합은 이런 여러 종류의 데이터를 한데 모아 서로 연결지어 분석하는 방법입니다.

마치 한 사건을 이해하기 위해 CCTV 영상, 목격자 진술, 통화기록을 각각 따로 보는 대신 모두 겹쳐서 종합적으로 판단하는 것과 비슷합니다. 이를 통해 개별 데이터만으로는 보이지 않던 생물학적 연결고리를 찾아낼 수 있습니다.

왜 중요한가

질병은 유전자 변이 하나만으로 설명되지 않고 여러 분자 층위의 변화가 복합적으로 작용하는 경우가 많아, 여러 오믹스 데이터를 통합해야 보다 정확한 원인 규명과 바이오마커 발굴이 가능합니다. 정밀의학과 신약 표적 발굴 연구에서 점점 더 중요한 접근법으로 자리잡고 있습니다.

어떤 절차인가

다중오믹스 데이터 통합은 같은 시료(또는 같은 환자)에서 얻은 서로 다른 분자 층위의 측정값, 곧 유전체, 후성유전체, 전사체, 단백질체, 대사체 등을 하나의 분석 틀 안에서 함께 해석하는 일입니다(Hasin 외, 2017). 흐름은 대체로 이렇습니다.

짝지은 자료 준비: 층마다 같은 시료가 있는지 확인하고, 층별로 정규화·배치 효과 보정·결측 처리를 합니다. 층마다 측정 단위와 잡음이 다르므로 이 단계가 결과를 좌우합니다.
통합 전략 선택: Ritchie 외(2015)는 자료를 합치는 시점에 따라 방법을 나누어 설명합니다. 실무에서는 흔히 다음과 같이 부릅니다.
모형 적합과 해석: 얻은 구조를 경로, 네트워크, 임상 변수와 연결해 해석합니다.
검증: 독립 코호트나 교차검증으로 재현성을 확인합니다.

전략	방식	특징
초기 통합	모든 층의 특징을 이어 붙여 하나의 모형에 입력	단순하지만 고차원이 되고 층 간 규모 차이를 조정해야 함
중간 통합	층 사이에 공유되는 잠재 요인·유사도를 학습(요인 분석, 네트워크 융합, 딥러닝 오토인코더 등)	층 간 공통 구조를 드러내 줌. 예: 다중 오믹스 요인 분석(Argelaguet 외, 2018)
후기 통합	층별로 따로 분석한 뒤 결과를 결합	층별 특성을 살리지만 층 사이 상호작용을 놓칠 수 있음

언제 쓰고 무엇을 얻나

여러 층을 함께 보면 한 층만으로는 설명되지 않는 현상, 곧 유전적 변이가 발현을 바꾸고 단백질과 대사물에 영향을 주는 연결을 추적할 수 있어 분자 아형 분류, 바이오마커 탐색, 경로 수준의 해석에 쓰입니다(Hasin 외, 2017). 개별 층의 분석 결과는 단백질체 프로파일링, 대사체 프로파일링 같은 전용 기법이 제공하고, 통합은 그 위에서 일어납니다.

한계도 같이 이해해야 합니다. 변수 수가 시료 수보다 훨씬 많아 과적합 위험이 크고, 층마다 반응 시간이 달라 전사체와 단백질체가 항상 일치하지 않으며, 층에 따라 결측 패턴이 다릅니다. 같은 시료가 모든 층에서 측정되지 않은 경우도 흔합니다. 개별 세포 수준에서 여러 층을 동시에 재는 기술은 단일세포 멀티오믹스에서 다룹니다.

논문에는 이렇게 적는다

통합한 층과 층별 시료 수, 짝지은 시료 수
층별 전처리: 정규화, 배치 효과 보정, 결측 처리, 특징 선택
통합 전략(초기·중간·후기), 사용한 도구와 버전, 주요 매개변수
다중검정 보정과 과적합 방지(교차검증, 독립 검증 코호트). 발견 코호트와 검증 코호트의 결과를 구분해 적습니다.
한계: 층 간 시차, 플랫폼 차이, 결과의 생물학적 해석이 상관 수준에 머무는 경우의 신중한 표현

논문에서는 이렇게 쓰입니다

실제 논문에서

이 용어를 직접 쓴 국내 논문 문장을 아직 수집하지 못했습니다. 수집되는 대로 출처와 함께 싣겠습니다.

예시 문장

아래는 용어의 쓰임을 보여 주려고 만든 예시로, 실제 논문에서 가져온 문장이 아닙니다.

"We performed multi-omics data integration combining transcriptomic and proteomic profiles to identify novel biomarkers of drug resistance."

전사체와 단백질체 데이터를 결합한 다중오믹스 통합 분석을 통해 약물 내성의 새로운 바이오마커를 찾았다는 의미입니다.

"Integration of genomic, epigenomic, and metabolomic data revealed a coordinated regulatory network underlying tumor progression."

유전체, 후성유전체, 대사체 데이터를 통합해 종양 진행의 기저에 있는 조율된 조절 네트워크를 밝혀냈다는 내용입니다.

조금 더 깊게 보면

통합 방법에는 각 오믹스 데이터를 개별적으로 분석한 후 결과를 결합하는 후기 통합(late integration)과, 처음부터 모든 데이터를 함께 모델에 넣는 초기 통합(early integration) 방식이 있습니다. 최근에는 딥러닝 기반의 오토인코더나 그래프 신경망을 활용해 여러 오믹스 데이터의 공통 잠재 특징을 추출하는 연구도 늘고 있습니다.

주의할 점

서로 다른 실험 플랫폼에서 얻어진 데이터는 측정 단위와 잡음 수준이 달라 단순 결합 시 왜곡이 생길 수 있으며, 표본 수가 충분하지 않으면 통합 분석 결과의 통계적 신뢰도가 낮아질 수 있습니다.

헷갈리기 쉬운 용어

각 층의 분석 기법과 층을 합치는 통합은 서로 다른 단계입니다.

용어	무엇인가	다중오믹스 통합과의 관계
단백질체 프로파일링	시료 속 단백질의 종류와 양 패턴을 분석	통합 대상이 되는 한 층의 분석
대사체 프로파일링	대사산물을 포괄적으로 측정하고 분석	통합 대상이 되는 한 층의 분석
단일세포 멀티오믹스	한 세포에서 여러 층의 분자 정보를 동시에 측정	측정 단위가 세포. 통합은 측정된 여러 층을 합치는 분석 단계

참고 문헌

Ritchie, M. D., Holzinger, E. R., Li, R., Pendergrass, S. A., & Kim, D. (2015). Methods of integrating data to uncover genotype-phenotype interactions. Nature Reviews Genetics, 16, 85–97.
Hasin, Y., Seldin, M., & Lusis, A. (2017). Multi-omics approaches to disease. Genome Biology, 18, 83.
Argelaguet, R., Velten, B., Arnol, D., Dietrich, S., Zenz, T., Marioni, J. C., Buettner, F., Huber, W., & Stegle, O. (2018). Multi-Omics Factor Analysis: A framework for unsupervised integration of multi-omics data sets. Molecular Systems Biology, 14, e8124.

표의 기준값은 위 문헌에 근거한 관례이며, 분야·학술지마다 다른 기준을 쓸 수 있습니다.