GWAS란? — 전장유전체 연관분석·맨해튼 플롯·다유전자 위험점수

BIO GLOSSARY · BIOINFORMATICS 101

GWAS란? — 전장유전체 연관분석·맨해튼 플롯·다유전자 위험점수

TL;DR
GWAS⁠(genome-wide association study, 전장유전체 연관분석)는 수만에서 수십만 명의 유전체를 한꺼번에 훑어, 흔한 유전 변이⁠(common variant)와 형질·질병 사이의 통계적 연관을 찾아내는 방법입니다. 사람마다 다른 수백만 개의 단일염기다형성⁠(SNP)을 환자군과 대조군에서 비교해, 어떤 위치의 변이가 특정 질병과 더 자주 함께 나타나는지를 회귀분석으로 검정합니다. 검정 횟수가 워낙 많다 보니 유의 기준선을 p < 5×10⁻⁸로 아주 엄격하게 잡고⁠(약 100만 번의 독립 검정 보정), 결과는 염색체별 −log₁₀p를 흩뿌린 맨해튼 플롯⁠(Manhattan plot)으로 그립니다. 다만 GWAS가 짚어 주는 건 '연관된 위치'일 뿐 '원인 유전자'가 아니어서, 연관불평형⁠(LD)·eQTL 등 후속 분석이 필요합니다. 여러 변이의 효과를 가중합한 다유전자 위험점수⁠(PRS)가 임상으로 넘어오고 있지만, 유럽계 코호트 편향과 작은 효과크기, 사라진 유전율⁠(missing heritability) 같은 한계도 분명합니다.

🔗 관련 글 · 변이를 찾고, 기록하고, 연관 짓고, 보정하기
• 변이 호출 — GWAS 앞 단계  ·  VCF 파일 포맷  ·  p-value·FDR  ·  서열 정렬

1. 한 줄 정의 — 유전체 전체를 훑어 형질과 짝지어 보는 일

GWAS⁠(genome-wide association study)는 한 집단의 전장유전체를 통째로 스캔하면서, 흔한 유전 변이가 특정 형질이나 질병과 통계적으로 연관되는지를 변이 하나하나 검정하는 연구 설계입니다. 우리말로는 전장유전체 연관분석이라 부릅니다. 사람의 유전체에는 개인차를 만드는 단일염기다형성⁠(single-nucleotide polymorphism, SNP)이 수천만 개 흩어져 있는데, GWAS는 그중 집단에 흔한 변이를 수십만에서 수백만 개씩 한꺼번에 살펴봅니다.

핵심 질문은 단순합니다. '이 질병을 가진 사람들에게서, 유전체의 어느 자리가 더 자주 특정 형태로 나타나는가?' 키나 콜레스테롤 수치 같은 정량 형질이든, 당뇨병이나 조현병 같은 질병이든, GWAS는 형질과 함께 움직이는 유전체 위치를 통계로 찾아냅니다. 후보 유전자 하나를 미리 정해 놓고 보는 가설 기반 방식과 달리, 유전체 전체를 가설 없이 훑는다는 점이 결정적인 차이입니다.

이 글은 GWAS가 무엇을 어떻게 측정하고, 결과를 어떻게 읽으며, 무엇을 조심해야 하는지를 다룹니다. 변이를 '찾아내는' 앞 단계가 변이 호출이었다면, GWAS는 그렇게 찾은 변이를 형질과 '연관 짓는' 다음 단계입니다.

2. 어원·역사 — 후보 유전자에서 전장유전체로

연관 연구 자체는 오래됐지만, 'genome-wide'라는 말 그대로 유전체 전체를 한 번에 보는 방식은 SNP 칩⁠(SNP array)과 인간 유전체 지도가 갖춰진 2000년대 중반에야 가능해졌습니다. 그전까지는 미리 의심되는 후보 유전자⁠(candidate gene) 한두 개만 골라 보는 식이었고, 재현이 잘 안 되기로 악명이 높았습니다.

전환점은 2005년이었습니다. 노인성 황반변성⁠(age-related macular degeneration)을 대상으로 한 연구가 보체인자 H⁠(complement factor H) 유전자의 변이를 찾아내며, 현대적 GWAS의 첫 성공 사례로 꼽힙니다⁠(Klein et al., 2005). 곧이어 2007년 웰컴 트러스트 사례대조군 컨소시엄⁠(Wellcome Trust Case Control Consortium)이 7가지 흔한 질병을 약 1만 7천 명 규모로 동시에 분석해, GWAS를 표준 설계로 끌어올렸습니다⁠(WTCCC, 2007).

이후 규모는 폭발적으로 커졌습니다. 키⁠(height)를 대상으로 한 2022년 연구는 540만 명을 분석해 흔한 변이가 설명하는 부분을 거의 포화시켰고⁠(Yengo et al., 2022), 공개 데이터베이스인 GWAS Catalog에는 2025년 기준 7,400편이 넘는 논문에서 100만 개 이상의 SNP-형질 연관이 등록돼 있습니다⁠(NHGRI-EBI GWAS Catalog). 후보 유전자 시대의 '한 번에 하나'가 '한 번에 수백만'으로 바뀐 셈입니다.

3. 개념 풀이 — 흔한 변이·연관불평형·환자대조군

GWAS가 성립하려면 세 가지 전제가 맞물려야 합니다. 이 셋을 이해하면 GWAS가 무엇을 볼 수 있고 무엇을 못 보는지가 분명해집니다.

• 흔한 변이 가설 (common variant) — GWAS는 집단에 비교적 흔한 변이, 보통 부 대립유전자 빈도⁠(minor allele frequency, MAF)가 1~5% 이상인 SNP를 봅니다. '흔한 질병은 흔한 변이들의 작은 효과가 모여 생긴다'는 가정 위에 서 있어, 아주 드문 변이는 잘 잡지 못합니다.
• 연관불평형 (linkage disequilibrium, LD) — 가까이 붙어 있는 변이들은 함께 유전되는 경향이 있습니다. 그래서 칩으로 직접 측정한 SNP 하나가, 실제 원인일지 모르는 주변의 측정 안 된 변이를 대리⁠(tag)합니다. GWAS가 수백만 변이를 다 측정하지 않고도 유전체를 훑을 수 있는 비결이자, 동시에 '연관 위치 ≠ 원인 변이'라는 한계의 근원입니다.
• 환자대조군 또는 정량 형질 — 질병이면 환자군⁠(case)과 대조군⁠(control)으로 나눠 변이 빈도를 비교하고, 키·혈압처럼 연속적인 값이면 정량 형질⁠(quantitative trait)로 두고 변이와의 관계를 봅니다.

여기에 더해, 칩으로 직접 읽은 SNP만으로는 해상도가 부족하기 때문에 유전형 대치⁠(imputation)를 씁니다. 큰 참조 패널⁠(reference panel, 예: TOPMed·HRC)에 담긴 LD 구조를 활용해, 측정하지 않은 위치의 유전형을 통계적으로 채워 넣는 과정입니다. 덕분에 수십만 개를 읽은 칩에서 수백만~수천만 개 변이를 검정할 수 있게 됩니다.

4. 작동 원리 — 코호트에서 연관 신호까지

GWAS 한 편은 대략 다섯 단계로 흐릅니다. 어느 한 단계라도 부실하면 가짜 신호가 쏟아지기 때문에, 특히 품질관리⁠(QC)가 결과의 신뢰를 좌우합니다.

① 코호트 모집. 충분히 큰 표본을 모읍니다. 효과크기가 작은 흔한 변이를 잡으려면 통계적 검정력⁠(power)이 필요하고, 그 검정력은 표본 크기에서 나옵니다. 그래서 수만에서 수십만 명, 최근의 대형 바이오뱅크는 수십만 명 규모입니다.

② 유전형 분석. SNP 칩으로 각 사람의 수십만~수백만 개 SNP를 읽고, 참조 패널로 유전형 대치⁠(imputation)를 해 검정할 변이 수를 수백만~수천만 개로 늘립니다.

③ 품질관리⁠(QC). GWAS에서 가장 손이 많이 가는 단계입니다. 콜률⁠(call rate)이 낮은 표본·변이를 걸러 내고, 하디-바인베르크 평형⁠(Hardy-Weinberg equilibrium, HWE)에서 크게 벗어나는 SNP를 제거하며, MAF가 너무 낮은 변이도 뺍니다. 무엇보다 집단 층화⁠(population stratification)를 잡아야 합니다. 환자군과 대조군의 조상 구성이 다르면, 질병과 무관한 조상 차이가 통째로 가짜 연관으로 둔갑하기 때문입니다. 보통 주성분분석⁠(principal component analysis, PCA)으로 조상 축을 뽑아 회귀모형의 공변량으로 넣어 보정합니다.

④ 연관 검정. 변이마다 형질과의 연관을 회귀로 검정합니다. 질병처럼 이분형이면 로지스틱 회귀⁠(logistic regression)로 오즈비⁠(odds ratio, OR)를, 키처럼 연속형이면 선형 회귀⁠(linear regression)로 효과크기⁠(beta)를 추정합니다. 나이·성별·PCA 주성분을 공변량으로 함께 넣습니다.

⑤ 다중검정 보정. 수백만 번을 검정했으니, 우연히 작아진 p-값이 수두룩합니다. 그래서 유의 기준을 보통의 0.05가 아니라 전장유전체 유의수준⁠(genome-wide significance) p < 5×10⁻⁸로 잡습니다. 이는 사람 유전체의 독립적인 흔한 변이가 약 100만 개라는 데서 나온 본페로니 보정⁠(0.05 ÷ 10⁶)으로, −log₁₀ 척도로는 7.3에 해당합니다. 다중검정의 일반 원리는 p-value·FDR 편에서 더 자세히 다룹니다. 이렇게 추린 결과는 VCF나 요약통계⁠(summary statistics) 형태로 정리됩니다.

5. 결과 읽기 — 맨해튼 플롯·QQ 플롯·연관 그 다음

GWAS 결과를 한 장으로 압축하는 두 그림이 맨해튼 플롯과 QQ 플롯입니다. 둘은 역할이 다릅니다. 하나는 '어디에 신호가 있나'를, 다른 하나는 '이 분석을 믿어도 되나'를 보여 줍니다.

맨해튼 플롯 (Manhattan plot). 가로축은 1번부터 22번·성염색체까지 이어진 유전체 위치, 세로축은 각 변이의 −log₁₀p입니다. p-값이 작을수록 점이 높이 솟고, 강하게 연관된 영역은 여러 변이가 LD로 함께 솟아 마천루처럼 뾰족한 봉우리를 이룹니다. 이름이 '맨해튼'인 이유죠. 5×10⁻⁸에 그은 가로 점선⁠(유의선) 위로 올라온 봉우리가 전장유전체 유의 신호입니다.

QQ 플롯 (quantile-quantile plot). 관측된 −log₁₀p를, 아무 연관도 없을 때 기대되는 분포와 대각선상에서 비교합니다. 대부분의 점은 대각선을 따라가다가 꼬리에서 위로 튀어야 정상입니다⁠(진짜 신호). 만약 점들이 처음부터 대각선 위로 통째로 들려 있으면, 집단 층화 같은 계통 오차를 의심합니다. 이 부풀음을 한 숫자로 요약한 것이 게놈 팽창인자⁠(genomic inflation factor) λ로, 관측 검정통계량의 중앙값을 귀무 기대 중앙값으로 나눈 값입니다. λ가 1에 가까우면 깨끗하고, 1보다 뚜렷이 크면 보정이 덜 된 신호입니다.

연관, 그 다음이 진짜. 여기서 가장 흔한 오해를 짚어야 합니다. 맨해튼 플롯의 봉우리는 '연관된 위치⁠(loci)'이지 '원인 유전자'가 아닙니다. LD 때문에 봉우리 안의 가장 유의한 SNP가 실제 원인 변이가 아닐 수 있고, 그 변이가 어떤 유전자를 어떻게 건드리는지는 별개의 문제입니다. 그래서 미세 지도화⁠(fine-mapping)로 원인 후보를 좁히고, eQTL (expression quantitative trait locus, 발현 정량형질 좌위) 분석으로 그 변이가 어떤 유전자의 발현을 바꾸는지 연결한 뒤, 기능 실험으로 검증합니다. 또 하나, GWAS의 연관은 어디까지나 상관이지 인과⁠(causation)가 아닙니다. 인과를 따지려면 멘델 무작위화⁠(Mendelian randomization) 같은 별도 설계가 필요합니다.

6. 헷갈리는 용어 비교 — GWAS 주변의 닮은 개념들

GWAS를 정확히 쓰려면 자주 섞이는 개념들과 나란히 놓아야 합니다. 두 갈래가 특히 헷갈립니다 — 하나는 '변이를 다루는 단계가 어디까지인가⁠(변이 호출 vs GWAS vs PRS)', 다른 하나는 '연관과 인과, 위치와 유전자를 어떻게 구분하나'입니다.

단계·개념	무엇을 하나	입력 → 출력	한계
변이 호출⁠(variant calling)	서열에서 변이를 찾아냄	정렬된 read → 변이 목록	형질과의 연관은 모름
GWAS	변이와 형질의 연관을 검정	변이 + 형질 → 연관 신호	위치만, 원인·인과 아님
PRS⁠(polygenic risk score)	여러 변이 효과를 합산	GWAS 결과 → 개인 위험점수	코호트 편향·예측력 한계

구분	자주 하는 오해	실제
연관 vs 인과	연관되면 원인이다	상관일 뿐, 인과는 별도 검증⁠(멘델 무작위화)
연관 위치 vs 원인 유전자	봉우리 SNP가 원인 변이다	LD로 묶인 위치, 미세 지도화·eQTL로 좁혀야 함
유의 vs 효과크기	p가 작으면 효과가 크다	p는 확실성, 효과크기⁠(OR·beta)는 따로 봐야 함

두 표를 한 문장씩 요약하면 이렇습니다. 위 표에서는 변이를 '찾고⁠(변이 호출)' → '형질과 잇고⁠(GWAS)' → '개인 위험으로 합산⁠(PRS)'하는 흐름이 핵심입니다. 아래 표는 GWAS 해석에서 가장 자주 무너지는 지점들로, 연관은 인과가 아니고, 봉우리는 유전자가 아니며, 작은 p가 큰 효과를 뜻하지 않는다는 세 가지를 기억하면 큰 실수를 피할 수 있습니다.

7. 현장 활용 — 바이오뱅크·다유전자 위험점수, 그리고 한계

GWAS가 가장 빠르게 임상 쪽으로 번지는 통로가 다유전자 위험점수⁠(PRS)입니다. 흔한 질병은 변이 하나의 효과가 미미해 단독으로는 쓸모가 적지만, 수천~수백만 개 변이의 작은 효과를 가중합하면 개인별 유전적 위험을 하나의 점수로 나타낼 수 있습니다.

다유전자 위험점수 (polygenic risk score, PRS). GWAS에서 얻은 각 변이의 효과크기를 가중치로 삼아, 한 사람이 가진 위험 대립유전자들을 합산합니다. 결과적으로 집단의 PRS는 종 모양 정규분포에 가깝게 퍼지고, 분포의 위쪽 꼬리에 놓인 사람은 같은 질병에 대해 평균보다 높은 유전적 소인을 가진 것으로 해석됩니다. 2024~2025년에는 관상동맥질환⁠(coronary artery disease) 같은 심혈관 영역에서 PRS를 기존 임상 위험점수에 더하면 예측이 개선된다는 근거가 쌓이며, 임상 적용을 둘러싼 논의가 활발합니다⁠(Nature Reviews Genetics, 2025).

대형 바이오뱅크의 시대. 이런 흐름의 토대는 규모입니다. 영국의 UK Biobank (약 50만 명)와 미국의 All of Us (245,388명 전장유전체) 같은 대형 코호트가 유전형과 건강 기록을 함께 모으면서, 더 많은 변이를 더 정밀하게 검정하고 PRS를 키울 수 있게 됐습니다.

한계는 분명합니다. 첫째, 유럽계 코호트 편향입니다. 지금까지의 GWAS·PRS 다수가 유럽계 인구에서 만들어져, 아프리카계 등 다른 조상 집단에서는 예측력이 눈에 띄게 떨어집니다. LD 구조와 대립유전자 빈도가 집단마다 달라 그대로 옮겨 쓰기 어렵기 때문으로, 다인종 GWAS와 다인종 PRS는 형평성 문제이자 핵심 연구 과제입니다. All of Us가 비유럽계 표본을 크게 늘린 것도 이 격차를 메우려는 시도입니다. 둘째, 효과크기가 작습니다. 흔한 변이 하나의 오즈비는 대개 1.1 안팎으로 미미해, 개별 변이로는 임상 결정을 내리기 어렵습니다. 셋째, 사라진 유전율⁠(missing heritability)입니다. GWAS로 찾은 흔한 변이들을 다 합쳐도 가족 연구가 시사하는 유전율을 다 설명하지 못하는데, 드문 변이·구조 변이·유전자 상호작용 등이 그 빈자리를 채울 후보로 거론됩니다. 끝으로 PRS의 임상 적용은 예측이 곧 진단이 아니라는 점, 개인에게 위험 점수를 어떻게 전달할지 등 검증과 윤리 논의가 함께 가는 단계입니다.

8. 핵심 정리 & 다음 학습

• ✅ GWAS⁠(genome-wide association study) = 유전체 전체를 훑어 흔한 변이와 형질·질병의 통계적 연관을 찾는 방법. 전제 셋 — 흔한 변이 가설 + 연관불평형⁠(LD) + 환자대조군/정량 형질.
• ✅ 워크플로 5단계 — 코호트 모집 → 유전형 분석⁠(SNP 칩 + imputation) → QC⁠(MAF·HWE·콜률·PCA로 집단 층화 보정) → 연관 검정⁠(로지스틱/선형 회귀, OR·beta) → 다중검정 보정. 유의선은 p < 5×10⁻⁸.
• ✅ 결과 읽기 — 맨해튼 플롯⁠(염색체별 −log₁₀p, 유의선 5×10⁻⁸)으로 신호를, QQ 플롯⁠(λ 팽창)으로 분석 건전성을 본다.
• ⚠️ 해석 함정 — 연관 위치 ≠ 원인 유전자⁠(LD·eQTL·기능 검증 필요), 연관 ≠ 인과. 봉우리는 후속 분석의 출발점일 뿐.
• ⚠️ PRS와 한계 — 여러 변이 효과를 가중합한 다유전자 위험점수가 임상으로 진입 중⁠(2024~2025). 단 유럽계 편향·작은 효과크기·사라진 유전율이 과제.

🎓 다음 학습
• (앞 단계·변이) 변이 호출이란? — GWAS에 넣을 변이를 서열에서 찾아내는 단계⁠(GATK·DeepVariant)
• (포맷·변이) VCF 파일이란? — 변이를 기록하는 표준 포맷, GWAS 입력의 바탕
• (통계·보정) p-value·FDR란? — GWAS의 다중검정과 유의 기준을 떠받치는 통계
• (정렬·서열) 서열 정렬이란? — 변이를 부르기 전, read를 유전체에 맞추는 단계⁠(BWA)

References

1. Klein, R. J., et al. (2005). Complement factor H polymorphism in age-related macular degeneration. Science, 308(5720), 385–389. doi:10.1126/science.1109557
2. The Wellcome Trust Case Control Consortium. (2007). Genome-wide association study of 14,000 cases of seven common diseases and 3,000 shared controls. Nature, 447(7145), 661–678. doi:10.1038/nature05911
3. Uffelmann, E., et al. (2021). Genome-wide association studies. Nature Reviews Methods Primers, 1, 59. doi:10.1038/s43586-021-00056-9
4. Yengo, L., et al. (2022). A saturated map of common genetic variants associated with human height. Nature, 610(7933), 704–712. doi:10.1038/s41586-022-05275-y
5. Choi, S. W., Mak, T. S.-H., & O'Reilly, P. F. (2020). Tutorial: a guide to performing polygenic risk score analyses. Nature Protocols, 15(9), 2759–2772. doi:10.1038/s41596-020-0353-1
6. Abdellaoui, A., Yengo, L., Verweij, K. J. H., & Visscher, P. M. (2023). 15 years of GWAS discovery: Realizing the promise. The American Journal of Human Genetics, 110(2), 179–194. doi:10.1016/j.ajhg.2022.12.011
7. Sollis, E., et al. (2023). The NHGRI-EBI GWAS Catalog: knowledgebase and deposition resource. Nucleic Acids Research, 51(D1), D977–D985. doi:10.1093/nar/gkac1010

Pipette & Pipeline · A bio portfolio journal