부록 B16: 생화학 네트워크

7 분 소요

이 장에서 배울 것

이번 장에서는 생화학을 “분자 하나”가 아니라 “연결망”으로 보는 법을 배웁니다. 지금까지 원자, 결합, 단백질, 효소, 대사, 막, 약물 결합을 배웠습니다. 이제 이 지식들을 연결해야 합니다. 세포 안에서는 하나의 반응이 끝이 아니라 다음 반응의 시작이 됩니다.

핵심 용어를 먼저 정리하겠습니다.

경로(pathway): 여러 분자와 반응이 일정한 흐름으로 연결된 구조입니다.
신호전달경로(signaling pathway): 세포가 신호를 받아 내부 반응으로 바꾸는 연결망입니다.
대사경로(metabolic pathway): 물질을 분해하거나 합성하는 효소 반응의 흐름입니다.
되먹임(feedback): 뒤쪽 결과가 앞쪽 과정을 다시 조절하는 구조입니다.
교차대화(crosstalk): 서로 다른 경로가 완전히 분리되지 않고 영향을 주고받는 현상입니다.
경로 풍부도 분석(pathway enrichment analysis): 변화한 유전자들이 특정 경로에 많이 몰려 있는지 보는 분석입니다.
네트워크(network): 점과 선으로 여러 요소의 관계를 표현한 구조입니다.

생화학 네트워크

가장 쉬운 비유: 세포는 부품 상자가 아니라 도시 교통망입니다

세포를 처음 배울 때는 DNA, RNA, 단백질, 지질, 효소를 따로따로 배웁니다. 하지만 실제 세포 안에서는 이들이 따로 놀지 않습니다. 단백질은 다른 단백질과 만나고, 효소는 대사물질을 바꾸고, 수용체는 신호를 전달하고, 유전자는 그 신호에 따라 켜지거나 꺼집니다.

도시도 도로 하나만 보면 이해하기 어렵습니다. 지하철, 버스, 도로, 전기망, 상수도, 통신망이 함께 연결되어 도시가 움직입니다. 세포도 마찬가지입니다. 생화학 네트워크는 세포 안 분자들이 어떻게 연결되어 기능을 만드는지 보는 관점입니다.

경로는 분자 사건의 줄거리입니다

경로는 여러 분자와 반응이 연결된 흐름입니다. 예를 들어 대사경로에서는 물질 A가 효소 1에 의해 B로 바뀌고, B가 효소 2에 의해 C로 바뀌는 식으로 진행됩니다. 신호전달경로에서는 바깥 신호가 수용체에 붙고, 세포 안 단백질들이 차례로 활성화되며, 마지막에는 유전자 발현이나 세포 행동이 바뀔 수 있습니다.

경로를 배우는 이유는 단순히 이름을 외우기 위해서가 아닙니다. 유전자 하나가 바뀌었을 때 그 영향이 어디까지 퍼질 수 있는지 이해하기 위해서입니다. 한 부품의 고장이 전체 기계의 움직임을 바꿀 수 있듯이, 한 효소나 수용체 변화가 넓은 경로 변화를 만들 수 있습니다.

대사경로는 물질의 변환 흐름입니다

대사경로는 효소 반응들이 이어져 물질을 분해하거나 합성하는 흐름입니다. 해당과정, 시트르산 회로, 지방산 합성, 아미노산 대사 같은 것이 예입니다.

대사경로에서는 각 단계가 효소에 의해 조절됩니다. 어떤 효소가 많아지거나 적어지면 그 경로의 흐름이 바뀔 수 있습니다. 어떤 효소가 억제되면 앞쪽 물질이 쌓이거나 뒤쪽 산물이 줄어들 수 있습니다.

생물정보학에서 대사경로는 유전자 발현 데이터와 대사체 데이터를 연결하는 다리 역할을 합니다. 유전자 변화가 실제 대사물질 변화로 이어지는지 살펴볼 수 있기 때문입니다.

신호전달경로는 정보의 전달 흐름입니다

신호전달경로는 세포 밖 신호가 세포 안 반응으로 바뀌는 흐름입니다. 예를 들어 성장인자(growth factor, 세포 성장과 분열을 촉진할 수 있는 신호 단백질)가 수용체에 결합하면 세포 안 여러 단백질이 차례로 활성화되고, 결국 세포분열 관련 유전자가 켜질 수 있습니다.

이런 경로는 암 생물학에서 매우 중요합니다. 성장 신호가 계속 켜져 있거나, 세포사멸 신호가 꺼져 있거나, 면역 회피 신호가 강해지면 암세포가 살아남기 쉬워집니다.

신호전달경로는 직선이 아닙니다. 중간에 갈림길이 있고, 여러 경로가 서로 연결됩니다. 그래서 단순한 화살표 하나로 끝나는 그림보다 네트워크 관점이 필요합니다.

되먹임은 세포의 자동 조절 장치입니다

되먹임은 뒤쪽 결과가 앞쪽 과정을 다시 조절하는 구조입니다. 음성 되먹임(negative feedback)은 결과가 너무 커지면 앞쪽 과정을 눌러 균형을 잡는 방식입니다. 난방기가 방 온도가 충분히 올라가면 꺼지는 것과 비슷합니다.

양성 되먹임(positive feedback)은 결과가 앞쪽 과정을 더 강화하는 방식입니다. 작은 변화가 더 큰 변화를 불러올 수 있습니다. 혈액응고처럼 빠르게 반응을 키워야 하는 상황에서 중요할 수 있습니다.

되먹임이 있기 때문에 세포는 외부 환경이 조금 흔들려도 내부 상태를 어느 정도 유지할 수 있습니다. 그러나 되먹임 조절이 망가지면 질병이 생길 수 있습니다.

교차대화는 경로들이 서로 말을 섞는 현상입니다

교과서 그림에서는 경로들이 깔끔하게 나뉘어 보입니다. 하지만 실제 세포 안에서는 서로 다른 경로가 같은 단백질을 공유하거나, 한 경로의 산물이 다른 경로를 조절할 수 있습니다. 이것이 교차대화입니다.

교차대화는 약물 반응을 복잡하게 만듭니다. 어떤 경로를 억제했더니 다른 경로가 대신 활성화되어 세포가 살아남을 수 있습니다. 암 치료에서 약물 내성이 생기는 이유 중 하나도 이런 우회 경로와 관련될 수 있습니다.

그래서 계산생물학에서는 단일 유전자나 단일 경로만 보는 것이 아니라 여러 경로의 관계를 함께 보려 합니다.

경로 풍부도 분석: 유전자 목록에 의미를 붙이는 방법

전사체 분석을 하면 수백 개, 수천 개의 유전자가 변했다고 나올 수 있습니다. 그런데 유전자 이름 목록만 보면 생물학적 의미를 잡기 어렵습니다. 이때 경로 풍부도 분석을 사용합니다.

경로 풍부도 분석은 변화한 유전자들이 특정 경로에 많이 몰려 있는지 확인합니다. 예를 들어 변화한 유전자들 중 면역 반응 경로에 속한 유전자가 유난히 많다면, 그 조건에서 면역 관련 과정이 바뀌었을 가능성을 생각할 수 있습니다.

다만 이 분석은 “증명”이 아니라 해석의 단서입니다. 경로 데이터베이스가 완벽하지 않을 수 있고, 유전자 목록을 어떻게 만들었는지에 따라 결과가 달라질 수 있습니다. 그래서 통계적 결과와 생물학적 맥락을 함께 봐야 합니다.

네트워크 관점은 계산생물학의 중심 사고입니다

네트워크는 점과 선으로 관계를 표현합니다. 단백질 상호작용 네트워크에서는 단백질이 점이고, 서로 결합하거나 영향을 주는 관계가 선이 됩니다. 유전자 조절 네트워크에서는 전사인자와 표적 유전자가 점과 선으로 연결됩니다. 대사 네트워크에서는 대사물질과 효소 반응이 연결됩니다.

네트워크를 보면 한 요소가 얼마나 중심적인지, 어떤 모듈이 있는지, 질병 유전자가 특정 부분에 모이는지 분석할 수 있습니다. 계산생물학에서 그래프 이론과 네트워크 분석이 중요한 이유가 여기에 있습니다.

생물정보학에서 왜 이것을 알아야 할까

현대 생물정보학은 유전자 하나의 의미를 넘어서 시스템 전체를 보려 합니다. 유전자 발현 변화, 변이, 단백질 상호작용, 대사물질 변화, 약물 반응을 하나의 연결망 안에서 해석해야 합니다.

특히 다중오믹스 분석에서는 네트워크 관점이 필수입니다. 유전체 변이가 전사체 변화를 만들고, 전사체 변화가 단백질과 대사 흐름을 바꾸며, 그 결과 세포 행동과 질병 상태가 달라질 수 있기 때문입니다.

초보자가 놓치기 쉬운 중간 다리: 네트워크는 점과 선으로 생명현상을 압축한 지도입니다

생화학 네트워크에서 노드(node)는 유전자, 단백질, 대사체, 질병, 약물 같은 대상이 될 수 있습니다. 엣지(edge)는 두 노드 사이의 관계입니다. 예를 들어 단백질 A가 단백질 B를 활성화한다면 A와 B 사이에 방향이 있는 엣지를 그릴 수 있습니다. 두 단백질이 물리적으로 결합한다면 상호작용 엣지를 그릴 수 있습니다.

엣지는 방향성을 가질 수도 있고, 가중치를 가질 수도 있습니다. 방향성은 A가 B에 영향을 주는지, B가 A에 영향을 주는지 구분합니다. 가중치는 관계의 강도나 신뢰도를 나타낼 수 있습니다. hub는 많은 연결을 가진 노드이고, module은 서로 강하게 연결된 작은 묶음입니다.

경로 풍부도 분석은 “원인 증명”이 아니라 “관련 경로 후보 찾기”입니다

RNA-seq 분석에서 차등발현 유전자 목록이 나왔다고 해봅시다. 경로 풍부도 분석은 이 유전자들이 어떤 생물학적 경로에 많이 모여 있는지 보는 방법입니다. 예를 들어 면역 반응 관련 유전자가 목록에 많이 들어 있으면 면역 경로가 관련되어 있을 가능성을 제시합니다.

하지만 풍부도 분석 결과만으로 그 경로가 질병의 원인이라고 단정하면 안 됩니다. 유전자 목록의 품질, 데이터베이스 편향, 표본 수, 통계 기준, 다중검정 문제가 모두 영향을 줍니다. 풍부도 분석은 강력한 요약 도구이지만, 인과관계를 직접 증명하는 도구는 아닙니다.

다중검정과 false discovery의 직관

경로를 하나만 검사하면 우연히 유의하게 나올 가능성이 작을 수 있습니다. 하지만 수백 개, 수천 개 경로를 동시에 검사하면 우연히 유의해 보이는 결과가 생기기 쉽습니다. 이것이 다중검정 문제입니다.

그래서 경로 분석에서는 p-value만 보지 않고 보정된 p-value나 FDR(false discovery rate)을 함께 봅니다. FDR은 발견한 결과들 중 거짓 양성이 어느 정도 섞일 수 있는지를 관리하려는 개념입니다. 입문 단계에서는 “많이 검사할수록 우연한 당첨이 늘어나므로 보정이 필요하다”고 이해하면 됩니다.

데이터 해석 관점: multi-omics는 여러 층의 지도를 겹쳐 보는 일입니다

유전체 데이터는 변이를 보여주고, 전사체 데이터는 RNA 발현을 보여주고, 단백질체 데이터는 단백질 수준을 보여주고, 대사체 데이터는 최종 물질 흐름의 단서를 줍니다. 생화학 네트워크는 이 여러 층을 연결하는 지도 역할을 합니다.

예를 들어 어떤 암에서 특정 신호전달 경로의 유전자 발현이 증가하고, 해당 경로의 단백질 인산화가 증가하며, 관련 대사체도 함께 변한다면 그 경로가 실제로 활성화되었을 가능성이 더 커집니다. 반대로 한 층의 데이터만 보고 결론을 내리면 위험할 수 있습니다.

초보자가 자주 하는 오해

첫째, 네트워크 그림에서 선이 있으면 반드시 직접 원인 관계라고 생각하는 오해가 있습니다. 어떤 엣지는 직접 결합이고, 어떤 엣지는 통계적 상관이나 문헌 기반 관계일 수 있습니다.

둘째, hub가 항상 좋은 약물 표적이라고 생각하는 오해가 있습니다. hub를 건드리면 효과가 클 수 있지만 독성이나 광범위한 부작용도 커질 수 있습니다.

셋째, 풍부도 분석 결과를 최종 결론으로 보는 오해가 있습니다. 풍부도 분석은 가설 생성과 요약에 강하지만, 실험 검증과 독립 데이터 확인이 필요합니다.

이전 개념들의 통합

B09에서 핵산, B10~B12에서 단백질과 효소, B13에서 대사, B14에서 막, B15에서 약물 결합을 보았습니다. B16의 네트워크 관점은 이 모든 것을 하나의 연결된 시스템으로 묶습니다. 계산생물학과 생물정보학의 많은 분석은 결국 “분자 하나”가 아니라 “분자들이 연결된 지도”를 해석하는 일입니다.

공식과 모델을 네트워크에 연결하기

부록 B의 앞 장에서 배운 공식들은 따로 떨어진 계산 문제가 아니라 네트워크를 읽는 렌즈입니다.

pH = -log10[H+]
pH = pKa + log10([A-]/[HA])
ΔG = ΔG°' + RT ln Q
rate = Δ농도 / Δ시간
v = Vmax[S] / (Km + [S])
fraction bound = [L] / (Kd + [L])

이 공식들은 각각 다른 질문을 던집니다. pH와 pKa는 “분자의 전하 상태가 어떤가?”를 묻습니다. ΔG는 “현재 농도 조건에서 어느 방향이 에너지적으로 유리한가?”를 묻습니다. rate와 Michaelis-Menten 식은 “얼마나 빠르게 흐르는가?”를 묻습니다. Kd와 fraction bound는 “표적에 얼마나 결합하는가?”를 묻습니다.

네트워크에서는 이 질문들이 동시에 필요합니다. 예를 들어 어떤 약물이 효소에 결합하면 fraction bound가 올라갈 수 있습니다. 그 결과 효소 rate가 낮아지고, 특정 대사경로의 flux가 줄 수 있습니다. 대사체가 쌓이면 Q가 바뀌어 실제 ΔG도 변할 수 있습니다. pH가 바뀌면 효소의 Km, Vmax, Kd가 함께 흔들릴 수 있습니다.

간단한 숫자 예시를 보겠습니다. 어떤 리간드가 [L]=Kd 농도로 존재하면 fraction bound는 0.5입니다. 이 결합이 효소 활성을 절반으로 줄인다면, 대사경로의 한 병목 단계 rate도 줄 수 있습니다. 그러면 앞쪽 대사체 농도는 증가하고 뒤쪽 산물은 감소할 수 있습니다. 이때 농도 변화만 보고 “유전자가 원인”이라고 바로 말하면 과잉해석입니다.

생물정보학에서는 이 연결을 데이터로 봅니다. RNA-seq은 효소 유전자 발현을, proteomics는 단백질 양을, metabolomics는 대사체 농도를, 약물 스크리닝은 결합과 억제 효과를 보여 줍니다. 네트워크 관점은 이 데이터를 한 줄짜리 결론으로 줄이지 않고, 어떤 층위의 증거인지 구분하게 해 줍니다.

흔한 오해는 네트워크 그림의 화살표를 모두 직접 원인으로 보는 것입니다. 어떤 엣지는 직접 결합이고, 어떤 엣지는 조절 관계이며, 어떤 엣지는 상관관계나 문헌 기반 연결입니다. 따라서 네트워크 분석에서는 노드와 엣지의 생물학적 의미, 데이터 출처, 실험 조건을 함께 확인해야 합니다.

핵심 정리

생화학 네트워크는 세포 안 분자와 반응을 연결망으로 보는 관점입니다. 경로는 여러 분자 사건이 이어진 흐름이고, 대사경로는 물질 변환, 신호전달경로는 정보 전달에 초점을 둡니다. 되먹임은 세포의 자동 조절 구조이고, 교차대화는 서로 다른 경로가 영향을 주고받는 현상입니다. 경로 풍부도 분석은 유전자 목록에 생물학적 의미를 붙이는 방법이며, 네트워크 관점은 계산생물학과 다중오믹스 해석의 핵심입니다.