멘델 무작위화(Mendelian Randomization) 입문: 관찰연구의 인과추론

관찰연구에서 “A가 B를 일으킨다”고 말하기 어려운 이유는 잘 알려져 있다. 교란(confounding)과 역인과(reverse causation)를 완전히 배제할 수 없기 때문이다. 멘델 무작위화(Mendelian randomization, MR)는 이 문제를 유전변이를 도구변수(instrumental variable)로 사용해 우회하려는 방법이다. 2003년 Davey Smith와 Ebrahim이 International Journal of Epidemiology에 발표한 논문이 이 접근을 역학 연구의 방법론으로 정식화했고, 그 핵심 논거는 부모에서 자녀로 대립유전자가 무작위로 배분되는 감수분열 과정이 일종의 자연 발생 무작위배정처럼 작동한다는 것이었다.^[1] 이후 GWAS 요약통계가 공개 데이터로 대량 축적되면서 개인 수준 데이터 없이도 MR 분석이 가능해졌고, 국내 연구자들의 투고도 빠르게 늘고 있다. 문제는 MR이 “돌리면 인과관계가 나오는 도구”가 아니라, 검증하기 까다로운 세 가지 가정 위에 서 있는 설계라는 점이다. 이 글은 MR의 세 가지 도구변수 가정, 2-표본 MR의 실제 절차, 표준 민감도 분석이 각각 무엇을 잡아내는지, 그리고 STROBE-MR 보고 기준까지를 방법론 원저 문헌을 근거로 정리한다.

멘델 무작위화란 무엇인가

무작위대조시험(RCT)이 인과추론의 기준으로 여겨지는 이유는 무작위배정이 측정된 교란변수뿐 아니라 측정되지 않은 교란변수까지 두 군에 고르게 흩어 놓기 때문이다. 관찰연구에서는 이 장치가 없으므로, 통계적으로 보정한 뒤에도 잔여 교란(residual confounding)이 남는다. Davey Smith와 Ebrahim은 유전형이 배우자 형성 시점에 무작위로 배분되며 이후의 생활습관·사회경제적 요인에 의해 바뀌지 않는다는 점에 주목해, 유전변이를 관심 노출의 대리 지표로 사용하면 교란과 역인과를 상당 부분 피할 수 있다고 주장했다.^[1]

Lawlor 등은 이를 계량경제학의 도구변수(IV) 추정 틀 안에 명시적으로 위치시켰다. 유전변이 G가 노출 X의 도구변수 역할을 하고, G가 결과 Y에 미치는 영향이 오직 X를 경유해서만 발생한다면, G–Y 연관성을 G–X 연관성으로 나누어 X가 Y에 미치는 인과효과를 추정할 수 있다는 것이다.^[3] 최근 Nature Reviews Methods Primers에 실린 개괄 논문은 MR을 “수정 가능한 노출이 서로 다른 결과에 어떻게 영향을 미치는지에 대한 인과적 질문을 다루기 위해 유전적 변이를 사용하는 것”으로 정의하며, 멘델의 유전 법칙과 도구변수 추정법이 그 두 축임을 명시한다.^[2]

세 가지 도구변수 가정

MR 결과를 읽을 때 가장 먼저 확인해야 하는 것은 통계값이 아니라 세 가지 가정의 충족 근거다. Davies 등이 BMJ에 발표한 임상의용 MR 해설 논문은 이 세 가정을 임상 독자가 확인할 수 있는 형태로 정리하고 있다.^[4]

1. 관련성(Relevance)

도구변수로 사용하는 유전변이가 관심 노출과 실제로, 그리고 충분히 강하게 연관돼 있어야 한다. 이는 세 가정 중 유일하게 데이터로 직접 검증할 수 있는 조건이다. 연관이 약한 도구변수를 쓰면 이른바 약한 도구변수 편향(weak instrument bias)이 생기는데, Burgess와 Thompson은 이 편향의 크기와 방향을 체계적으로 분석하고 F 통계량을 이용한 진단을 제시했다.^[14] 실무에서는 GWAS 유의수준(통상 p<5×10⁻⁸)을 통과하고, 연관불평형(linkage disequilibrium)에 따라 clumping을 거친 독립 변이를 사용한다.

2. 독립성(Independence)

도구변수가 노출–결과 관계의 교란변수와 연관되어 있지 않아야 한다. 인구 층화(population stratification), 즉 조상 집단 구성의 차이가 유전형과 결과 모두에 영향을 주는 상황이 대표적 위반 사례다. 이 가정은 원리적으로 증명 불가능하므로, 동일 조상 집단 내에서 분석하고 주성분으로 보정된 GWAS를 사용하는 등 설계로 방어할 수밖에 없다.^[4]

3. 배제제약(Exclusion restriction)

도구변수가 결과에 영향을 미치는 경로가 오직 관심 노출을 경유하는 것뿐이어야 한다. 이 가정이 깨지는 대표적 경로가 수평적 다면발현(horizontal pleiotropy) — 하나의 유전변이가 노출과 무관한 다른 경로를 통해서도 결과에 영향을 미치는 현상이다. MR 논문에서 민감도 분석이 필수로 요구되는 이유가 바로 여기에 있다.^[6]

2-표본 MR: 공개 GWAS 요약통계를 쓰는 방법

초기 MR 연구는 노출·유전형·결과를 모두 측정한 단일 코호트를 필요로 했다. 그러나 Burgess 등이 2013년에 정리한 요약통계 기반 방법론이 확산되면서, 이제는 노출에 대한 GWAS와 결과에 대한 GWAS가 서로 다른 표본에서 수행됐더라도 각각의 회귀계수와 표준오차만 있으면 인과효과를 추정할 수 있게 됐다.^[5] 이것이 2-표본 MR(two-sample MR)이며, 오늘날 발표되는 MR 논문의 대다수가 이 방식이다.

실무 흐름은 대체로 다음과 같다. 첫째, 노출 GWAS에서 유전체 전역 유의수준을 통과한 SNP를 선별하고 LD clumping으로 독립 변이만 남긴다. 둘째, 같은 SNP의 결과 GWAS 계수를 추출한다. 셋째, 두 GWAS 간 효과 대립유전자(effect allele)의 방향을 일치시키는 harmonization을 수행한다. 넷째, 역분산가중(inverse-variance weighted, IVW) 추정치를 주분석으로 산출하고, 민감도 분석을 병행한다. Hemani 등이 개발한 MR-Base 플랫폼과 TwoSampleMR R 패키지는 이 전 과정을 표준화된 형태로 제공하며, 큐레이션된 GWAS 요약통계 저장소와 연동된다.^[13]

다만 2-표본 설계에는 고유한 제약이 있다. 두 표본의 조상 집단이 서로 달라서는 안 되고, 두 표본이 겹칠 경우(sample overlap) 약한 도구변수 편향이 관찰연구 방향으로 되돌아올 수 있다. Burgess 등이 발표한 MR 수행 가이드라인은 이런 실무 쟁점을 데이터 출처 선택, 변이 선정, harmonization, 주분석, 민감도 분석, 결과 해석 등의 절로 나누어 다루고 있어, 연구 설계 단계에서 통독할 가치가 있다.^[12]

민감도 분석: 각 방법이 무엇을 잡아내는가

MR 논문에서 심사자가 가장 집요하게 확인하는 지점이 민감도 분석이다. 중요한 것은 “여러 방법을 다 돌렸다”는 사실이 아니라, 각 방법이 어떤 가정을 완화하며 그래서 무엇을 검출할 수 있는지를 저자가 이해하고 있는지다. 아래 표는 대표적인 MR 추정법을 이 관점에서 정리한 것이다.

표에서 확인할 수 있듯 이 방법들은 서로를 대체하지 않는다. Bowden 등은 MR-Egger를 제안하면서 이 방법이 모든 유전변이가 무효 도구변수인 상황에서도 인과효과 추정과 편향 검출을 가능하게 한다고 설명했고^[6], 같은 연구진이 이듬해 발표한 weighted median 추정량은 “가중치 기준으로 최소 절반의 정보가 타당한 도구변수에서 나온다면” 일치추정이 가능하다는 전혀 다른 조건 위에 서 있다.^[7] 두 방법의 추정치가 IVW와 방향·크기 면에서 대체로 일치할 때 비로소 결론이 강건하다고 말할 수 있는 이유가 여기에 있다.

Burgess와 Thompson은 MR-Egger 결과를 해석할 때 흔한 오해를 지적한다. MR-Egger는 (1) 방향성 다면발현 검정, (2) 인과효과 검정, (3) 인과효과 추정이라는 세 부분으로 구성되며, 이 셋은 서로 다른 질문에 답한다는 점이다.^[9] 절편이 유의하지 않다는 사실만으로 “다면발현이 없다”고 결론짓는 것은 검정력이 낮은 검정에서 귀무가설을 채택한 것에 지나지 않는다.

수평적 다면발현은 예외가 아니라 기본값이다

Verbanck 등이 MR-PRESSO를 발표하며 제시한 핵심 메시지는 방법 자체가 아니라 그 진단 결과였다. 이들은 “MR에서 변이가 노출에 대한 효과와 별개로 질병에 영향을 미칠 때 수평적 다면발현이 발생하며, ‘수평적 다면발현 없음’ 가정의 위반은 MR에 심각한 편향을 일으킬 수 있다”고 전제한 뒤, 복합형질과 질병 사이의 MR로 추론된 인과관계에서 수평적 다면발현이 광범위하게 나타난다는 것을 보고했다.^[8] 즉 다면발현은 운이 나쁠 때 생기는 예외가 아니라, 다중 변이를 쓰는 MR에서 기본적으로 존재한다고 가정하고 대응해야 할 조건이다.

실무적으로 이는 몇 가지를 의미한다. 첫째, IVW 단독 결과만 보고한 MR 원고는 방법론적으로 불완전하다. 둘째, 민감도 분석 결과가 주분석과 어긋날 때 그 불일치를 숨기지 말고 논의(Discussion)에서 정면으로 다뤄야 한다. 셋째, 도구변수로 쓴 SNP가 어떤 다른 형질과 연관돼 있는지를 PhenoScanner류의 형질 검색이나 선행 GWAS로 점검하고, 그 결과를 보고하는 것이 좋다. Burgess 등의 가이드라인은 이러한 절차를 “보완적·민감도 분석” 항목에서 다루고 있다.^[12]

STROBE-MR: 무엇을 반드시 보고해야 하는가

2021년 10월 JAMA에 발표된 STROBE-MR 성명은 기존 STROBE 보고 기준의 MR 확장판으로, EQUATOR 프레임워크 지침을 따라 개발됐다. 2018년 도구변수·MR 연구의 보고 실태 문헌 검토로 시작해, 2019년 5월 MR 방법론자·MR 연구 사용자·기존 보고 기준 개발자·저널 편집자 17명이 참여한 워크숍에서 범위를 확정했다.^[10] 같은 날 BMJ에 발표된 해설·상술(explanation and elaboration) 논문은 STROBE-MR 체크리스트의 20개 항목 각각에 대해 의미와 근거를 설명하고, 항목별로 투명한 보고의 실제 사례를 제시한다.^[11]

국내 연구자가 특히 놓치기 쉬운 지점은 다음과 같다. 사용한 GWAS 요약통계의 출처와 표본 특성(조상 집단, 표본 크기, 보정 변수)을 명시했는가. 도구변수 선정 기준(유의수준, clumping 파라미터, 참조 패널)을 재현 가능한 수준으로 기술했는가. 노출 GWAS와 결과 GWAS 사이에 표본 중복이 있는지를 확인하고 보고했는가. 그리고 세 가지 IV 가정 각각에 대해 어떤 근거로 충족을 주장하는지를 서술했는가. STROBE-MR 체크리스트는 이런 항목들을 빠뜨리지 않도록 설계된 도구이므로, 원고 작성 전이 아니라 연구 설계 단계에서 먼저 펼쳐 보는 편이 낫다.

MR로 답할 수 있는 질문과 그렇지 않은 질문

MR은 만능이 아니다. 유전변이가 대리하는 것은 일반적으로 “평생에 걸친 노출 수준의 차이”이므로, MR 추정치는 특정 시점에 개입했을 때의 효과 크기와 같지 않다. Lawlor 등이 강조하듯 MR 추정치는 통상 노출의 장기적·누적적 효과를 반영하며, 이는 임상시험이 추정하는 단기 개입 효과와 해석 단위가 다르다.^[3] 또한 노출을 강하게 예측하는 유전변이가 존재하지 않는 형질(예: 대부분의 사회적·행동적 개입)에는 MR을 적용할 수 없다.

반대로 MR이 잘 맞는 상황도 분명하다. 관찰연구에서 일관되게 나타나지만 RCT를 수행하기 어렵거나 비윤리적인 노출, 역인과가 강하게 의심되는 관계, 그리고 이미 대규모 GWAS 요약통계가 공개되어 있는 생체지표(bio-marker)와 질병의 관계가 대표적이다. Davies 등이 정리한 체크리스트는 임상 독자가 개별 MR 논문을 읽을 때 이런 적합성을 판단하는 기준으로 쓸 수 있다.^[4]

투고 전 체크리스트

• 세 가지 IV 가정(관련성·독립성·배제제약) 각각에 대해 충족 근거를 본문에서 명시적으로 서술했는가 — “가정을 만족한다고 가정했다”는 문장만 남아 있지 않은가
• 도구변수 선정 절차(유의수준, LD clumping r² 및 거리, 참조 패널, 최종 SNP 수)를 재현 가능한 수준으로 기술했는가
• 도구변수의 강도를 F 통계량으로 보고했는가^[14]
• 노출 GWAS와 결과 GWAS의 조상 집단이 일치하는지, 표본 중복이 있는지를 확인하고 보고했는가
• IVW 외에 최소한 MR-Egger와 weighted median을 함께 보고하고, 세 결과의 방향과 크기가 일치하는지를 논의했는가^[6][7]
• MR-Egger 절편 검정 결과를 “다면발현 없음의 증거”가 아니라 검정력의 한계와 함께 해석했는가^[9]
• 이질성 지표(Cochran’s Q 등)와 leave-one-out 분석을 수행했는가
• STROBE-MR 20개 항목 체크리스트를 원고에 대조해 보고, 보충자료로 첨부했는가^[10][11]
• 사용한 GWAS 요약통계의 출처(컨소시엄, 접근 URL, 다운로드 시점)와 분석 코드의 공개 여부를 명시했는가
• MR 추정치가 “평생 노출 수준 차이”의 효과임을 논의에서 명확히 구분했는가^[3]

MR 설계·분석 지원이 필요한 순간

MR 분석 자체는 R 패키지로 어렵지 않게 돌아간다. 실제로 시간이 걸리는 부분은 그 앞뒤다. 어떤 노출–결과 쌍이 MR로 답할 수 있는 질문인지 판단하는 일, 적합한 GWAS 요약통계를 찾아 조상 집단과 표본 중복을 확인하는 일, 민감도 분석 결과가 엇갈릴 때 이를 논문에서 어떻게 서술할지 정하는 일, 그리고 STROBE-MR 항목을 원고에 빠짐없이 반영하는 일이다.

데이터 접근 승인, IRB 심의, 이용료는 연구자 본인의 책임이며 데이터베이스마다 조건이 다릅니다. Editverse는 신청 준비와 분석을 지원할 뿐 데이터 자체를 제공하지 않으며, 게재 여부는 편집자와 심사위원이 결정하므로 보장하지 않습니다.

마무리

멘델 무작위화는 관찰연구의 인과추론을 한 단계 밀어 올린 방법이지만, 그 힘은 세 가지 가정에서 나오고 약점도 같은 곳에서 나온다. 관련성은 데이터로 확인할 수 있지만 독립성과 배제제약은 끝내 증명할 수 없고, 수평적 다면발현은 예외가 아니라 기본값에 가깝다.^[8] 그래서 좋은 MR 논문과 그렇지 않은 논문을 가르는 것은 p값이 아니라, 가정을 어떻게 방어했고 민감도 분석의 불일치를 어떻게 다뤘는지에 대한 서술의 정직함이다. STROBE-MR 20개 항목을 원고 작성 전 설계 단계에서 미리 펼쳐 두면, 심사 단계에서 뒤늦게 되돌아가야 하는 상황을 줄일 수 있다.^[11]

같은 공개 데이터를 쓰더라도 국내 청구자료·조사자료 기반 연구는 접근 경로와 한계가 전혀 다르다. 국내 데이터베이스별 특성과 신청 방법은 국내 보건의료 빅데이터로 논문 쓰기: NHIS·HIRA·KNHANES 비교에서, 후향적 코호트 설계에서 반복적으로 문제가 되는 편향과 STROBE 보고 기준은 후향적 코호트 연구 설계: 교란변수와 STROBE 보고에서 이어서 다룬다. 분석 설계 단계에서 표본 크기를 어떻게 정당화할지가 고민이라면 표본 크기(Sample Size) 계산 완벽 가이드를, 투고 직전 점검이 필요하다면 데스크 리젝트 피하는 법: 투고 전 체크리스트 10가지를 참고하면 도움이 된다.

---

참고문헌

1. Davey Smith G, Ebrahim S. ‘Mendelian randomization’: can genetic epidemiology contribute to understanding environmental determinants of disease? Int J Epidemiol. 2003;32(1):1-22. PMID: 12689998. DOI: 10.1093/ije/dyg070
2. Sanderson E, Glymour MM, Holmes MV, et al. Mendelian randomization. Nat Rev Methods Primers. 2022;2(1). PMID: 37325194. DOI: 10.1038/s43586-021-00092-5
3. Lawlor DA, Harbord RM, Sterne JAC, Timpson N, Davey Smith G. Mendelian randomization: using genes as instruments for making causal inferences in epidemiology. Stat Med. 2008;27(8):1133-1163. PMID: 17886233. DOI: 10.1002/sim.3034
4. Davies NM, Holmes MV, Davey Smith G. Reading Mendelian randomisation studies: a guide, glossary, and checklist for clinicians. BMJ. 2018;362:k601. PMID: 30002074. DOI: 10.1136/bmj.k601
5. Burgess S, Butterworth A, Thompson SG. Mendelian randomization analysis with multiple genetic variants using summarized data. Genet Epidemiol. 2013;37(7):658-665. PMID: 24114802. DOI: 10.1002/gepi.21758
6. Bowden J, Davey Smith G, Burgess S. Mendelian randomization with invalid instruments: effect estimation and bias detection through Egger regression. Int J Epidemiol. 2015;44(2):512-525. PMID: 26050253. DOI: 10.1093/ije/dyv080
7. Bowden J, Davey Smith G, Haycock PC, Burgess S. Consistent estimation in Mendelian randomization with some invalid instruments using a weighted median estimator. Genet Epidemiol. 2016;40(4):304-314. PMID: 27061298. DOI: 10.1002/gepi.21965
8. Verbanck M, Chen CY, Neale B, Do R. Detection of widespread horizontal pleiotropy in causal relationships inferred from Mendelian randomization between complex traits and diseases. Nat Genet. 2018;50(5):693-698. PMID: 29686387. DOI: 10.1038/s41588-018-0099-7
9. Burgess S, Thompson SG. Interpreting findings from Mendelian randomization using the MR-Egger method. Eur J Epidemiol. 2017;32(5):377-389. PMID: 28527048. DOI: 10.1007/s10654-017-0255-x
10. Skrivankova VW, Richmond RC, Woolf BAR, et al. Strengthening the Reporting of Observational Studies in Epidemiology Using Mendelian Randomization: The STROBE-MR Statement. JAMA. 2021;326(16):1614-1621. PMID: 34698778. DOI: 10.1001/jama.2021.18236
11. Skrivankova VW, Richmond RC, Woolf BAR, et al. Strengthening the reporting of observational studies in epidemiology using mendelian randomisation (STROBE-MR): explanation and elaboration. BMJ. 2021;375:n2233. PMID: 34702754. DOI: 10.1136/bmj.n2233
12. Burgess S, Davey Smith G, Davies NM, et al. Guidelines for performing Mendelian randomization investigations: update for summer 2023. Wellcome Open Res. 2023;4:186. PMID: 32760811. DOI: 10.12688/wellcomeopenres.15555.3
13. Hemani G, Zheng J, Elsworth B, et al. The MR-Base platform supports systematic causal inference across the human phenome. eLife. 2018;7:e34408. PMID: 29846171. DOI: 10.7554/eLife.34408
14. Burgess S, Thompson SG. Avoiding bias from weak instruments in Mendelian randomization studies. Int J Epidemiol. 2011;40(3):755-764. DOI: 10.1093/ije/dyr036
15. Bowden J, Del Greco M F, Minelli C, Davey Smith G, Sheehan NA, Thompson JR. Assessing the suitability of summary data for two-sample Mendelian randomization analyses using MR-Egger regression: the role of the I² statistic. Int J Epidemiol. 2016;45(6):1961. DOI: 10.1093/ije/dyw220