[논문 리뷰] On the genetic architecture of intelligence and other quantitative traits

Stephen Hsu|arXiv (Cornell University)|2014. 08. 14.

Genetic Associations and Epidemiology참고 문헌 3인용 수 3

한 줄 요약

이 논문은 지능 및 키와 같은 정량적 형질의 유전적 구조를 조사하며, 일반적이고 희귀한 유전자 변이(주로 영향이 부정적인 약 10,000개의 중간 빈도의 변이)가 정상 인구의 변이에 기여한다고 제안한다. 압축 감지와 L1-벌점 회귀를 사용하여, g(일般 지능 요인)를 유전자형으로 예측하기 위해 통계적 검정력을 확보하기 위해 유전적 원인의 위치 수의 약 100배, 즉 약 100만 명의 표본 크기가 필요하다고 추정한다.

ABSTRACT

How do genes affect cognitive ability or other human quantitative traits such as height or disease risk? Progress on this challenging question is likely to be significant in the near future. I begin with a brief review of psychometric measurements of intelligence, introducing the idea of a "general factor" or g score. The main results concern the stability, validity (predictive power), and heritability of adult g. The largest component of genetic variance for both height and intelligence is additive (linear), leading to important simplifications in predictive modeling and statistical estimation. Due mainly to the rapidly decreasing cost of genotyping, it is possible that within the coming decade researchers will identify loci which account for a significant fraction of total g variation. In the case of height analogous efforts are well under way. I describe some unpublished results concerning the genetic architecture of height and cognitive ability, which suggest that roughly 10k moderately rare causal variants of mostly negative effect are responsible for normal population variation. Using results from Compressed Sensing (L1-penalized regression), I estimate the statistical power required to characterize both linear and nonlinear models for quantitative traits. The main unknown parameter s (sparsity) is the number of loci which account for the bulk of the genetic variation. The required sample size is of order 100s, or roughly a million in the case of cognitive ability.

연구 동기 및 목표

• 지능, 키, 질병 위험 등 복잡한 인간 형질의 유전 기반을 이해하고, 다유전자 구조에 초점을 맞춘다.
• 신규 유전체 기술의 발전을 바탕으로 유전자형으로부터 인지 능력을 예측할 수 있는지의 가능성을 평가한다.
• 지능 및 키와 같은 정량적 형질의 유전적 위치를 특정하고 모델링하기 위해 필요한 표본 크기를 추정한다.
• 유전적 분산의 덧셈 효과와 비선형 모델이 형질 변이를 설명하는 데 기여하는 정도를 평가한다.
• 유전체 예측이 배아 선택, 인지 능력 향상, 공중보건 분야에 미치는 영향을 탐색한다.

제안 방법

• 고차원 유전체 데이터를 모델링하고 유전적 원인의 위치 수를 추정하기 위해 압축 감지(즉, L1-벌점 회귀)를 사용한다.
• 유전적 변이의 신뢰성 있는 탐지에 필요한 최소 표본 크기를 결정하기 위해 통계적 추정 기법을 적용한다.
• 쌍둥이 및 입양 연구 자료를 분석하여 g(지능의 일반 요인)의 유전성 수준을 추정한다.
• 많은 수의 중간 빈도의 변이가 소규모에서 중간 정도의 영향을 미친다고 가정하여 유전적 구조를 모델링한다.
• 유의미한 탐지에 효과적으로 기여하기 위해 표본 크기가 유전적 원인의 위치 수(s)의 약 100배로 증가해야 한다고 추정한다.
• SNP 유전자형 분석 및 전장 유전체 염기서열 분석 데이터를 활용하며, 각각의 비용이 빠르게 감소하여 현재 약 100달러 및 약 1,000달러 수준에 이르렀다.

실험 결과

연구 질문

• RQ1 지능의 유전적 구조는 어떠한가? 일반 요인 g의 변이에 기여하는 유전자 위치는 몇 개인가?
• RQ2 인지 능력과 키의 변이의 상당 부분을 설명하기 위해 얼마나 많은 유전자 변이가 필요한가?
• RQ3 복잡한 정량적 형질의 유전적 변이를 신뢰성 있게 탐지하고 모델링하기 위해 필요한 표본 크기는 얼마인가?
• RQ4 지능과 키의 유전적 분산에서 덧셈 효과가 어느 정도의 비중을 차지하는가? 이는 예측 모델링을 단순화하는가?
• RQ5 압축 감지 기법이 고차원 유전체 데이터에서 다유전자 형질의 유전 기반을 효과적으로 복원할 수 있는가?

주요 결과

• 지능과 키의 가장 큰 유전적 분산 성분은 덧셈 효과이며, 이는 예측 모델링과 통계적 추정을 단순화한다.
• 지능과 키의 유전적 구조는 대략 10,000개의 중간 빈도의 유전적 원인 변이에 의해 결정되며, 대부분이 형질 변이에 부정적인 영향을 미친다.
• 유전적 원인의 위치를 탐지하기 위한 표본 크기 요구 조건은 유전적 원인의 위치 수(s)의 약 100배로 증가하며, 이는 지능의 유전 기반을 규명하기 위해 약 100만 명의 인구가 필요하다는 것을 의미한다.
• 유전자형 분석 비용이 급격히 감소하고 있어, 향후 10년 내에 g의 변이에 기여하는 주요 유전자 위치를 특정하는 것이 가능해질 것으로 예상된다.
• 쌍둥이 및 입양 연구를 바탕으로 g의 유전성은 50–80%로 추정되며, 교육 수준, 소득, 수명과 같은 결과에 강력한 예측력을 가진다.
• 결과적으로, 다유전자 점수를 기반으로 한 배아 선택이 단기간 내에 기술적으로 가능해지고 윤리적으로 중요한 영향을 미칠 수 있음을 시사한다.