RGxEStat을 이용한 유전자-환경 상호작용의 유의성 및 안정성 분석

작물의 수확량이나 질병 저항성은 유전적 요인뿐만 아니라 재배 환경과의 상호작용에 의해 결정되는데, 이를 분석하기 위해서는 복잡한 통계 프로그래밍 기술이 필요했다. 이 논문은 비전문가도 혼합 효과 모델과 안정성 분석을 수행할 수 있는 대화형 도구인 RGxEStat을 제공하여 육종 연구 주기를 단축시킨다.

작물의 형질은 유전 정보(Genotype)와 환경(Environment)의 단순 합이 아니라, 특정 환경에서 특정 유전자가 어떻게 발현되는지 결정되는 상호작용(GxE)에 의해 결정된다. 기존의 분산 분석(ANOVA)은 환경 간 분산의 균일성을 가정해야 하는 한계가 있어, 다양한 환경에서 유전자의 반응을 정확히 예측하기 어렵다.

이 논문은 혼합 효과 모델(Mixed Effect Model)을 도입하여 유전자와 환경 요인을 고정 또는 랜덤 변수로 처리함으로써 데이터의 복잡한 구조를 반영한다. 특히 고차원 데이터를 저차원으로 축소하는 PCA(주성분 분석)와 SVD(특이값 분해)를 결합하여, 수많은 유전자와 환경 간의 관계를 2차원 평면(Biplot) 위에 시각화한다.

결과적으로 연구자는 복잡한 수식 대신 시각화된 그래프를 통해 어떤 유전자가 특정 지역에서 가장 높은 수확량을 내는지, 혹은 모든 환경에서 고르게 안정적인 성능을 보이는지를 직관적으로 판단할 수 있게 된다.

전체 분석 체계는 유의성 분석과 안정성 분석의 두 단계로 구성된다. 첫 단계에서는 lme4 패키지의 lmer 함수를 사용하여 혼합 효과 모델을 적합시킨다. 유전자(CLT), 위치(LC), 연도(YR), 반복(RP)을 요인으로 설정하며, 연구 목적에 따라 각 요인을 고정 효과 또는 랜덤 효과로 정의한다.

랜덤 효과의 유의성을 검정하기 위해 우도비 검정(Likelihood Ratio Test)을 수행한다. [특정 요인이 포함된 모델과 제외된 모델의 로그 우도값 차이를 입력으로] → [Wilk의 정리에 따라 -2 * 로그 우도비를 계산하여] → [카이제곱 분포를 따르는 p-값을 얻고] → [해당 요인이 형질 변동에 통계적으로 유의미한 영향을 주는지 판단한다].

안정성 분석에서는 AMMI(Additive Main Effect and Multiplicative Interaction) 모델을 사용한다. [ANOVA를 통해 계산된 가법적 주효과를 제외한 잔차 행렬을 입력으로] → [SVD를 수행하여 상호작용 주성분(IPC)을 추출하고] → [유전자와 환경의 점수를 계산하여] → [두 점수의 곱이 전체 평균 대비 상호작용의 크기와 방향을 나타내도록 한다].

수박 육종 데이터(10개 품종, 5개 지역, 2년) 분석 결과, 유전자(CLT)와 위치(LC) 요인이 수확량에 유의미한 영향을 미치는 것으로 나타났다(p < 0.05). 반면 연도(YR)와 유전자-연도 상호작용은 유의하지 않아 모델 최적화의 근거를 제공했다.

단일 유전자 안정성 분석 결과, CalhounGray, FiestaF1 등의 품종은 환경 변화에 대한 민감도를 나타내는 회귀 계수가 1에 가깝고 편차가 작아 안정적인 유전자형으로 분류되었다. 반면 SugarBaby는 회귀 계수가 0.498로 낮아 환경 변화에 대한 저항성은 높지만 특정 환경 적응력은 떨어짐이 확인됐다.

GGE Biplot 분석을 통해 특정 환경(FL, TX 등)에서 최고의 성능을 내는 'Winning Variety'를 시각적으로 식별했다. 예를 들어 Gen3 품종은 FL, TX, CL 환경을 포함하는 섹션의 정점에 위치하여 해당 지역들에 가장 적합한 품종임이 증명되었다.

RGxEStat은 R의 lme4, afex, agricolae, GGEBiplotGUI 패키지를 통합하여 구현되었다. 혼합 효과 모델의 고정 효과 유의성 검정에는 Kenward-Roger 근사법을 사용하여 소규모 샘플에서의 편향을 줄였다. 랜덤 효과의 예측에는 BLUP(Best Linear Unbiased Prediction)을 사용하여 개별 유전자형의 성능을 추정한다.

다중 유전자 분석의 핵심인 GGE 모델은 유전자 주효과(G)와 유전자-환경 상호작용(GE)을 합쳐서 SVD를 수행한다. 이는 AMMI가 환경 주효과를 먼저 제거하는 것과 차이가 있으며, 육종가 입장에서 환경 자체의 변동보다는 유전자의 상대적 순위와 안정성을 동시에 평가하는 데 더 유리한 구조를 가진다.

시각화 측면에서는 PCA의 제1주성분(PC1)을 수확량(Performance)으로, 제2주성분(PC2)을 안정성(Stability)으로 해석하는 AEC(Average Environment Coordination) 기법을 적용하여 연구자의 의사결정을 돕는다.

현재 RGxEStat은 선형 통계 모델에 주로 의존하고 있어, 고차원 비선형 데이터나 복잡한 상호작용 성분을 분석하는 데 한계가 있을 수 있다. 또한 여러 형질(Multi-trait)을 동시에 고려하여 최적의 유전자를 선발하는 기능은 아직 구현되지 않았다.