WO2019054737A1 - 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법 - Google Patents

비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법 Download PDF

Info

Publication number
WO2019054737A1
WO2019054737A1 PCT/KR2018/010665 KR2018010665W WO2019054737A1 WO 2019054737 A1 WO2019054737 A1 WO 2019054737A1 KR 2018010665 W KR2018010665 W KR 2018010665W WO 2019054737 A1 WO2019054737 A1 WO 2019054737A1
Authority
WO
WIPO (PCT)
Prior art keywords
change
body fat
risk score
amount
fat
Prior art date
Application number
PCT/KR2018/010665
Other languages
English (en)
French (fr)
Inventor
박웅양
차소연
김진호
Original Assignee
지니너스 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 지니너스 주식회사 filed Critical 지니너스 주식회사
Publication of WO2019054737A1 publication Critical patent/WO2019054737A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
    • G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
    • G16B20/20—Allele or variant detection, e.g. single nucleotide polymorphism [SNP] detection
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • Embodiments of the present invention relate to a personalized body fat management method using genetic information associated with obesity.
  • Embodiments of the present invention provide a personalized body fat management method using genetic information related to obesity.
  • An embodiment of the present invention is a method for estimating a change in body fat according to an interaction between an environmental factor for each individual belonging to a cohort and a genetic factor related to obesity to determine a plurality of significant Selecting a single nucleotide polymorphism and determining the number of risk alleles for each of the plurality of important single nucleotide polymorphisms possessed by each individual and the number of risk factors for each of the plurality of important single nucleotide polymorphisms
  • GRS gene risk score distribution model
  • the personalized body fat managing method using the genetic information related to obesity it is possible to perform a simple gene analysis on an individual, You can customize your exercise plan.
  • FIG. 1 is a conceptual diagram illustrating a series of steps for deriving a genetic risk score distribution model using a personalized body fat management method using genetic information related to obesity according to an embodiment of the present invention.
  • FIG. 2 is a diagram schematically showing a step of calculating a genetic risk score of each individual.
  • FIG. 3 is a graph specifically showing a carbohydrate-related gene risk distribution model, a fat-related gene risk distribution model, a total calorie-related gene risk distribution model, and an exercise-related gene risk distribution model.
  • FIG. 4 is a diagram schematically showing a state in which a calculated gene risk score for a specific patient is compared with a gene risk score distribution model.
  • An embodiment of the present invention is a method for estimating a change in body fat according to an interaction between an environmental factor for each individual belonging to a cohort and a genetic factor related to obesity to determine a plurality of significant Selecting a single nucleotide polymorphism and determining the number of risk alleles for each of the plurality of important single nucleotide polymorphisms possessed by each individual and the number of risk factors for each of the plurality of important single nucleotide polymorphisms
  • GRS gene risk score distribution model
  • environmental factors include at least one of a change in carbohydrate intake, a change in fat intake, a change in total calorie intake, and the onset of exercise, wherein a plurality of important single base polymorphisms are associated with a carbohydrate- Related gene polymorphisms, significant fat-related monobasic polymorphisms, significant calorie-related significant monobasic polymorphisms, and exercise-related significant monobasic polymorphisms.
  • the genetic risk score includes the carbohydrate-related gene risk score, A total calorie-related gene risk score, and an exercise-related gene risk score.
  • the gene risk score distribution model includes a carbohydrate-related gene risk distribution model, a fat-related gene risk distribution model, a total calorie- One or more of the associated gene risk distribution models It can be included.
  • the genetic factor SNP i can be selected as a significant fat-related single nucleotide polymorphism when the P-value (P-value) of the fat factor ⁇ F measured by [
  • the age of each individual of the cohort is defined as a
  • the gender is defined as g
  • the genetic factor as SNP i (i is a natural number)
  • the P value of the total calorie coefficient ⁇ TC measured through [Equation 2] (P-value) is less than 0.05
  • the genetic factor SNP i can be selected as the total calorie-related significant single nucleotide polymorphism.
  • the genetic factor SNP i (i is a natural number)
  • the body fat change amount? 3] ⁇ BF * a + g + ⁇ E ⁇ SNP i
  • the genetic factor SNP i May be selected as important exercise-related single nucleotide polymorphisms.
  • the change in body fat of a particular patient means that the change in carbohydrate intake of a particular patient is sensitive
  • Related gene risk score belongs to the lowest level in the carbohydrate-related gene risk score distribution model, the change in body fat in a particular patient may be insensitive to changes in the carbohydrate intake of a particular patient.
  • the change in body fat of a specific patient means that it is sensitive to a change in the fat intake of a particular patient
  • Related gene risk score belongs to the lowest level in the fat-related gene risk score distribution model
  • the change in body fat in a particular patient may be insensitive to changes in the fat intake of a particular patient.
  • the amount of change in body fat of the particular patient is sensitive to the change in the total caloric intake of the particular patient If the total calorie-related gene risk score for a particular patient is at the bottom of the total calorie-related gene risk score distribution model, the change in body fat in a particular patient may be insensitive to changes in the total caloric intake of a particular patient have.
  • the amount of body fat change in a particular patient is sensitive to a change in exercise initiation of a particular patient, If the patient's exercise-related gene risk score belongs to the lowest level of the exercise-related gene risk score distribution model, the amount of body fat change in a particular patient may be insensitive to changes in the onset of a particular patient.
  • the number of risk alleles is zero for homozygous non-risk alleles for a significant single nucleotide polymorphism, 1 for heterozygous alleles, In the case of a homozygous of the risk alleles, 2 is defined, and if the interaction between the environmental factor and each of the plurality of important single nucleotide polymorphisms has a positive effect on the amount of change in body fat, , The genetic risk score can be calculated by defining the negative effect of the environmental factor and the interaction of each of the plurality of important mononuclear polymorphisms with the negative effect on the amount of change in body fat.
  • the interaction between the change in carbohydrate intake and multiple carbohydrate-related significant single nucleotide polymorphisms has a positive effect on the amount of change in body fat, so the effect of the gene risk score is defined as a positive sign
  • the interaction between changes in fat intake and multiple fat-related important mononuclear polymorphisms has a positive effect on body fat change, so the effect of this in defining the genetic risk score is defined as a positive sign and the total calorie intake Since the interaction between the change amount and the plurality of total calorie-related significant mononuclear polymorphisms has a positive effect on the amount of change in body fat, the effect of the gene risk score can be defined as a positive sign.
  • the effect of the gene risk score can be defined as a negative sign .
  • FIG. 1 is a conceptual diagram illustrating a series of steps for deriving a genetic risk score distribution model using a personalized body fat management method using genetic information related to obesity according to an embodiment of the present invention.
  • FIG. 3 is a graph schematically showing a step of calculating a genetic risk score of an individual;
  • FIG. 3 is a graph showing a relationship between a carbohydrate-related gene risk distribution model, a fat-related gene risk distribution model,
  • FIG. 4 is a graph schematically showing a state in which a gene risk score calculated for a specific patient is compared with a gene risk score distribution model.
  • a personalized body fat management method using genetic information related to obesity can be applied to an environmental factor for each individual belonging to a cohort, (S110), a plurality of significant single nucleotide polymorphisms (SNPs) having a significant relationship with a change in body fat among genetic factors were selected (S120), and individual individuals Considering the number of risk alleles for each of the multiple important single nucleotide polymorphisms and the effect of environmental factors and multiple important single nucleotide polymorphisms on the change in body fat, the genetic risk score for environmental factors risk score, GRS) (see S130 and FIG.
  • the GRS distribution model is derived (see S140 and FIG. 3), a gene risk score is calculated for a particular patient (see FIG. 2), and the result is compared to a gene risk score distribution model And providing a body fat management solution (S150 and FIG. 4).
  • embodiments of the present invention assess the amount of body fat change associated with the interaction of an environmental factor, such as an individual's dietary habit and exercise, with a genetic factor associated with obesity, And selecting a significant single nucleotide polymorphism (SNP) having a significant relationship with body fat change.
  • an environmental factor such as an individual's dietary habit and exercise
  • a genetic factor associated with obesity selecting a significant single nucleotide polymorphism (SNP) having a significant relationship with body fat change.
  • SNP single nucleotide polymorphism
  • the dietary habits of a person refers to changes in carbohydrate, fat and total caloric intake, and when exercise is not carried out at two time points with or without exercise, Or when the exercise is stopped or started as in the case of not exercising.
  • environmental factors may include one or more of a change in carbohydrate intake, a change in fat intake, a change in total calorie intake, and / or exercise initiation.
  • Genetic factors refer to genetic mutations associated with obesity, and more specifically to risk alleles for each of a number of important single nucleotide polymorphisms (SNPs) that have a significant association with body fat changes.
  • SNPs single nucleotide polymorphisms
  • multiple important single nucleotide polymorphisms are associated with significant carbohydrate-related single nucleotide polymorphisms (CE SNPs), fat-related significant single nucleotide polymorphisms (FE SNPs), total calorie-related significant single nucleotide polymorphisms (TE SNPs) Gt; polymorphism < / RTI > (EE SNP).
  • GLM generalized linear model
  • embodiments of the present invention calculate a genetic risk score (GRS) of each individual belonging to a cohort using the selected 100 single nucleotide polymorphism information, and deriving a distribution model. And providing a personalized body fat management solution to each individual using the gene risk point distribution model.
  • GRS genetic risk score
  • the gene risk score was calculated from the carbohydrate related gene risk score (CE GRS), fat related gene risk score (FE GRS), total calorie related gene risk score (TE GRS) and exercise related gene risk score And may include one or more.
  • CE GRS carbohydrate related gene risk score
  • FE GRS fat related gene risk score
  • TE GRS total calorie related gene risk score
  • exercise related gene risk score And may include one or more.
  • the gene risk score distribution model can be applied to a variety of models including a carbohydrate-related gene risk distribution model (see FIG. 3A), a fat-related gene risk distribution model (see FIG. (See FIG. 3 (c)) and the exercise-related gene risk distribution model (see FIG. 3 (d)).
  • Examples of the present invention include 8,840 participants from the Korea Association REsource project (ARE) conducted since 2001 as part of the Korean genome and epidemiology study (KoGES) (2,070 males and 2,223 females) with FFQ (Basic Food and Quarterly follow-up) and body composition measurement data (Table 2).
  • ARE Korea Association REsource project
  • KoGES Korean genome and epidemiology study
  • FFQ Basic Food and Quarterly follow-up
  • Table 2 body composition measurement data
  • the embodiments of the present invention were performed based on data of a total of 3,343 persons (1,516 men and 2,223 women) (see Table 1 below) Observations (from 3 to 7 times) were considered to have altered exercise habits when the state of exercise was changed more than once.
  • the average age of the cohort was 51 and 55 years old in the dietary habit and exercise status, respectively.
  • the average change in daily carbohydrate intake during three follow-up visits from baseline was -18.4 g, and the mean changes in fat and total calorie intake were -4.71 g and -147.12 g, respectively.
  • the mean change in body fat was -0.08 kg for those with changes in onset or discontinuation at each follow-up phase in relation to exercise status.
  • the following generalized linear model was used as a model for evaluating the amount of body fat change due to the interaction between environmental factors and genetic factors, based on the above-mentioned data on eating habits and presence or absence of exercise.
  • the general linear model is as shown in the following equation.
  • ⁇ BF a + g + ⁇ TC + SNP i + ⁇ TC ⁇ ⁇ TC ⁇ SNP i
  • ⁇ BF is the amount of change in body fat
  • a is the age of each individual in the cohort
  • g is sex
  • ⁇ C is the change in carbohydrate intake
  • ⁇ F is the change in fat intake
  • SNP i i is a natural number
  • Equation (1) the body composition data for 4,293 (2,070 male, 2,223 female) were substituted into Equation (1), and the interaction between the change in carbohydrate intake (? C) and the carbohydrate related significant single nucleotide polymorphism (SNP i ) body fat change ( ⁇ BF) according to the interaction ( ⁇ F ⁇ ⁇ F ⁇ SNP i ) of ⁇ C ⁇ ⁇ C ⁇ SNP i ) and the change in fat intake ( ⁇ F) and obesity-related important single nucleotide polymorphisms (SNP i )
  • CE carbohydrate-related significant single nucleotide polymorphisms
  • FE fat-related significant single nucleotide polymorphisms
  • Equation (2) body composition data for 4,293 persons (2,070 men and 2,223 women) were substituted into Equation (2), and the interaction between the change in total calorie change (? TC) and the obese-related important single nucleotide polymorphism (SNP i ) TC ⁇ ⁇ TC ⁇ SNP i ) was evaluated.
  • SNP i the obese-related important single nucleotide polymorphism
  • 44 total calorie - related significant single nucleotide polymorphisms (TE) were found to have significant relationship (P value less than 0.05) to genetic factors.
  • the exercise data and exercise-related important single nucleotide polymorphism were calculated by substituting the exercise data (i.e., the amount of body fat change according to presence or absence of exercise) for 3,343 persons (1,516 men and 2,223 women) Were evaluated.
  • the body fat change amount? BF * in Equation (3) can be calculated in a different manner from the body fat change amount? FB in Equations (1) and (2).
  • the amount of change in body fat ( ⁇ BF *) in Equation (3) is measured by binary variables of the cohort obtained from three to seven follow-up studies. For example, 1, And 2 for exercise. In addition, we took the difference in body fat between two consecutive time points from the time of Reaction 2 to the time of Reaction 1, irrespective of the direction of time, in order to control unbalanced missing values as well as time points.
  • CE carbohydrate-related significant single nucleotide polymorphisms
  • FE fat-related significant single nucleotide polymorphisms
  • P value ⁇ 0.05 body fat change
  • TE total calorie-related significant single nucleotide polymorphisms
  • EE exercise-related significant mononuclear polymorphisms
  • Table 4 lists the top 10 carbohydrate-related significant single nucleotide polymorphisms (CEs) classified as P values, fat-related significant single nucleotide polymorphisms (FE), total calorie-related significant single nucleotide polymorphisms Important single nucleotide polymorphisms (EEs) are shown.
  • ⁇ C , ⁇ F , ⁇ TC and ⁇ E in Equations (1) to (3) represent the carbohydrate coefficient, the fat coefficient, the total calorie coefficient and the kinematic coefficient, > Can be found in the column Estimate ( ⁇ ).
  • ⁇ C carbohydrate coefficient
  • ⁇ F the fat factor
  • ⁇ E total calorie coefficient
  • Table 4 lists the case of having a negative value.
  • a positive value indicates that when the change amount of the carbohydrate intake ( ⁇ C), the change amount of the fat intake amount ( ⁇ F), and the change amount of the total calorie intake amount ( ⁇ TC) are negative values, ie, when the intake of carbohydrate, fat and total calories is reduced, ( ⁇ BF) also means a negative value, that is, a case where the body fat decreases together.
  • a negative value indicates that when the change amount of the carbohydrate intake (? C), the change amount of the fat intake amount (? F), and the change amount of the total calorie intake amount (? TC) are negative, that is, when the intake of carbohydrate, fat and total calories is reduced.
  • the amount of change ( ⁇ BF) means a positive value, which means that body fat is elevated in spite of reducing the intake of carbohydrates, fat and total calories.
  • the coefficient of motion ( E ) has different characteristics from the above-mentioned carbohydrate coefficient ( ⁇ C ), fat factor ( ⁇ F ) and total calorie coefficient ( ⁇ CT ).
  • ⁇ C carbohydrate coefficient
  • ⁇ F fat factor
  • ⁇ CT total calorie coefficient
  • the coefficient of motion ( E ) has a positive value
  • the effect of the interaction of environmental factors and significant single nucleotide polymorphism on body fat change is a positive effect.
  • a positive effect means that the body fat is reduced when the exercise is started, so that the sign is reversed unlike the other coefficients in measuring the coefficient of motion ( E ) do.
  • the number of risk alleles for each of multiple important single nucleotide polymorphisms in each individual Calculate the genetic risk score for environmental factors by taking into account the effect of environmental factors and each of several important single nucleotide polymorphisms on body fat change.
  • the number of risk alleles is 0 for homozygous non-risk alleles, 1 for heterozygous alleles, and 1 for homozygous alleles for important single nucleotide polymorphisms homozygous of the risk alleles).
  • the effect when the interaction between the environmental factor and each of the plurality of important mononuclear polymorphisms has a positive effect on the amount of change in body fat, the effect is expressed as a positive sign, If each interaction of the base polymorphism has a negative effect on the change in body fat, the effect can be defined as a negative sign to calculate the gene risk score.
  • reference numeral S130 in Fig. 1 and Fig. 2 briefly disclose a method for calculating a gene risk score. That is, the risk allele (Genotype of FIG. 2) can be selected as 0, 1 and 2 as described above, and the effect sign is the interaction between environmental factors and multiple important single nucleotide polymorphisms A positive or negative sign may be selected depending on whether the body fat change amount has a positive effect or a negative effect.
  • Table 5 shows the results of 37 carbohydrate-related important single nucleotide polymorphisms (CE), 19 fat-related significant single nucleotide polymorphisms (FE), 44 total calorie-related significant single nucleotide polymorphisms (TC) Significance Statistical value of single nucleotide polymorphism (EE) divided by positive or negative sign.
  • a significant carbohydrate-related monobasic effect (a decrease in carbohydrate consumption when the carbohydrate intake is reduced) due to the interaction of 37 carbohydrate-related significant single nucleotide polymorphisms (CE) with changes in carbohydrate intake
  • the number of polymorphisms (CEs) is 19, while the number of significant carbohydrate-related single nucleotide polymorphisms (CEs) is 18, which has a negative effect (even though the carbohydrate intake is reduced but the body fat increases).
  • FEs fat-related single-nucleotide polymorphisms
  • the number of FEs is 12, whereas the number of fat-related significant single-nucleotide polymorphisms (FE) is 7, which has a negative effect (even though fat intake is reduced even though fat intake is reduced).
  • the total caloric value of the total calorie-related mononuclear polymorphism which has a positive effect on the change in body fat (when the total calorie intake is also reduced) by interaction with the change in the total caloric intake
  • the number of significant single nucleotide polymorphisms (TCs) is 30, while the number of total calorie-related significant single nucleotide polymorphisms (TCs) is 14, which has a negative impact (ie, increased body fat despite decreased total calorie intake) Can be confirmed.
  • exercise-related significant single nucleotide polymorphism which affects body fat changes positively (decreased body fat when initiated) by 25 interactions of exercise-related single nucleotide polymorphisms (EE)
  • the number of exercise-related single nucleotide polymorphisms (EEs) is 12, which has a negative effect (even if the body fat is elevated in spite of the start of exercise).
  • FIG. 2 illustrates an example of calculating a gene risk score of one of the carbohydrate-related gene risk score, the fat-related gene risk score, the total calorie-related gene risk score, . That is, in FIG. 2, SNP i (i is a natural number from 1 to N) represents one of carbohydrate-related significant single nucleotide polymorphisms, fat-related significant mononuclear polymorphism, total calorie-related significant mononuclear polymorphism, It can mean.
  • SNP N described in Figure 2 refers to a carbohydrate-related significant single base polymorphism
  • N may be 37 as described above.
  • the SNP N can be 19, 44, or 25, respectively, for fat-related significant single nucleotide polymorphisms, total calorie-related significant single nucleotide polymorphisms, or exercise-related significant single nucleotide polymorphisms.
  • each individual's risk score is calculated (0, -2 or +1 at the bottom of Figure 2) for each significant single nucleotide polymorphism (SNP N)
  • a gene risk score (GRS) can be calculated (e. G., -7 in Fig. 2).
  • GRS gene risk score
  • the mean of the carbohydrate-related gene risk score was 0.43, the standard deviation (SD) was 3.8, the median was 0, the minimum was -13, 15.
  • the mean of the fat-related gene risk score was 1.4, the standard deviation was 2.5, the median was 1, the minimum was -9, and the maximum was 11.
  • the mean of the total calorie-related gene risk scores was 5.4, the standard deviation was 4.2, the median was 5, the minimum was -10, and the maximum was 30.
  • the mean score of exercise-related gene risk score was 1.5, the standard deviation was 3.1, the median was 2, the minimum was -9, and the maximum was 11.
  • FIG. 3 shows a gene risk score distribution model for each environmental factor. Specifically, the gene risk score distribution is divided into quarters to divide the 0 to 25th percentile into VL (very low) , The 25th to 50th percentile as L (low), the 50th to 75th percentile as H (high), and the 75th to 100th percentile as VH (very high) And a change (vertical axis).
  • CE GRS carbohydrate-related gene risk distribution model
  • the average of the body fat change of people classified as FE-VL is -0.22 kg for people who reduce their fat intake by 13 g or more.
  • the average change in body fat was -0.095 kg
  • the mean change in body fat of people classified as FE-H was -0.25 kg
  • the average change in body fat of the FE-VH group was -0.8 kg.
  • TE GRS total calorie-related gene risk distribution model
  • the mean change in body fat change was 0.92 kg in the group of EE-VL, EE-L, EE-H and EE- 0.41 kg, -0.033 kg and -0.018 kg, respectively.
  • FIG. 4 is a diagram illustrating each of the gene risk point distribution models shown in FIG. 3 as a bar graph and showing where the gene risk scores of a specific individual are located on the gene risk point distribution model.
  • the specific individual means a third person who is not an individual belonging to the cohort.
  • the above-described gene risk point distribution model is a predetermined model derived by analyzing the effect of the interaction between the environmental factor and the genetic factor on the change of body fat in the cohort. Based on this model, The genetic risk score of a particular individual is calculated separately and the result is applied to the genetic risk point distribution model to determine the environmental factors of a particular individual: change in carbohydrate intake, change in fat intake, change in total caloric intake, The interaction of genetic factors can be used to diagnose and predict the effects of changes in body fat.
  • Each of the gene risk score distribution models shown in FIG. 4 may be an effect of a change in carbohydrate intake, an effect of a change in a fat intake, an effect of a change in a total calorie intake, and an effect of an exercise start.
  • the carbohydrate-related gene risk score belongs to VH
  • the fat-related gene risk score belongs to L
  • the total calorie-related gene risk score belongs to VH
  • the score belongs to H.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Databases & Information Systems (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Business, Economics & Management (AREA)
  • Nutrition Science (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Tourism & Hospitality (AREA)
  • Chemical & Material Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Evolutionary Biology (AREA)
  • Biotechnology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Artificial Intelligence (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Physiology (AREA)

Abstract

본 발명의 일 실시예는 코호트에 속한 각 개인에 대한 환경적 요인과 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하여, 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성을 선정하는 단계와, 각 개인이 보유한 복수개의 중요 단일염기다형성 각각에 대한 위험 대립 유전자의 개수와, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 미치는 효과를 고려하여 환경적 요인에 대한 유전자 위험 점수를 계산하는 단계와, 코호트에 속한 모든 개인 각각의 유전자 위험 점수를 종합하여 유전자 위험 점수 분포 모델을 도출하는 단계와, 특정 환자에 대해 유전자 위험 점수를 계산하는 단계를 수행하고, 그 결과를 유전자 위험 점수 분포 모델과 비교하여 특정 환자에게 체지방 관리 솔루션을 제공하는 단계를 포함하는 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 개시한다.

Description

비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법
본 발명의 실시예들은 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법에 관한 것이다.
최근들어, 전장 유전체 연관분석(genome wide association study)을 통해 인간의 질병에 기여하는 수천가지 유전 변이가 발견되었다. 그 중에서도 이러한 질병들의 주요 원인으로 비만 관련 유전자 변이가 광범위하게 연구되어 왔다. 그 결과, 비만 관련 위험 대립 유전자들의 결합은 비만 표현형에 영향을 미치며, 특히 체지방 질량 및 비만 관련 유전자(fat mass and obesity-associated, FTO)에 맵핑된 첫번째 단일 염기다형성(single nucleotide polymorohisms, SNP)이 인간의 체지방 지수(body mass index)와 연관이 있음이 밝혀졌다.
전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로써, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 발명의 실시예들은 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 제공하는 것을 목적으로 한다.
본 발명의 일 실시예는 코호트에 속한 각 개인에 대한 환경적 요인과 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하여, 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성(single nucleotide　polymorphism)을 선정하는 단계와, 각 개인이 보유한 복수개의 중요 단일염기다형성 각각에 대한 위험 대립 유전자(risk allele)의 개수와, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 미치는 효과를 고려하여 환경적 요인에 대한 유전자 위험 점수(genetic risk score)를 계산하는 단계와, 코호트에 속한 모든 개인 각각의 유전자 위험 점수를 종합하여 유전자 위험 점수 분포 모델(GRS distribution model)을 도출하는 단계와, 특정 환자에 대해 유전자 위험 점수를 계산하는 단계를 수행하고, 그 결과를 유전자 위험 점수 분포 모델과 비교하여 특정 환자에게 체지방 관리 솔루션을 제공하는 단계를 포함하는 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 개시한다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
이와 같은 본 발명의 실시예들에 의한 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법에 따르면, 개인에 대해 간단한 유전자 분석을 수행하여, 체지방 감량 효과를 극대화할 수 있는 개인의 식이(diet) 및 운동(exercise) 계획을 맞춤 제공할 수 있다.
물론 이러한 효과에 의해 본 발명의 범위가 한정되는 것은 아니다.
도 1은 본 발명의 일 실시예에 따른 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 이용하여 유전자 위험 점수 분포 모델(genetic risk score distribution model)을 도출하는 일련의 단계들을 나타내는 개념도이다.
도 2는 각 개인의 유전자 위험 점수(genetic risk score)를 계산하는 단계를 개략적으로 도시하는 도표이다.
도 3은 탄수화물 관련 유전자 위험 분포 모델과, 지방 관련 유전자 위험 분포 모델과, 총 칼로리 관련 유전자 위험 분포 모델 및 운동 관련 유전자 위험 분포 모델 각각을 구체적으로 나타내는 그래프이다.
도 4는 특정 환자에 대해 계산된 유전자 위험 점수를 유전자 위험 점수 분포 모델과 비교하는 모습을 개략적으로 나타내는 도면이다.
본 발명의 일 실시예는 코호트에 속한 각 개인에 대한 환경적 요인과 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하여, 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성(single nucleotide　polymorphism)을 선정하는 단계와, 각 개인이 보유한 복수개의 중요 단일염기다형성 각각에 대한 위험 대립 유전자(risk allele)의 개수와, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 미치는 효과를 고려하여 환경적 요인에 대한 유전자 위험 점수(genetic risk score)를 계산하는 단계와, 코호트에 속한 모든 개인 각각의 유전자 위험 점수를 종합하여 유전자 위험 점수 분포 모델(GRS distribution model)을 도출하는 단계와, 특정 환자에 대해 유전자 위험 점수를 계산하는 단계를 수행하고, 그 결과를 유전자 위험 점수 분포 모델과 비교하여 특정 환자에게 체지방 관리 솔루션을 제공하는 단계를 포함하는 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 개시한다.
본 실시예에 있어서, 환경적 요인은 탄수화물 섭취량의 변화량과, 지방 섭취량의 변화량과, 총 칼로리 섭취량의 변화량 및 운동 개시 유무 중 하나 이상을 포함하고, 복수개의 중요 단일염기다형성은 탄수화물 관련 중요 단일염기다형성과, 지방 관련 중요 단일염기다형성과, 총 칼로리 관련 중요 단일염기다형성 및 운동 관련 중요 단일염기다형성 중 하나 이상을 포함하며, 유전자 위험 점수는 탄수화물 관련 유전자 위험 점수와, 지방 관련 유전자 위험 점수와, 총 칼로리 관련 유전자 위험 점수 및 운동 관련 유전자 위험 점수 중 하나 이상을 포함하고, 유전자 위험 점수 분포 모델은 탄수화물 관련 유전자 위험 분포 모델과, 지방 관련 유전자 위험 분포 모델과, 총 칼로리 관련 유전자 위험 분포 모델 및 운동 관련 유전자 위험 분포 모델 중 하나 이상을 포함할 수 있다.
본 실시예에 있어서, 코호트의 각 개인의 나이를 a, 성별을 g, 탄수화물 섭취량의 변화량을 ΔC, 지방 섭취량의 변화량을 ΔF, 총 칼로리 섭취량의 변화량을 ΔTC, 유전적 요인을 SNPi(i는 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 상기 체지방 변화량 ΔBF는, [수학식 1] ΔBF = a + g + ΔTC + SNPi + ΔC + ΔF + βC·ΔC· SNPi + βF·ΔF· SNPi;로 정의되며, [수학식 1]을 통해 측정되는 탄수화물 계수 βC의 P값(P-value)이 0.05이하일 경우, 유전적 요인 SNPi을 탄수화물 관련 중요 단일염기다형성으로 선정하고, [수학식 1]을 통해 측정되는 지방 계수 βF의 P값(P-value)이 0.05이하일 경우, 유전적 요인 SNPi을 지방 관련 중요 단일염기다형성으로 선정할 수 있다.
본 실시예에 있어서, 코호트의 각 개인의 나이를 a, 성별을 g, 총 칼로리 섭취량의 변화량을 ΔTC, 유전적 요인을 SNPi(i은 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 상기 체지방 변화량 ΔBF는, [수학식 2] ΔBF = a + g + ΔTC + SNPi + βTC·ΔTC· SNPi;로 정의되며, [수학식 2]를 통해 측정되는 총 칼로리 계수 βTC의 P값(P-value)이 0.05 이하일 경우, 유전적 요인 SNPi를 총 칼로리 관련 중요 단일염기다형성으로 선정할 수 있다.
본 실시예에 있어서, 코호트의 각 개인의 나이를 a, 성별을 g, 유전적 요인을 SNPi(i은 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 체지방 변화량 ΔBF*는, [수학식 3] ΔBF* = a + g + βE·SNPi;로 정의되며, [수학식 3]을 통해 측정되는 운동 계수 βE의 P값(P-value)이 0.05 이하일 경우, 유전적 요인 SNPi를 운동 관련 중요 단일염기다형성으로 선정할 수 있다.
본 실시예에 있어서, 특정 환자의 탄수화물 관련 유전자 위험 점수가 탄수화물 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 탄수화물 섭취량의 변화에 민감하다는 것을 의미하고, 특정 환자의 탄수화물 관련 유전자 위험 점수가 탄수화물 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 탄수화물 섭취량의 변화에 둔감하다는 것을 의미할 수 있다.
본 실시예에 있어서, 특정 환자의 지방 관련 유전자 위험 점수가 지방 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 지방 섭취량의 변화에 민감하다는 것을 의미하고, 특정 환자의 지방 관련 유전자 위험 점수가 지방 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 지방 섭취량의 변화에 둔감하다는 것을 의미할 수 있다.
본 실시예에 있어서, 특정 환자의 총 칼로리 관련 유전자 위험 점수가 총 칼로리 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 총 칼로리 섭취량의 변화에 민감하다는 것을 의미하고, 특정 환자의 총 칼로리 관련 유전자 위험 점수가 총 칼로리 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 총 칼로리 섭취량의 변화에 둔감하다는 것을 의미할 수 있다.
본 실시예에 있어서, 특정 환자의 운동 관련 유전자 위험 점수가 운동 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 운동 개시 유무의 변화에 민감하다는 것을 의미하고, 특정 환자의 운동 관련 유전자 위험 점수가 운동 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 특정 환자의 체지방 변화량은 특정 환자의 운동 개시 유무의 변화에 둔감하다는 것을 의미할 수 있다.
본 실시예에 있어서, 위험 대립 유전자의 개수는 중요 단일염기다형성에 대해 동형 비위험성 대립유전자(homozygous of non-risk alleles)일 경우 0으로, 이형 대립유전자(heterozygous of alleles)일 경우 1으로, 동형 위험성 대립 유전자(homozygous of the risk alleles)일 경우 2로 정의하고, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 긍정적인 효과를 미칠 경우 그 효과를 양(positive)의 부호로, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 부정적인 효과를 미칠 경우 그 효과를 음(negative)의 부호로 정의하여 유전자 위험 점수를 계산 할 수 있다.
본 실시예에 있어서, 탄수화물 섭취량의 변화량과 복수개의 탄수화물 관련 중요 단일염기다형성과의 상호작용은 체지방 변화량에 긍정적인 효과를 미치므로, 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의하고, 지방 섭취량의 변화량과 복수개의 지방 관련 중요 단일염기다형성과의 상호작용은 체지방 변화량에 긍정적인 효과를 미치므로, 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의하며, 총 칼로리 섭취량의 변화량과 상기 복수개의 총 칼로리 관련 중요 단일염기다형성과의 상호작용은 상기 체지방 변화량에 긍정적인 효과를 미치므로, 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의할 수 있다.
본 실시예에 있어서, 운동 개시 유무와 복수개의 운동 관련 중요 단일염기다형성과의 상호작용은 체지방 변화량에 부정적인 영향을 미치므로, 유전자 위험 점수를 계산함에 있어 그 효과를 음의 부호로 정의할 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명은 다양한 변환을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 본 발명의 효과 및 특징, 그리고 그것들을 달성하는 방법은 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 다양한 형태로 구현될 수 있다.
이하의 실시예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, 포함하다 또는 가지다 등의 용어는 명세서상에 기재된 특징, 또는 구성요소가 존재함을 의미하는 것이고, 하나 이상의 다른 특징들 또는 구성요소가 부가될 가능성을 미리 배제하는 것은 아니다. 특히, 명세서 전반에 걸쳐, 어떤 부분이 어떤 구성요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있음을 의미한다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예들을 상세히 설명하기로 하며, 도면을 참조하여 설명할 때 동일하거나 대응하는 구성 요소는 동일한 도면부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시예에 따른 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법을 이용하여 유전자 위험 점수 분포 모델(genetic risk score distribution model)을 도출하는 일련의 단계들을 나타내는 개념도이고, 도 2는 객 개인의 유전자 위험 점수(genetic risk score)를 계산하는 단계를 개략적으로 도시하는 도표이며, 도 3은 탄수화물 관련 유전자 위험 분포 모델과, 지방 관련 유전자 위험 분포 모델과, 총 칼로리 관련 유전자 위험 분포 모델 및 운동 관련 유전자 위험 분포 모델 각각을 구체적으로 나타내는 그래프이고, 도 4는 특정 환자에 대해 계산된 유전자 위험 점수를 유전자 위험 점수 분포 모델과 비교하는 모습을 개략적으로 나타내는 도면이다.
도 1 내지 도 4를 참조하면, 본 발명의 실시예들에 따른 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법은, 코호트(cohort)에 속한 각 개인에 대한 환경적 요인과 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하고(S110), 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성(single nucleotide polymorphism, SNP)을 선정하여(S120), 각 개인이 보유한 복수개의 중요 단일염기다형성 각각에 대한 위험 대립 유전자의 개수와, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량이 미치는 효과를 고려하여 환경적 요인에 대한 유전자 위험 점수(genetic risk score, GRS)를 계산하고(S130 및 도 2 참조), 코호트에 속한 모든 개인 각각의 유전자 위험 점수를 종합하여 유전자 위험 점수 분포 모델(GRS distribution model)을 도출하며(S140 및 도 3 참조), 특정 환자에 대해 유전자 위험 점수를 계산하여(도 2 참조), 그 결과를 유전자 위험 점수 분포 모델과 비교하여 특정 환자에게 체지방 관리 솔루션을 제공하는 단계(S150 및 도 4 참조)를 포함할 수 있다.
상세히, 본 발명의 실시예들은 개인의 식이습관(diet) 및 운동 유무(exercise)와 같은 환경적 요인과, 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하여, 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 중요 단일염기다형성(SNP)을 선정하는 단계를 포함한다.
여기서, 개인의 식이습관이라 함은 탄수화물과 지방 및 총 칼로리 섭취량의 변화를 의미하고, 운동 유무는 시간적으로 떨어져있는 두 가지 시점에서 운동을 수행하지 않았다가 수행하는 경우, 반대로 운동을 수행하였다가 수행하지 않는 경우와 같이 운동을 중지하였거나 개시한 경우를 의미한다. 구체적으로, 환경적 요인은 탄수화물 섭취량의 변화량과, 지방 섭취량의 변화량과, 총 칼로리 섭취량의 변화량 및 운동 개시 유무 중 하나 이상을 포함할 수 있다.
한편, 유전적 요인은 비만과 관련있는 유전자 변이를 의미하고, 더 구체적으로는 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성(SNP) 각각에 대한 위험 대립 유전자(risk alleles)를 의미한다. 구체적으로, 복수개의 중요 단일염기다형성은 탄수화물 관련 중요 단일염기다형성(CE SNP)과, 지방 관련 중요 단일염기다형성(FE SNP)과, 총 칼로리 관련 중요 단일염기다형성(TE SNP) 및 운동 관련 중요 단일염기다형성(EE SNP) 중 하나 이상을 포함할 수 있다.
본 발명의 실시예들은 환경적 요인과 유전적 요인의 상호작용에 따라 체지방 감소에 영향을 주는 유전적 위험 요소를 밝히기 위해 대규모 한국 코호트(cohort;n=8,840)를 분석하여 도출되었다. 후술하겠으나, 본 발명의 실시예들은 일반 선형 모델(generalized linear model, GLM)을 이용하여 환경적 요인과 유전적 요인 간의 상호작용을 테스트하였다. 그 결과, 게놈 관련 연구(genome-wide association studies, GWAS) 카탈로그 데이터베이스에서 얻은 673개의 비만 관련 단일염기다형성 중 총 100개를 선정하였다(이하 <표 1> 참조).
Figure PCTKR2018010665-appb-I000001
<표 1>
다음으로, 본 발명의 실시예들은 선정된 100개의 단일염기다형성 정보를 이용하여 코호트에 속하는 각 개인의 유전자 위험 점수(genetic risk score, GRS)를 계산하고, 이를 종합하여 유전자 위험 점수 분포 모델(GRS distribution model)을 도출하는 단계를 포함할 수 있다. 그리고, 이러한 유전자 위험 점수 분포 모델을 이용하여 각 개인에게 개인 맞춤형 체지방 관리 솔루션을 제공하는 단계를 포함할 수 있다.
구체적으로, 유전자 위험 점수는 탄수화물 관련 유전자 위험 점수(CE GRS)와, 지방 관련 유전자 위험 점수(FE GRS)와, 총 칼로리 관련 유전자 위험 점수(TE GRS) 및 운동 관련 유전자 위험 점수(EE GRS) 중 하나 이상을 포함할 수 있다.
또한, 유전자 위험 점수 분포 모델은 탄수화물 관련 유전자 위험 분포 모델(도 3의 (a) 참조)과, 지방 관련 유전자 위험 분포 모델(도 3의 (b) 참조)과, 총 칼로리 관련 유전자 위험 분포 모델(도 3의 (c) 참조) 및 운동 관련 유전자 위험 분포 모델(도 3의 (d) 참조) 중 하나 이상을 포함할 수 있다.
이하, 본 발명의 실시예들을 더욱 더 상세하게 설명하기로 한다.
< 코호트의 특성>
본 발명의 실시예들은 식습관 변화를 조사하기 위하여, 한국인 유전체 역학조사사업(Korean genome and epidemiology study, KoGES)의 일환으로 2001년부터 수행된 지역사회 기반 코호트 사업(Korea Association REsource project, ARE) 참여자 8,840명 중 FFQ(Fine Food of the Quarter, 기초 및 3차 추적 조사) 및 체성분 측정 자료가 있는 4,293명(남성 2,070명, 여성 2,223명)의 데이터를 기반으로 수행되었다(이하 <표 2> 참조).
또한, 본 발명의 실시예들은 운동 유무의 변화를 조사하기 위하여 총 3,343명(남성 1,516명, 여성 2,223명)의 데이터를 기반으로 수행되었으며(이하 표 1 참조), 운동의 상태는 5회 이상 추적 관찰(3회에서 7회까지) 하여 한 번 이상 운동의 상태를 변경하면 운동 습관의 변화가 있었다고 간주하였다.
Figure PCTKR2018010665-appb-I000002
<표 2>
상기 <표 2>를 참조하면, 코호트의 평균 연령은 식습관 변화와 운동 상태에서 각각 51세 및 55세였다. 그리고, 기준 시기로부터 3회의 추적 조사 사이의 일일 탄수화물 섭취량의 평균 변화량은 -18.4g이었고, 지방과 총 칼로리 섭취량의 평균 변화량은 각각 -4.71g과 -147.12g였다. 한편, 운동 상태와 관련하여 각각의 추적 관찰 단계에서 개시 또는 중단의 변화가 있었던 사람들에 대한 체지방 평균 변화는 -0.08kg이었다.
<일반 선형 모델을 이용한 단일염기다형성 선택>
상술한 식습관 변화와 운동 개시 유무에 대한 데이터를 기반으로, 환경적 요인과 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하기 위한 모델로써 하기 "일반 선형 모델(generalized linear model)"을 이용하였다. 일반 선형 모델은 하기 수학식에 나타난 바와 같다.
<수학식 1>
ΔBF = a + g + ΔTC + SNPi + ΔC + ΔF + βC·ΔC· SNPi + βF·ΔF· SNPi
<수학식 2>
ΔBF = a + g + ΔTC + SNPi + βTC·ΔTC· SNPi
<수학식 3>
ΔBF* = a + g + βE·SNPi
여기서, ΔBF는 체지방 변화량을 의미하며, a는 코호트의 각 개인의 나이를 의미하고, g는 성별을 의미하며, ΔC는 탄수화물 섭취량의 변화를 의미하고, ΔF는 지방 섭취량의 변화를 의미하며, ΔTC는 총 칼로리 섭취량의 변화량을 의미하고, SNPi(i는 자연수)는 유전적 요인을 의미할 수 있다.
먼저, 4,293명(남성 2,070명, 여성 2,223명)에 대한 체성분 데이터를 <수학식 1>에 각각 대입하여, 탄수화물 섭취량의 변화(ΔC)와 탄수화물 관련 중요 단일염기다형성(SNPi)의 상호작용(βC·ΔC· SNPi) 및 지방 섭취량의 변화(ΔF)와 비만 관련 중요 단일염기다형성(SNPi)의 상호작용(βF·ΔF· SNPi)에 따른 체지방 변화량(ΔBF)을 평가하였다. 그 결과, 유전적 요인 중에서 체지방 변화량과 유의미한 관계(P값이 0.05 이하인 경우)를 갖는 것으로 밝혀진 37개의 탄수화물 관련 중요 단일염기다형성(CE)과, 19개의 지방 관련 중요 단일염기다형성(FE)을 선정할 수 있었다.
또한, 4,293명(남성 2,070명, 여성 2,223명)에 대한 체성분 데이터를 <수학식 2>에 대입하여 총 칼로리 변화량의 변화(ΔTC)와 비만 관련 중요 단일염기다형성(SNPi)의 상호작용(βTC·ΔTC· SNPi)에 따른 체지방 변화량(ΔBF)을 평가하였다. 그 결과, 유전적 요인 중에서 체지방 변화량과 유의미한 관계(P값이 0.05 이하인 경우)를 갖는 것으로 밝혀진 44개의 총 칼로리 관련 중요 단일염기다형성(TE)을 선정할 수 있었다.
또한, 3,343명(남성 1,516명, 여성 2,223명)에 대한 운동 데이터(즉, 운동 유무에 따른 체지방 변화량)를 <수학식 3>에 대입하여 운동 개시 유무와 운동 관련 중요 단일염기다형성(SNPi)의 상호작용을 평가하였다. 특히, <수학식 3>의 체지방 변화량(ΔBF*)은 <수학식 1>과 <수학식 2>의 체지방 변화량(ΔBF)과는 다른 방식으로 계산될 수 있다.
구체적으로, <수학식 3>의 체지방 변화량(ΔBF*)은 3회부터 7회까지의 추적 연구에서 얻은 코호트의 운동 상태를 이진 변수(binary variables)로 측정하였으며, 예컨대 운동을 하지 않은 경우 1, 운동을 한 경우 2로 계산하였다. 또한, 시점(time points) 뿐만 아니라 개인 간 불균형한 누락값을 조절하기 위해, 시간의 방향성과는 관계없이 반응 2의 시점에서 반응 1의 시점까지의 두 연속되는 시점 사이의 체지방의 차이를 취했다.
그 결과, 유전적 요인 중에서 체지방 변화량과 유의미한 관계(P값이 0.05 이하인 경우)를 갖는 것으로 밝혀진 총 25개의 운동 관련 중요 단일염기다형성(EE)을 선정할 수 있었다.
상술한 바와 같은 유전적 요인 중에서 체지방 변화량과 유의미한 관계(P값이 0.05 이하인 경우)를 갖는 것으로 밝혀진 37개의 탄수화물 관련 중요 단일염기다형성(CE)과, 19개의 지방 관련 중요 단일염기다형성(FE), 44개의 총 칼로리 관련 중요 단일염기다형성(TE) 및 25개의 운동 관련 중요 단일염기다형성(EE)은 하기 <표 3>에 개시하였다.
Figure PCTKR2018010665-appb-I000003
Figure PCTKR2018010665-appb-I000004
<표 3>
보다 구체적으로, 하기 표 4에는 P값으로 분류된 상위 10개의 탄수화물 관련 중요 단일염기다형성(CE)과, 지방 관련 중요 단일염기다형성(FE), 총 칼로리 관련 중요 단일염기다형성(TE) 및 운동 관련 중요 단일염기다형성(EE)들이 도시되어 있다. 구체적으로, <수학식 1> 내지 <수학식 3>에 나타난 βC, βF, βTC 및 βE는 각각 탄수화물 계수, 지방 계수, 총 칼로리 계수 및 운동 계수를 의미하며, 이들은 모두 <표 4>의 Estimate(β) 열에서 그 값을 확인할 수 있다. 구체적으로, <표 4>를 참조하면, 탄수화물 계수(βC)와 지방 계수(βF), 총 칼로리 계수(βTC) 및 운동 계수(βE)는 모두 양(positive)의 값을 갖는 경우와 음(negative)의 값을 갖는 경우로 나뉘어 진다.
Figure PCTKR2018010665-appb-I000005
<표 4>
여기서, 양의 값은 탄수화물 섭취량의 변화량(ΔC)과 지방 섭취량의 변화량(ΔF) 및 총 칼로리 섭취량의 변화량(ΔTC)이 음의 값일 경우, 즉 탄수화물과 지방 및 총 칼로리의 섭취량을 줄일 경우 체지방 변화량(ΔBF) 또한 음의 값, 즉 체지방도 함께 감소하는 경우를 의미한다. 반대로, 음의 값은 탄수화물 섭취량의 변화량(ΔC)과 지방 섭취량의 변화량(ΔF) 및 총 칼로리 섭취량의 변화량(ΔTC)이 음의 값일 경우, 즉 탄수화물과 지방 및 총 칼로리의 섭취량을 줄일 경우, 체지방 변화량(ΔBF)은 양의 값일 경우를 의미하는 데, 이는 탄수화물과 지방 및 총 칼로리의 섭취를 줄였음에도 불구하고 오히려 체지방은 상승하는 것을 의미한다.
즉, 탄수화물 계수(βC)와 지방 계수(βF) 및 총 칼로리 계수(βCT)가 양의 값을 갖는다는 것은 환경적 요인과 중요 단일염기다형성의 상호작용이 체지방 변화량에 미치는 효과가 긍정적인 효과임을 의미하는 한편, 반대로 탄수화물 계수(βC)와 지방 계수(βF) alc 총 칼로리 계수(βCT)가 음의 값을 갖는다는 것은 환경적 요인과 중요 단일염기다형성의 상호작용이 체지방 변화량에 부정적인 효과를 미치는 것을 의미한다. 이러한 탄수화물 계수(βC)와 지방 계수(βF) 및 총 칼로리 계수(βCT)의 부호는 도 2에 도시된 유전자 위험 점수(GRS)의 계산 단계에서 효과부호(effect sign)을 통해 반영될 수 있다.
한편, 운동 계수(βE)는 상술한 탄수화물 계수(βC)와 지방 계수(βF) 및 총 칼로리 계수(βCT)와는 다른 특성을 갖는다. 예컨대, 운동 계수(βE)가 양의 값을 가질 경우, 환경적 요인과 중요 단일염기다형성의 상호작용이 체지방 변화량에 미치는 효과가 긍정적인 효과를 의미하는 것은 동일하다. 하지만, 운동과 같은 경우 긍정적인 효과는 운동을 개시하였을 경우 체지방이 감소하는 것을 의미하므로, 운동 계수(βE)를 측정하는 데 있어서 다른 계수들과는 달리 부호를 반전(reverse)하였음을 여기서 밝혀두기로 한다.
<유전자 위험 점수 계산>
상술한 바와 같이 유전적 요인 중에서 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성을 선정한 이후에는, 각 개인이 보유한 복수개의 중요 단일염기 다형성 각각에 대한 위험 대립 유전자(risk allele)의 개수와, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 미치는 효과를 고려하여 환경적 요인에 대한 유전자 위험 점수를 계산한다.
여기서, 위험 대립 유전자의 개수는 중요 단일염기다형성에 대해 동형 비위험성 대립유전자(homozygous of non-risk alleles)일 경우 0으로, 이형 대립유전자(heterozygous of alleles)일 경우 1으로, 동형 위험성 대립 유전자(homozygous of the risk alleles)일 경우 2로 정의할 수 있다.
또한, 상술한 바와 같이 환경적 요인과 상기 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 긍정적인 효과를 미칠 경우 그 효과를 양(positive)의 부호로, 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 체지방 변화량에 부정적인 효과를 미칠 경우 그 효과를 음(negative)의 부호로 정의하여 유전자 위험 점수를 계산할 수 있다.
상세히, 도 1의 참조부호 S130과 도 2는 유전자 위험 점수를 계산하는 방법을 간략하게 개시하고 있다. 즉, 위험 대립 유전자(도 2의 Genotype)는 상술한 바와 같이 0, 1 및 2 중 하나로 선택될 수 있으며, 효과부호(effect sign)는 환경적 요인과 복수개의 중요 단일염기다형성 각각의 상호작용이 상기 체지방 변화량에 긍정적인 효과를 미치는지, 아니면 부정적인 효과를 미치는지에 따라 양 또는 음의 부호로 선택될 수 있다.
구체적으로, 하기 <표 5>는 37개의 탄수화물 관련 중요 단일염기다형성(CE)과 19개의 지방 관련 중요 단일염기다형성(FE), 44개의 총 칼로리 관련 중요 단일염기다형성(TC) 및 25개의 운동 관련 중요 단일염기다형성(EE)을 양 또는 음의 부호로 구분한 통계치를 나타낸다.
Figure PCTKR2018010665-appb-I000006
<표 5>
즉, 37개의 탄수화물 관련 중요 단일염기다형성(CE) 중 탄수화물 섭취량의 변화량과의 상호작용에 의해 체지방 변화에 긍정적인 영향(탄수화물 섭취량을 줄였을 경우 체지방 또한 감소하는 경우)을 미치는 탄수화물 관련 중요 단일염기다형성(CE)의 개수는 19개이며, 반대로 부정적인 영향(탄수화물 섭취량을 줄였음에도 불구하고 오히려 체지방은 증가하는 경우)을 미치는 탄수화물 관련 중요 단일염기 다형성(CE)의 개수는 18개임을 확인할 수 있다.
또한, 19개의 지방 관련 단일염기다형성(FE) 중 지방 섭취량의 변화량과의 상호작용에 의해 체지방 변화에 긍정적인 영향(지방 섭취량을 줄였을 경우 체지방 또한 감소하는 경우)을 미치는 지방 관련 중요 단일염기다형성(FE)의 개수는 12개이며, 반대로 부정적인 영향(지방 섭취량을 줄였음에도 불구하고 체지방은 오히려 증가하는 경우)을 미치는 지방 관련 중요 단일염기다형성(FE)의 개수는 7개임을 확인할 수 있다.
또한, 44개의 총 칼로리 관련 단일염기다형성(TC) 중 총 칼로리 섭취량의 변화량과의 상호작용에 의해 체지방 변화에 긍정적인 영향(총 칼로리 섭취량을 줄였을 경우 체지방 또한 감소하는 경우)을 미치는 총 칼로리 관련 중요 단일염기다형성(TC)의 개수는 30개이며, 반대로 부정적인 영향(총 칼로리 섭취량을 줄였음에도 불구하고 체지방은 증가하는 경우)을 미치는 총 칼로리 관련 중요 단일염기다형성(TC)의 개수는 14개임을 확인할 수 있다.
또한, 25개의 운동 관련 단일염기다형성(EE) 중 운동 개시 유무와의 상호작용에 의해 체지방 변화에 긍정적인 영향(운동을 개시하였을 때 체지방이 감소한 경우)을 미치는 운동 관련 중요 단일염기다형성(EE)의 개수는 13개이며, 반대로 부정적인 영향(운동을 개시하였음에도 불구하고 체지방은 오히려 상승하는 경우)을 미치는 운동 관련 중요 단일염기다형성(EE)의 개수는 12개임을 확인할 수 있다.
도면에 구체적으로 기재되지는 않았으나, 도 2는 탄수화물 관련 유전자 위험 점수와, 지방 관련 유전자 위험 점수와, 총 칼로리 관련 유전자 위험 점수 및 운동 관련 유전자 위험 점수 중 하나의 유전자 위험 점수를 계산하는 실례를 개시하고 있다. 즉, 도 2에서 SNPi(i는 1 내지 N의 자연수)는 탄수화물 관련 중요 단일염기다형성과, 지방 관련 중요 단일염기다형성과, 총 칼로리 관련 중요 단일염기다형성 및 운동 관련 중요 단일염기다형성 중 하나를 의미할 수 있다.
만약, 도 2에 기재된 SNP N이 탄수화물 관련 중요 단일염기다형성을 의미할 경우, N은 상술한 바와 같이 37일 수 있다. 또한, SNP N이 각각 지방 관련 중요 단일염기다형성, 총 칼로리 관련 중요 단일염기다형성, 또는 운동 관련 중요 단일염기다형성일 경우 N은 19, 44 또는 25가 될 수 있다. 이러한 이해를 바탕으로, 각 개인의 유전자 위험 점수는 각각의 중요 단일염기다형성(SNP N)에 대해 계산(도 2의 최하단 부분의 0, -2 또는 +1)되며, 이들을 종합하여 개인에 대한 총 유전자 위험 점수(GRS)가 계산될 수 있다(예컨대, 도 2의 -7).
상술한 유전자 위험 점수(GRS)의 계산법을 이용하여, 4,293명(남성 2,070명, 여성 2,223명)에 대한 탄수화물 관련 유전자 위험 점수와, 지방 관련 유전자 위험 점수 및 총 칼로리 관련 유전자 위험 점수를 계산하고, 3,343명(남성 1,516명, 여성 2,223명)에 대한 운동 관련 유전자 위험 점수를 계산하여 이를 이하 <표 6>에 통게치로 나타내었다.
Figure PCTKR2018010665-appb-I000007
<표 6>
<표 6>를 참조하면, 탄수화물 관련 유전자 위험 점수의 평균(mean)은 0.43이며, 표준편차(standard deviation, SD)는 3.8, 중간값(median)은 0, 최소값은 -13, 그리고 최대값은 15로 계산되었다.
또한, 지방 관련 유전자 위험 점수의 평균은 1.4로, 표준편차는 2.5, 중간값은 1, 최소값은 -9, 그리고 최대값은 11로 계산되었다.
또한, 총 칼로리 관련 유전자 위험 점수의 평균은 5.4로, 표준편차는 4.2, 중간값은 5, 최소값은 -10, 그리고 최대값은 30으로 계산되었다.
또한, 운동 관련 유전자 위험 점수의 평균은 1.5로, 표준편차는 3.1, 중간값은 2, 최소값은 -9로, 그리고 최대값은 11로 계산되었다.
<표 6>에 기재된 모든 유전자 위험 점수 통계치의 분포는 정규성 검증(Shapiro-Wilk test)에 의해 P값이 0.05 이하로 나타나 통계적으로 유의미한 분포를 보이는 것으로 확인되었다.
<유전자 위험 점수 분포 모델 도출>
도 3은 각각의 환경적 요인에 대한 유전자 위험 점수 분포 모델을 도시하며, 구체적으로 유전자 위험 점수 분포를 4등분하여 유전자 위험 점수가 낮은 하위권을 기준으로 0 내지 25 백분위수를 VL(very low)로, 25 내지 50 백분위수를 L(low)로, 50 내지 75 백분위수를 H(high)로, 그리고 75 내지 100 백분위수를 VH(very high)로 구분하고, 유전자 위험 점수 분포(가로축)와 체지방 변화(세로축)와의 관계를 개략적으로 도시한 그래프이다.
예컨대, 탄수화물 관련 유전자 위험 분포 모델(CE GRS)을 참조하면, 탄수화물 섭취량을 75g 이상 줄인 사람들의 경우, CE-VL로 구분된 사람들의 체지방 변화량의 평균은 0.13kg이고, CE-L로 구분된 사람들의 체지방 변화량의 평균은 -0.37kg이며, CE-H 그룹의 체지방 변화량의 평균은 -0.54kg이고, CE-VH 그룹의 체지방 변화량의 평균은 -1.2kg로 나타난다.
이는, 탄수화물 섭취량을 유사하게 변화시키더라도 사람들마다 체지방 감소 효과는 각기 다르게 나타나는 것을 의미한다. 즉, 탄수화물 관련 유전자 위험 점수가 상위 25%에 속하는 사람들의 경우, 탄수화물 관련 유전자 위험 점수가 하위 25%에 속하는 사람들과 비교할 때 동일하게 탄수화물 섭취량을 줄였음에도 불구하고 평균적으로 1.33(0.13+1.2)kg만큼 더 체지방 감소 효과가 있었음을 의미한다. 즉, 특정 환자의 탄수화물 관련 유전자 위험 점수가 탄수화물 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 즉 CE-VH 측으로 갈수록 특정 환자의 체지방 변화량은 특정 환자의 탄수화물 섭취량의 변화에 민감하다는 것을 의미한다.
또한, 지방 관련 유전자 위험 분포 모델(FE GRS)을 참조하면, 지방 섭취량을 13g 이상 줄인 사람들의 경우, FE-VL로 구분된 사람들의 체지방 변화량의 평균은 -0.22kg이고, FE-L로 구분된 사람들의 체지방 변화량의 평균은 -0.095kg이며, FE-H로 구분된 사람들의 체지방 변화량의 평균은 -0.25kg이며, FE-VH 그룹의 체지방 변화량의 평균은 -0.8kg로 나타난다.
이는, 지방 섭취량을 유사하게 변화시키더라도 사람들마다 체지방 감소 효과는 각기 다르게 나타나는 것을 의미한다. 즉, 지방 관련 유전자 위험 점수가 상위 25%에 속하는 사람들의 경우, 지방 관련 유전자 위험 점수가 하위 25%에 속하는 사람들과 비교할 때 동일하게 지방 섭취량을 줄였음에도 불구하고 평균적으로 1.02(0.22+0.8)kg만큼 더 체지방 감소 효과가 있었음을 의미한다. 즉, 특정 환자의 지방 관련 유전자 위험 점수가 지방 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 다시 말하면 FE-VH 측으로 갈수록 특정 환자의 체지방 변화량은 특정 환자의 지방 섭취량의 변화에 민감하다는 것을 의미한다.
또한, 총 칼로리 관련 유전자 위험 분포 모델(TE GRS)을 참조하면, 총 칼로리 섭취량을 478kcal 이상 감소시킨 사람들 중 체지방 변화량의 평균은 TE-VL, TE-L, TE-H 및 TE-VH 각각의 그룹에서 0.093kg, 0.0055kg, -0.64kg 및 -1.1kg로 나타난다.
이는 총 칼로리 섭취량을 유사하게 변화시키더라도 사람들마다 체지방 감소 효과는 각기 다르게 나타나는 것을 의미한다. 즉, 총 칼로리 관련 유전자 위험 점수가 상위 25%에 속하는 사람들의 경우, 총 칼로리 관련 유전자 위험 점수가 하위 25%에 속하는 사람들과 비교할 때 동일하게 총 칼로리 섭취량을 줄였음에도 불구하고 평균적으로 -1.1093(0.093+-1.1)kg만큼 더 체지방 감소 효과가 있었음을 의미한다. 즉, 특정 환자의 총 칼로리 관련 유전자 위험 점수가 총 칼로리 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 다시 말하면 TE-VH측으로 갈수록 특정 환자의 체지방 변화량은 특정 환자의 총 칼로리 섭취량의 변화에 민감하다는 것을 의미한다.
또한, 운동 관련 유전자 위험 분포 모델(EE GRS)을 참조하면, 운동을 개시한 사람들의 경우 체지방 변화량의 평균은 EE-VL, EE-L, EE-H 및 EE-VH 각각의 그룹에서 0.92kg, 0.41kg, -0.033kg 및 -0.018kg으로 나타난다.
이는 운동을 개시하더라도 사람들마다 체지방 감소 효과는 각기 다르게 나타나는 것을 의미한다. 즉, 운동 관련 유전자 위험 점수가 상위 25%에 속하는 사람들의 경우, 운동 관련 유전자 위험 점수가 하위 25%에 속하는 사람들과 비교할 때 동일하게 운동을 개시였음에도 불구하고 평균적으로 0.9318(0.92+0.018)kg만큼 더 체지방 감소 효과가 있었음을 의미한다. 즉, 특정 환자의 운동 관련 유전자 위험 점수가 운동 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 다시 말하면 EE-VH측으로 갈수록 특정 환자의 체지방 변화량은 특정 환자의 운동 개시 여부에 민감하다는 것을 의미한다.
<특정 환자에게 체지방 관리 솔루션 제공>
도 4는 도 3에 도시된 각각의 유전자 위험 점수 분포 모델을 막대 그래프로 단순화하고, 특정 개인의 유전자 위험 점수가 유전자 위험 점수 분포 모델 상에서 어디에 위치하는 지를 표시하여 도시하는 도면이다.
여기서, 특정 개인이라 함은 상기 코호트에 속하는 개인이 아닌 제3자를 의미한다. 즉, 상술한 유전자 위험 점수 분포 모델은 코호트의 환경적 요인과 유전적 요인간의 상호작용이 체지방 변화에 미치는 영향을 분석하여 도출된 소정의 모델(model)로써, 이러한 모델을 기반으로 코호트에 속하지 않은 특정 개인의 유전자 위험 점수를 별도로 계산하고, 그 결과를 유전자 위험 점수 분포 모델에 적용하여 특정 개인의 환경적 요인, 즉 탄수화물 섭취량의 변화, 지방 섭취량의 변화, 총 칼로리 섭취량의 변화 또는 운동 개시 유무와 유전적 요인의 상호작용에 의해 체지방의 변화에 미치는 영향을 진단하고 예측할 수 있다.
도 4에 도시된 각각의 유전자 위험 점수 분포 모델은 각각 탄수화물 섭취량 변화의 효과, 지방 섭취량 변화의 효과, 총 칼로리 섭취량 변화의 효과 및 운동 개시의 효과를 의미할 수 있다.
즉, 상술한 바와 같이 도 4에 나타난 유전자 위험 점수 분포 모델을 이용하면, 특정 개인의 유전자 위험 점수가 유전자 위험 점수 분포 모델의 VL, L, H 및 VH 중 어느 곳에 속하는지 파악하여, 탄수화물과 지방, 그리고 총 칼로리 섭취량의 변화가 체지방 변화를 야기하는 데 어느 정도의 효과를 나타낼 수 있는지 예측 및 진단할 수 있다.
예컨대, 도 4에 도시된 바와 같이 특정 개인의 탄수화물 관련 유전자 위험 점수는 VH에 속하고, 지방 관련 유전자 위험 점수는 L에 속하며, 총 칼로리 관련 유전자 위험 점수는 VH에 속하고, 또한 운동 관련 유전자 위험 점수는 H에 속한다고 가정하자.
상기와 같이 특정 환자의 유전자 위험 점수가 계산된 경우, 특정 개인의 체지방 변화는 상대적으로 탄수화물 섭취량의 변화, 총 칼로리 섭취량의 변화, 운동 개시 유무 및 지방 섭취량의 변화 순서로 민감하게 반응한다는 것을 확인할 수 있다. 이러한 이해를 바탕으로, 특정 개인에게 체지방 관리를 위해 주로 탄수화물 섭취량과 총 칼로리 섭취량을 조절함으로써 체지방 감소 효과를 극대화하는 개인 맞춤형 체지방 관리 솔루션을 제공할 수 있다.
이와 같이 본 발명은 도면에 도시된 일 실시예를 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 청구범위의 기술적 사상에 의하여 정해져야 할 것이다.
전술한 바와 같은 본 발명의 실시예들에 의하면, 개인에 대해 간단한 유전자 분석을 수행하여, 체지방 감량 효과를 극대화할 수 있는 개인의 식이(diet) 및 운동(exercise) 계획을 맞춤 제공할 수 있다.

Claims (12)

  1. 코호트에 속한 각 개인에 대한 환경적 요인과 비만과 관련있는 유전적 요인의 상호작용에 따른 체지방 변화량을 평가하여, 상기 유전적 요인 중에서 상기 체지방 변화량과 유의미한 관계를 갖는 복수개의 중요 단일염기다형성(single nucleotide　polymorphism)을 선정하는 단계;
    상기 각 개인이 보유한 상기 복수개의 중요 단일염기다형성 각각에 대한 위험 대립 유전자(risk allele)의 개수와, 상기 환경적 요인과 상기 복수개의 중요 단일염기다형성 각각의 상호작용이 상기 체지방 변화량에 미치는 효과를 고려하여 상기 환경적 요인에 대한 유전자 위험 점수(genetic risk score)를 계산하는 단계;
    상기 코호트에 속한 모든 개인 각각의 상기 유전자 위험 점수를 종합하여 유전자 위험 점수 분포 모델(GRS distribution model)을 도출하는 단계; 및
    특정 환자에 대해 상기 유전자 위험 점수를 계산하는 단계를 수행하고, 그 결과를 상기 유전자 위험 점수 분포 모델과 비교하여 상기 특정 환자에게 체지방 관리 솔루션을 제공하는 단계;를 포함하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  2. 제1 항에 있어서,
    상기 환경적 요인은 탄수화물 섭취량의 변화량과, 지방 섭취량의 변화량과, 총 칼로리 섭취량의 변화량 및 운동 개시 유무 중 하나 이상을 포함하고,
    상기 복수개의 중요 단일염기다형성은 탄수화물 관련 중요 단일염기다형성과, 지방 관련 중요 단일염기다형성과, 총 칼로리 관련 중요 단일염기다형성 및 운동 관련 중요 단일염기다형성 중 하나 이상을 포함하며,
    상기 유전자 위험 점수는 탄수화물 관련 유전자 위험 점수와, 지방 관련 유전자 위험 점수와, 총 칼로리 관련 유전자 위험 점수 및 운동 관련 유전자 위험 점수 중 하나 이상을 포함하고,
    상기 유전자 위험 점수 분포 모델은 탄수화물 관련 유전자 위험 분포 모델과, 지방 관련 유전자 위험 분포 모델과, 총 칼로리 관련 유전자 위험 분포 모델 및 운동 관련 유전자 위험 분포 모델 중 하나 이상을 포함하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  3. 제2 항에 있어서,
    상기 코호트의 상기 각 개인의 나이를 a, 성별을 g, 상기 탄수화물 섭취량의 변화량을 ΔC, 상기 지방 섭취량의 변화량을 ΔF, 상기 총 칼로리 섭취량의 변화량을 ΔTC, 상기 유전적 요인을 SNPi(i는 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 상기 체지방 변화량 ΔBF는,
    [수학식 1]
    ΔBF = a + g + ΔTC + SNPi + ΔC + ΔF + βC·ΔC· SNPi + βF·ΔF· SNPi;로 정의되며,
    상기 [수학식 1]을 통해 측정되는 탄수화물 계수 βC의 P값(P-value)이 0.05이하일 경우, 상기 유전적 요인 SNPi을 상기 탄수화물 관련 중요 단일염기다형성으로 선정하고,
    상기 [수학식 1]을 통해 측정되는 지방 계수 βF의 P값(P-value)이 0.05이하일 경우, 상기 유전적 요인 SNPi을 상기 지방 관련 중요 단일염기다형성으로 선정하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  4. 제2 항에 있어서,
    상기 코호트의 상기 각 개인의 나이를 a, 성별을 g, 상기 총 칼로리 섭취량의 변화량을 ΔTC, 상기 유전적 요인을 SNPi(i은 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 상기 체지방 변화량 ΔBF는,
    [수학식 2]
    ΔBF = a + g + ΔTC + SNPi + βTC·ΔTC· SNPi;로 정의되며,
    상기 [수학식 2]를 통해 측정되는 총 칼로리 계수 βTC의 P값(P-value)이 0.05 이하일 경우, 상기 유전적 요인 SNPi를 상기 총 칼로리 관련 중요 단일염기다형성으로 선정하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  5. 제2 항에 있어서,
    상기 코호트의 상기 각 개인의 나이를 a, 성별을 g, 상기 유전적 요인을 SNPi(i은 자연수)로 정의할 경우, 이들의 함수로써 나타내어지는 상기 체지방 변화량 ΔBF는,
    [수학식 3]
    ΔBF* = a + g + βE·SNPi;로 정의되며,
    상기 [수학식 3]을 통해 측정되는 운동 계수 βE의 P값(P-value)이 0.05 이하일 경우, 상기 유전적 요인 SNPi를 상기 운동 관련 중요 단일염기다형성으로 선정하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  6. 제2 항에 있어서,
    상기 특정 환자의 상기 탄수화물 관련 유전자 위험 점수가 상기 탄수화물 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 탄수화물 섭취량의 변화에 민감하다는 것을 의미하고,
    상기 특정 환자의 상기 탄수화물 관련 유전자 위험 점수가 상기 탄수화물 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 탄수화물 섭취량의 변화에 둔감하다는 것을 의미하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  7. 제2 항에 있어서,
    상기 특정 환자의 상기 지방 관련 유전자 위험 점수가 상기 지방 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 지방 섭취량의 변화에 민감하다는 것을 의미하고,
    상기 특정 환자의 상기 지방 관련 유전자 위험 점수가 상기 지방 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 지방 섭취량의 변화에 둔감하다는 것을 의미하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  8. 제2 항에 있어서,
    상기 특정 환자의 상기 총 칼로리 관련 유전자 위험 점수가 상기 총 칼로리 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 총 칼로리 섭취량의 변화에 민감하다는 것을 의미하고,
    상기 특정 환자의 상기 총 칼로리 관련 유전자 위험 점수가 상기 총 칼로리 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 총 칼로리 섭취량의 변화에 둔감하다는 것을 의미하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  9. 제2 항에 있어서,
    상기 특정 환자의 상기 운동 관련 유전자 위험 점수가 상기 운동 관련 유전자 위험 점수 분포 모델에서 상위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 운동 개시 유무의 변화에 민감하다는 것을 의미하고,
    상기 특정 환자의 상기 운동 관련 유전자 위험 점수가 상기 운동 관련 유전자 위험 점수 분포 모델에서 하위권에 속할 경우, 상기 특정 환자의 상기 체지방 변화량은 상기 특정 환자의 상기 운동 개시 유무의 변화에 둔감하다는 것을 의미하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  10. 제1 항에 있어서,
    상기 위험 대립 유전자의 개수는 상기 중요 단일염기다형성에 대해 동형 비위험성 대립유전자(homozygous of non-risk alleles)일 경우 0으로, 이형 대립유전자(heterozygous of alleles)일 경우 1으로, 동형 위험성 대립 유전자(homozygous of the risk alleles)일 경우 2로 정의하고,
    상기 환경적 요인과 상기 복수개의 중요 단일염기다형성 각각의 상호작용이 상기 체지방 변화량에 긍정적인 효과를 미칠 경우 그 효과를 양(positive)의 부호로, 상기 환경적 요인과 상기 복수개의 중요 단일염기다형성 각각의 상호작용이 상기 체지방 변화량에 부정적인 효과를 미칠 경우 그 효과를 음(negative)의 부호로 정의하여 상기 유전자 위험 점수를 계산하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  11. 제2 항에 있어서,
    상기 탄수화물 섭취량의 변화량과 상기 복수개의 탄수화물 관련 중요 단일염기다형성과의 상호작용은 상기 체지방 변화량에 긍정적인 효과를 미치므로, 상기 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의하고,
    상기 지방 섭취량의 변화량과 상기 복수개의 지방 관련 중요 단일염기다형성과의 상호작용은 상기 체지방 변화량에 긍정적인 효과를 미치므로, 상기 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의하며,
    상기 총 칼로리 섭취량의 변화량과 상기 복수개의 총 칼로리 관련 중요 단일염기다형성과의 상호작용은 상기 체지방 변화량에 긍정적인 효과를 미치므로, 상기 유전자 위험 점수를 계산함에 있어 그 효과를 양의 부호로 정의하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
  12. 제2 항에 있어서,
    상기 운동 개시 유무와 상기 복수개의 운동 관련 중요 단일염기다형성과의 상호작용은 상기 체지방 변화량에 부정적인 영향을 미치므로, 상기 유전자 위험 점수를 계산함에 있어 그 효과를 음의 부호로 정의하는, 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법.
PCT/KR2018/010665 2017-09-13 2018-09-12 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법 WO2019054737A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170117223A KR102155776B1 (ko) 2017-09-13 2017-09-13 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법
KR10-2017-0117223 2017-09-13

Publications (1)

Publication Number Publication Date
WO2019054737A1 true WO2019054737A1 (ko) 2019-03-21

Family

ID=65722964

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2018/010665 WO2019054737A1 (ko) 2017-09-13 2018-09-12 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법

Country Status (2)

Country Link
KR (1) KR102155776B1 (ko)
WO (1) WO2019054737A1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11049603B1 (en) 2020-12-29 2021-06-29 Kpn Innovations, Llc. System and method for generating a procreant nourishment program
US11355229B1 (en) 2020-12-29 2022-06-07 Kpn Innovations, Llc. System and method for generating an ocular dysfunction nourishment program
US11735310B2 (en) 2020-12-29 2023-08-22 Kpn Innovations, Llc. Systems and methods for generating a parasitic infection nutrition program
US11854685B2 (en) 2021-03-01 2023-12-26 Kpn Innovations, Llc. System and method for generating a gestational disorder nourishment program
US11935642B2 (en) 2021-03-01 2024-03-19 Kpn Innovations, Llc System and method for generating a neonatal disorder nourishment program

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102246844B1 (ko) * 2019-04-15 2021-04-30 연세대학교 산학협력단 유전 위험 점수와 산화 스트레스 점수를 이용한 비만 예후 또는 위험도를 평가하는 방법 및 키트
KR20220003353A (ko) * 2020-07-01 2022-01-10 주식회사 클리노믹스 개인유전정보를 활용한 맞춤형 다이어트 종합정보를 제공하기 위한 유전건강 모니터링 시스템 및 방법

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020011198A (ko) * 2000-08-01 2002-02-08 주식회사 프리모젠 건강 또는 인성 정보를 제공하는 시스템 및 방법
WO2004086274A1 (ja) * 2003-03-24 2004-10-07 Teijin Limited ゲノム情報を使用した健康情報提供システムおよび方法
JP2015007985A (ja) * 2008-09-12 2015-01-15 ナビジェニクス インコーポレイティド 複数の環境的リスク因子及び遺伝的リスク因子を組み込む方法及びシステム
KR101607827B1 (ko) * 2014-12-02 2016-04-01 한국식품연구원 개인 유전체 기반의 비만 위험도 분석 시스템 및 방법
KR20170054628A (ko) * 2015-11-09 2017-05-18 한국식품연구원 개인 유전형 및 표현형 정보를 고려한 맞춤형 식품정보 추천 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020011198A (ko) * 2000-08-01 2002-02-08 주식회사 프리모젠 건강 또는 인성 정보를 제공하는 시스템 및 방법
WO2004086274A1 (ja) * 2003-03-24 2004-10-07 Teijin Limited ゲノム情報を使用した健康情報提供システムおよび方法
JP2015007985A (ja) * 2008-09-12 2015-01-15 ナビジェニクス インコーポレイティド 複数の環境的リスク因子及び遺伝的リスク因子を組み込む方法及びシステム
KR101607827B1 (ko) * 2014-12-02 2016-04-01 한국식품연구원 개인 유전체 기반의 비만 위험도 분석 시스템 및 방법
KR20170054628A (ko) * 2015-11-09 2017-05-18 한국식품연구원 개인 유전형 및 표현형 정보를 고려한 맞춤형 식품정보 추천 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11049603B1 (en) 2020-12-29 2021-06-29 Kpn Innovations, Llc. System and method for generating a procreant nourishment program
US11355229B1 (en) 2020-12-29 2022-06-07 Kpn Innovations, Llc. System and method for generating an ocular dysfunction nourishment program
US11735310B2 (en) 2020-12-29 2023-08-22 Kpn Innovations, Llc. Systems and methods for generating a parasitic infection nutrition program
US11854685B2 (en) 2021-03-01 2023-12-26 Kpn Innovations, Llc. System and method for generating a gestational disorder nourishment program
US11935642B2 (en) 2021-03-01 2024-03-19 Kpn Innovations, Llc System and method for generating a neonatal disorder nourishment program

Also Published As

Publication number Publication date
KR102155776B1 (ko) 2020-09-15
KR20190030025A (ko) 2019-03-21

Similar Documents

Publication Publication Date Title
WO2019054737A1 (ko) 비만과 관련된 유전 정보를 이용한 개인 맞춤형 체지방 관리 방법
Xu et al. The interplay between host genetics and the gut microbiome reveals common and distinct microbiome features for complex human diseases
Kraft et al. Replication in genome-wide association studies
Govindaraj et al. Genome-wide analysis correlates Ayurveda Prakriti
Coram et al. Leveraging multi-ethnic evidence for risk assessment of quantitative traits in minority populations
Li et al. Meta-analysis of shared genetic architecture across ten pediatric autoimmune diseases
Foroud et al. Cognitive scores in carriers of Huntington's disease gene compared to noncarriers
Brkanac et al. Autosomal dominant sensory/motor neuropathy with Ataxia (SMNA): Linkage to chromosome 7q22‐q32
Kaplanis et al. Exome-wide assessment of the functional impact and pathogenicity of multinucleotide mutations
Santos et al. A minimum set of ancestry informative markers for determining admixture proportions in a mixed American population: the Brazilian set
Yang et al. α1-antitrypsin and neutrophil elastase imbalance and lung cancer risk
Podlesny et al. Strain inheritance and neonatal gut microbiota development: a meta-analysis
Wang et al. Self-reported ethnicity, genetic structure and the impact of population stratification in a multiethnic study
CN107256323B (zh) 一种ⅱ型糖尿病风险评估模型的构建方法和构建系统
KR101607827B1 (ko) 개인 유전체 기반의 비만 위험도 분석 시스템 및 방법
Colonna et al. Small effective population size and genetic homogeneity in the Val Borbera isolate
Nunes et al. HLA imputation in an admixed population: An assessment of the 1000 Genomes data as a training set
WO2021025218A1 (ko) 연관 표현형의 유전적 위험도를 결합한 질병의 위험도 예측 장치 및 방법
Liu et al. Controlling population structure in human genetic association studies with samples of unrelated individuals
Taylor et al. Gene-environment effects of SLC4A5 and skin color on blood pressure among African American women
CN108103184A (zh) 一种用于检测强直性脊柱炎易感风险位点的试剂盒
Hwa et al. A panel of 130 autosomal single-nucleotide polymorphisms for ancestry assignment in five Asian populations and in Caucasians
WO2017204482A2 (ko) Snp를 이용한 질병 관련 유전체 분석 시스템 및 장치
Schijven et al. Genetic cross-disorder analysis in psychiatry: from methodology to clinical utility
Greig et al. Linkage to nodal osteoarthritis: quantitative and qualitative analyses of data from a whole-genome screen identify trait-dependent susceptibility loci

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 18856786

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18856786

Country of ref document: EP

Kind code of ref document: A1