Lesson 14 of 20

면역펩티돔 — 게시판을 통째로 읽는다

질량분석으로 MHC 에서 조각을 떼어 낸다 · 무엇이 보이고 무엇이 안 보이나

예측은 예측입니다. 게시판에 실제로 무엇이 올라 있는지 보려면 어떻게 할까요?

🧲

① 잡아당긴다

항체로 MHC 분자를 통째로 걷어낸다

💧

② 떼어낸다

산으로 홈에서 조각을 흘려 내린다

⚖️

③ 읽는다

질량분석으로 서열을 알아낸다

이렇게 얻은 목록을 면역펩티돔(immunopeptidome) 이라고 합니다. 우리가 9강에서 쓴 '모티프' 무리가 바로 이 방법으로 나온 것이에요.

High school게시판을 통째로 읽는다

예측이 아니라 직접 보는 방법입니다.

MHC 를 뽑아내 붙어 있던 조각을 전부 읽는다

순서

단계	—
1	세포를 깬다
2	항체로 MHC 만 건진다
3	붙어 있던 펩타이드를 떼어 낸다
4	질량분석으로 서열을 읽는다 ⭐

13강의 ②단계를 직접 확인하는 방법이다

무엇이 좋은가

—	—
예측이 필요 없다	실제로 본다 ✔
모든 단계를 통과한 것들	4·5강 전부 반영 ⭐
예상 못 한 것도	발견된다 ⭐

마지막이 중요하다 — 비정규 항원이 이렇게 발견된다

비정규 항원이란

—	—
비암호화 부위에서	—
틀 이동 · 스플라이싱 이상	—
펩타이드 접합	조각 둘이 이어진 것 ⭐

유전자 예측으로는 절대 못 찾을 것들이다

실험이 잘 됐는지를 <b>결과의 모양</b>으로 확인하는 방법입니다.

Python Runs in your browser

# 우리가 쓴 자료가 그 방법으로 나왔다
import ag

d = ag.peptides(use="모티프")
print(f"질량분석으로 확인된 9mer {len(d):,}개 (대립유전자 {d['대립유전자'].nunique()}종)")
print()
# 이 조각들이 정말 홈에 맞게 생겼나 - 모티프가 그 증거였다
for a in ["HLA-A*02:01", "HLA-B*07:02"]:
    peps = ag.peptides(a, "모티프")["펩타이드"].tolist()
    M = ag.pfm(peps)
    L = ag.logo(M, top=1)
    print(f"{a}  P2 {L[1][0][0]} {L[1][0][1]}%   P9 {L[8][0][0]} {L[8][0][1]}%")
print()
print("깨끗한 모티프가 나온다는 것 자체가 **제대로 떼어냈다는 증거**입니다.")
print("아무거나 섞여 있었다면 자리마다 골고루 나왔겠지요.")

MHC-I 은 9 에서 뾰족하고, MHC-II 는 넓게 퍼집니다 — 3강에서 본 홈의 모양 그대로.

Python Runs in your browser

# 길이 분포 - MHC-I 과 MHC-II 는 다르게 생겼다
import ag
import matplotlib.pyplot as plt

F = ag.facts()
fig, ax = plt.subplots(figsize=(6.4, 3.6))
for k, 라벨, c in [("length", "MHC-I (닫힌 홈)", "#2b6cb0"),
                   ("length_II", "MHC-II (열린 홈)", "#c05621")]:
    d = F[k]
    xs = sorted(int(x) for x in d)
    ys = [d[str(x)] for x in xs]
    tot = sum(ys)
    ax.plot(xs, [100*y/tot for y in ys], "o-", color=c, lw=2, label=라벨)
ax.set_xlabel("펩타이드 길이 (아미노산)")
ax.set_ylabel("비율 (%)")
ax.set_title("IEDB 면역펩티돔 — 길이 분포")
ax.legend()
plt.tight_layout()
plt.show()

홈이 양끝을 막으면 길이가 정해지고, 열려 있으면 삐져나올 수 있습니다.

Python Runs in your browser

# 숫자로 확인
import ag

F = ag.facts()
for k, 이름 in [("length", "MHC-I"), ("length_II", "MHC-II")]:
    d = F[k]
    tot = sum(d.values())
    xs = sorted(int(x) for x in d)
    최빈 = max(xs, key=lambda x: d[str(x)])
    print(f"{이름}")
    print(f"  펩타이드 {tot:,}개 · 최빈 길이 {최빈}")
    for x in xs:
        n = d[str(x)]
        print(f"    {x:>3}mer  {100*n/tot:>5.1f}%  {'█' * int(60*n/tot)}")
    print()

High school이 방법이 답할 수 있는 물음

면역펩티돔이 독특하게 답하는 것들입니다.

물음	—
실제로 무엇이 제시되나	✔ ⭐
치료 후 달라지나	✔
암과 정상이 다른가	✔ ⭐
예측이 맞았나	✔ — 검증

세 번째가 치료 표적 발굴의 가장 직접적인 길이다

예측과 비교하면

—	예측	면역펩티돔
비용	싸다 ✔	비싸다 ⚠
필요한 세포	없다	수억 개 ⚠
확실성	낮다	높다 ✔
놓치는 것	많다	있다 ⚠

세포가 많이 필요한 것이 임상 적용의 벽이다

그래서 조합해 씁니다

—	—
면역펩티돔으로 모형을 훈련	—
예측으로 넓게 적용	✔ ⭐

요즘 예측기가 질량분석 자료로 학습하는 이유다 — 3강

둘이 경쟁이 아니라 서로를 돕는 관계입니다.

질량분석이 못 보는 것

면역펩티돔은 강력하지만 완벽하지 않습니다.

① 양이 적으면 못 잡습니다. 세포 하나에 조각이 몇 개뿐이면 검출 한계 아래입니다. 그런데 T세포는 그 몇 개를 봅니다 — 그래서 "질량분석에 안 나왔다" 가 "제시되지 않는다" 를 뜻하지 않아요.

② 이온화가 잘 되는 서열이 유리합니다. 소수성이 강하거나 너무 짧으면 불리해요. 목록 자체에 편향이 있습니다.

③ 세포가 많이 필요합니다. 보통 10⁸ 개 단위 — 환자 조직으로는 어렵습니다. 그래서 세포주 자료가 많고, 실제 종양과 다를 수 있습니다.

④ 어느 HLA 것인지 모릅니다. 세포는 여섯 종류를 다 갖고 있어요. 그래서 한 가지 HLA 만 넣은 세포(단일대립유전자 세포주)를 씁니다 — 우리 자료의 깨끗한 모티프가 그래서 나온 겁니다.

High school질량분석이 못 보는 것

note 의 이 경고가 3강의 확장입니다.

"검출 안 됨" 이 "없음" 이 아니다 ⚠

놓치는 이유들

이유	—
양이 적다	세포당 몇 카피면 안 보인다 ⚠ ⭐
이온화가 나쁘다	—
동시에 너무 많다	흔한 것에 가린다
서열 결정 실패	—

첫 줄이 결정적이다 — 중요한 항원이 드물 수 있다

왜 문제인가

—	—
T세포는 몇 개만 있어도 반응한다	매우 민감 ⭐
질량분석은	그만큼 민감하지 않다 ⚠

면역계가 보는 것을 기계가 못 볼 수 있다

그래서 결론을 조심해야

주장	—
"이 항원이 검출됐다"	강하다 ✔ ⭐
"이 항원은 제시 안 된다"	약하다 ⚠

양성 결과는 강하고 음성 결과는 약하다 — 검출 방법의 일반 성질이다

비유 — 별 관측

—	—
"별을 봤다"	확실 ✔
"저기엔 별이 없다"	망원경 성능에 달렸다 ⚠

도구의 검출 한계를 함께 보고해야 한다

'안 보였다' 와 '없다' 는 다릅니다. 검출 한계를 아는 것이 자료를 읽는 힘입니다.

Python Runs in your browser

# 검출 한계를 느껴 본다 - 모형 계산
import ag
import numpy as np

print("세포 하나에 조각이 n 개 있을 때, 10^8 개 세포에서 나오는 총 분자 수")
print()
for n in [1, 10, 100, 1000]:
    총 = n * 1e8
    print(f"  세포당 {n:>5}개  ->  총 {총:>10.0e} 분자  ({총/6.022e23*1e15:>7.2f} fmol)")
print()
print("질량분석의 대략적인 검출 한계는 fmol 수준입니다.")
print("세포당 한 개짜리 조각은 **거의 못 잡습니다.**")
print("그런데 T세포는 세포당 열 개 정도면 반응할 수 있어요.")
print()
print("(검출 한계는 장비·방법마다 다릅니다. 여기 숫자는 감을 잡기 위한 모형입니다.)")

High school면역펩티돔이 바꾼 것

14강을 마치며 이 기술의 영향을 봅시다.

"예측 중심" 에서 "관측 중심" 으로 옮겨 갔다

바뀐 점들

이전	이후
결합 예측이 중심	제시 예측이 중심 ⭐
결합 실험 자료로 학습	질량분석 자료로 학습 ✔
정규 단백질만	비정규 항원도 ⭐

예측기의 성능이 크게 올랐다 — 자료가 바뀌어서

왜 자료가 성능을 바꿨나

—	—
결합 자료는 ① 만 반영	13강
질량분석 자료는 ①② 전부	✔ ⭐

더 나은 모형이 아니라 더 맞는 자료였다 — /ml 3강

이 교훈의 일반성

—	—
"모형을 바꿀까"	—
"자료를 바꿀까"	대개 효과가 크다 ⭐

/ml 2강의 그 이야기 — 모형보다 특징과 자료가 먼저다

"무엇을 예측하려는가" 를 정확히 정하는 것이 좋은 모형을 고르는 것보다 중요합니다.

🤔 Check yourself

면역펩티돔 자료에서 깨끗한 P2·P9 모티프가 나오는 것이 뜻하는 것은?

🤔 Check yourself

질량분석에서 검출되지 않은 펩타이드에 대해 말할 수 있는 것은?

🤔 Check yourself

면역펩티돔 실험에 한 가지 HLA 만 넣은 세포주를 쓰는 이유는?