16강 / 20강

【실습】 TCGA 에서 항원제시 고장을 센다

무엇을 셌고 · 무엇을 못 셌는지까지 적는다

15강의 숫자를 우리 손으로 다시 만들어 봅니다. 그리고 정의를 바꾸면 숫자가 얼마나 흔들리는지 봅니다.

재료는 cBioPortal 의 TCGA PanCanAtlas 변이 자료입니다. 우리가 미리 세어 `ag_facts.json` 에 담아 뒀어요.

고등학생우리 손으로 다시 만들어 봅니다

15강의 숫자를 직접 계산합니다.

문헌의 숫자를 믿지 말고 재현해 본다

왜 그게 중요한가

—	—
같은 물음에도	정의에 따라 숫자가 다르다 ⭐
직접 해 보면	어디서 갈리는지 안다 ✔

"몇 %가 고장인가" 는 무엇을 고장이라 부르나 에 달렸다

정해야 할 것들

결정	영향
어떤 유전자를 볼까	범위
어떤 변이를 셀까	절단형만? 미스센스도? ⭐
발현도 볼까	15강의 과소평가 문제
어떤 암종	크게 다르다 ⭐

결정 하나가 숫자를 몇 배 바꾼다

그래서 이 실습의 목적

—	—
정확한 숫자를 얻는 것	아니다
숫자가 어디서 오는지	아는 것 ⭐

논문의 숫자를 읽는 눈을 만드는 것이 목적이다

코드보다 정의가 먼저입니다. 정의 없이는 숫자를 견줄 수 없어요.

Python 브라우저에서 실행

# 우리가 센 것의 정의를 먼저 읽는다
import ag

ap = ag.facts()["ap"]
print("무엇을 셌나 - 정의")
print(f"  자료      cBioPortal TCGA PanCanAtlas 2018 · 연구 {len(ap['by_study'])}종")
print(f"  단위      종양 표본 (환자 아님) · 모두 {ap['n_sample']:,}개")
print(f"  유전자    항원제시 경로 {len(ap['genes'])}개")
print(f"  변이      단백질을 바꾸는 것만 (미스센스·넌센스·틀이동·인델)")
print(f"  기준      위 유전자 중 하나라도 변이가 있으면 '있음'")
print()
print("유전자 목록")
for i in range(0, len(ap["genes"]), 7):
    print("  " + " · ".join(ap["genes"][i:i+7]))

'유전자별 합계' 를 '환자 비율' 로 말하면 과대평가가 됩니다.

Python 브라우저에서 실행

# 세어 본다
import ag
import pandas as pd

ap = ag.facts()["ap"]
행 = [{"유전자": g, "표본수": n, "비율(%)": round(100*n/ap["n_sample"], 3)}
      for g, n in sorted(ap["by_gene"].items(), key=lambda x: -x[1])]
T = pd.DataFrame(행)
print("변이가 많이 걸린 유전자 상위 15개")
print(T.to_string(index=False))
print()
print(f"이 15개의 표본 수 합계      {T['표본수'].sum():>6}")
print(f"49개 전체 · 표본 기준 (중복 제거) {ap['n_hit']:>6}   ({ap['pct']}%)")
print()
print("15개만 더해도 이미 중복 제거한 49개 전체 수를 넘습니다.")
print("한 표본이 **여러 유전자에** 변이를 가지기 때문이에요.")
print("**무엇을 단위로 세느냐**에 따라 숫자가 달라집니다.")

위와 아래가 스무 배 넘게 벌어집니다.

Python 브라우저에서 실행

# 암종마다 다른가 - 32종을 줄 세운다
import ag

by = ag.facts()["ap"]["by_study"]
순 = sorted(by.items(), key=lambda x: -x[1]["pct"])
print(f"{'암종':<10}{'표본':>7}{'변이 있음':>9}{'비율(%)':>9}")
for 이름, v in 순:
    막대 = "█" * int(v["pct"] / 2)
    print(f"{이름:<10}{v['n']:>7}{v['hit']:>9}{v['pct']:>9.2f}  {막대}")

깔끔한 그림이 나왔습니다. 그런데 — 여기서 멈추면 안 됩니다.

Python 브라우저에서 실행

# 위쪽과 아래쪽에 무엇이 있나
import ag

by = ag.facts()["ap"]["by_study"]
순 = sorted(by.items(), key=lambda x: -x[1]["pct"])
print("높은 쪽 6종:", " · ".join(f"{k} {v['pct']}%" for k, v in 순[:6]))
print("낮은 쪽 6종:", " · ".join(f"{k} {v['pct']}%" for k, v in 순[-6:]))
print()
print("높은 쪽 - 흑색종(SKCM) · 자궁내막암(UCEC) · 위암(STAD) · 방광암(BLCA) · 폐암(LUSC)")
print("         전부 **돌연변이가 많은** 암이고, 면역치료가 잘 듣는 암입니다.")
print()
print("낮은 쪽 - 갑상선암(THCA) · 고환종양(TGCT) · 부신경절종(PCPG) · 포도막흑색종(UVM)")
print("         전부 **돌연변이가 적은** 암입니다.")
print()
print("맨 위의 DLBC(림프종)는 따로 봐야 합니다 - 표본이", by["DLBC"]["n"], "개뿐이에요.")
lo, hi = 22/41 - 1.96*(0.5364*0.4636/41)**0.5, 22/41 + 1.96*(0.5364*0.4636/41)**0.5
print(f"22/41 의 95% 구간은 대략 {100*lo:.0f}~{100*hi:.0f}% - 아주 넓습니다.")
print("**표본이 적으면 순위 맨 위에 우연히 올라올 수 있습니다.**")
print("(DLBC 에서 B2M 소실이 실제로 알려져 있기는 합니다. 다만 이 표만으로는 말할 수 없어요.)")

이 결과에는 큰 교란이 있습니다

"T세포 압력이 센 암에서 항원제시가 더 많이 고장 났다" 로 읽고 싶어집니다. 면역 편집 이야기와 딱 맞으니까요.

그런데 더 단순한 설명이 있습니다 — 돌연변이가 많은 암은 어느 유전자든 변이가 많습니다. 49개 유전자에 변이가 있을 확률도 그냥 따라 올라가요.

흑색종은 자외선, 자궁내막암·위암은 MSI(불일치 복구 결함), 폐암은 담배 — 전부 돌연변이를 많이 만드는 원인이 있습니다.

둘을 가르려면 총 돌연변이 수로 보정하고, "기대보다 많이 걸렸는가" 를 물어야 합니다. 그리고 기능 상실 변이가 특히 몰렸는가(넌센스·틀이동) 를 봐야 해요 — 선택이라면 망가뜨리는 변이가 몰릴 테니까요.

우리 자료로는 그 보정을 하지 못합니다. 그래서 "관계가 있다" 까지만 말하고 멈춥니다.

고등학생이 결과에는 큰 교란이 있습니다

note 의 이 경고를 구체적으로 봅시다.

암종마다 변이 부담이 다르다 — 그래서 비교가 왜곡된다

무슨 일이 생기나

암종	변이 수	B2M 변이 발견
흑색종 · 폐암	아주 많다	많이 보인다 ⚠
소아암 · 일부 육종	적다	적게 보인다

"변이가 많아서" 인지 "면역 압력 때문" 인지 구별이 안 된다 ⚠

그래서 필요한 보정

방법	—
전체 변이 수로 나눈다	기대 대비 ⭐
암종별로 따로 본다	✔
기대값과 비교	유전자 길이 · 변이율 고려

9강의 기준선 이야기와 같다 — "기대보다 많은가" 를 물어야 한다

더 미묘한 교란

—	—
MSI 종양은	변이도 많고 면역도 활발 ⚠
둘이 얽혀 있다	—

교란 변수를 완전히 걷어내기 어렵다 — 그래서 밝힌다

/stat 의 교란 이야기가 여기서 실제 문제로 나타납니다.

우리가 못 센 것 — 반드시 함께 적습니다

① HLA 이형접합 소실(LOH) — 복제수 자료가 필요합니다. 안 셌습니다.
② 발현 저하·후성유전학적 침묵 — RNA 자료가 필요합니다. 안 셌습니다.
③ 조절 부위 변이 — 우리는 단백질을 바꾸는 변이만 셌습니다.
④ 구조 변이 — 큰 결실·융합은 이 자료에 없습니다.
⑤ 종양 내 이질성 — 한 종양 안에서도 세포마다 다릅니다. 벌크 자료는 평균만 봅니다.

그래서 우리 숫자는 아래쪽 한계 입니다. "최소한 이만큼" 이라고 말할 수 있고, "이만큼뿐" 이라고는 말할 수 없어요.

이것을 적어 두는 것이 이 강의가 가르치려는 가장 중요한 습관입니다.

고등학생우리가 못 센 것 — 반드시 함께 적습니다

note 의 이 습관이 이 강의가 가르치려는 것입니다.

"무엇을 셌나" 만큼 "무엇을 못 셌나" 가 중요하다

이 분석이 못 센 것들

못 센 것	—
후성유전학적 침묵	서열은 정상 ⚠ (15강)
HLA LOH	전용 도구 필요
발현 감소	RNA 를 봐야
단백질 수준	—
종양 내 이질성	덩어리 평균이라 ⚠
조절 부위 변이	엑솜만 봤다면

목록이 실제 결과보다 길다 — 그게 정상이다

이게 왜 좋은 태도인가

—	—
독자가 판단할 수 있다	✔
다음 연구가 이어받는다	✔ ⭐
과잉 해석을 막는다	✔

한계를 적으면 신뢰가 올라간다 — /ml 19강과 같다

그리고 방향도 알 수 있습니다

—	—
못 센 것들이 전부	같은 방향이면 ⭐
결론	"이 숫자는 과소평가다" ✔

편향의 방향을 알면 — 숫자를 못 고쳐도 해석은 할 수 있다

"최소 몇 %" 라고 말할 수 있는 거죠.

숫자 하나를 옮겨 적기 전에 그 숫자의 정의를 확인하는 습관.

Python 브라우저에서 실행

# 정의를 바꾸면 숫자가 얼마나 흔들리나
import ag

ap = ag.facts()["ap"]
by = ap["by_gene"]
N = ap["n_sample"]

묶음 = [("B2M 만", ["B2M"]),
        ("B2M + TAP1/2", ["B2M", "TAP1", "TAP2"]),
        ("MHC-I 구조 부품", ["B2M", "HLA-A", "HLA-B", "HLA-C"]),
        ("MHC 조절인자", ["NLRC5", "CIITA", "RFX5"]),
        ("상위 15개 전부", list(by))]
print(f"{'어느 유전자를 넣느냐':<24}{'유전자 수':>10}{'변이 합계':>10}{'비율(%)':>10}")
for 이름, gs in 묶음:
    n = sum(by.get(g, 0) for g in gs)
    print(f"{이름:<24}{len(gs):>10}{n:>10}{100*n/N:>10.2f}")
print()
print(f"논문이 쓴 49개 유전자 · 표본 중복 제거   ->  {ap['pct']}%")
print()
print("같은 자료인데 정의에 따라 열 배 넘게 벌어집니다.")
print("논문에서 '항원제시 결함 X%' 를 보면 **어느 유전자를 넣었는지** 반드시 찾아보세요.")

이 강의가 만든 숫자를 어떻게 말해야 하나

이렇게 말할 수 있다

"TCGA PanCanAtlas 에서 단백질을 바꾸는 변이만 셌을 때, 항원제시 경로 유전자에 변이가 있는 환자가 15.85% 였다"

이렇게 말하면 안 된다

"암 환자의 15.85% 가 항원제시에 결함이 있다"
— LOH·발현 저하를 안 셌고, 변이가 있다고 기능이 망가졌다는 뜻도 아니다

변이가 있다 ≠ 단백질이 망가졌다. 미스센스 변이 중 상당수는 기능에 영향이 없습니다. 그것까지 가리려면 별도의 분석이 필요해요.

고등학생재현해 보는 것의 값어치

16강을 마치며 이 실습의 의미를 봅시다.

같은 자료로 다시 계산해 보면 — 논문을 다르게 읽게 된다

알게 되는 것

—	—
숫자가 얼마나 흔들리나	정의에 따라 ⭐
어떤 결정이 결정적인가	—
어디까지가 튼튼한 결론인가	✔

여러 정의로 해도 같은 결론이면 — 믿을 만하다 ⭐

이걸 민감도 분석이라 합니다

—	—
가정을 바꿔 가며	—
결론이 버티나	확인 ✔

/viz 19강의 "다르게 그려도 같은가" 와 같은 태도다

그리고 공개 자료의 힘

—	—
TCGA 가 공개돼 있어서	—
누구나 확인할 수 있다	✔ ⭐

검증 가능성이 과학의 조건이다 — 그래서 자료 공개가 중요하다

이 강의가 진짜 자료를 쓰는 이유이기도 합니다.

🤔 확인 문제

'유전자별 변이 합계' 와 '변이가 있는 환자 수' 가 다른 이유는?

🤔 확인 문제

우리가 센 15.85% 를 '아래쪽 한계' 라고 말하는 이유는?

🤔 확인 문제

'변이가 있다' 와 '단백질이 망가졌다' 를 구별해야 하는 이유는?