12강 / 20강

【실습】 KRAS G12C 를 게시판에 올려 본다

변이 하나 → 9mer 아홉 개 → 여덟 게시판 채점 · 누가 볼 수 있나

실제로 해 봅시다. KRAS G12C — 12번 글자 글리신(G)이 시스테인(C)으로 바뀐 변이, LUAD 환자 70명에서 나왔습니다.

절차는 이렇습니다.

✏️

① 서열을 바꾼다

UniProt KRAS 의 12번을 C 로

🪟

② 창을 낸다

그 자리를 품는 9mer 아홉 개

📊

③ 채점한다

게시판 여덟 개 × 조각 아홉 개

고등학생변이 하나 → 9mer 아홉 개

구체적인 변이 하나를 끝까지 따라가 봅니다.

변이 위치를 포함하는 9mer 는 — 아홉 개

왜 아홉 개인가

—	—
변이가 9mer 의 1번째일 때	—
… 9번째일 때까지	아홉 가지 ⭐

창을 한 칸씩 밀며 만드는 것이다

각 창의 성격이 다릅니다

변이 위치	영향
P2 · P9	앵커 — 결합이 바뀐다 ⭐
P3~P8	T세포가 보는 자리 ⭐
P1	중간

같은 변이가 창에 따라 전혀 다른 뜻을 갖는다 — 9강의 구분

그래서 아홉 개를 다 채점합니다

—	—
어느 창이 가장 잘 붙나	—
그 창에서 변이가 어디에 있나	⭐

둘 다 좋아야 한다 — 잘 붙고 변이가 보이는 자리에

그리고 여덟 게시판(HLA)에 대해 각각 하니 9 × 8 = 72 번 채점하는 셈입니다.

글자 하나입니다. 그런데 그 하나가 전에 없던 조각을 만듭니다.

Python 브라우저에서 실행

# ① 서열을 바꾼다
import ag

wt = ag.protein("KRAS")
print("KRAS (UniProt P01116) 앞 30 글자")
print("  야생형 :", wt[:30])
mu = ag.mutate(wt, "G12C")
print("  G12C   :", mu[:30])
print()
print("12번 자리:", wt[11], "->", mu[11])
diff = "".join("^" if a != b else " " for a, b in zip(wt[:30], mu[:30]))
print("          ", diff)

9mer 창은 아홉 개뿐입니다 — 변이 자리가 P1 부터 P9 까지 한 번씩.

Python 브라우저에서 실행

# ② 그 자리를 품는 9mer 를 전부 낸다
import ag

mu = ag.mutate(ag.protein("KRAS"), "G12C")
창 = ag.windows(mu, 12, k=9)
print(f"12번을 품는 9mer {len(창)}개")
for 시작, 조각 in 창:
    자리 = 12 - 시작 + 1                     # 조각 안에서 변이가 몇 번째인가
    표시 = 조각[:자리-1] + "[" + 조각[자리-1] + "]" + 조각[자리:]
    print(f"  시작 {시작:>3}   {조각}   변이가 P{자리}   {표시}")

가로가 조각, 세로가 게시판. 큰 숫자를 찾아보세요.

Python 브라우저에서 실행

# ③ 여덟 게시판에서 채점한다
import ag
import pandas as pd

mu = ag.mutate(ag.protein("KRAS"), "G12C")
창 = ag.windows(mu, 12, k=9)
행렬 = {a: ag.pssm(ag.peptides(a, "모티프")["펩타이드"].tolist()) for a in ag.alleles()}

표 = []
for 시작, 조각 in 창:
    r = {"9mer": 조각, "변이위치": f"P{12-시작+1}"}
    for a in ag.alleles():
        r[a.replace("HLA-", "")] = round(ag.score(조각, 행렬[a]), 1)
    표.append(r)
T = pd.DataFrame(표)
print(T.to_string(index=False))

게시판마다 다른 조각을 고릅니다. 같은 변이인데도요.

Python 브라우저에서 실행

# 게시판마다 '가장 좋은 조각' 은 다른가
import ag

mu = ag.mutate(ag.protein("KRAS"), "G12C")
창 = ag.windows(mu, 12, k=9)
print(f"{'대립유전자':<14}{'최고 점수 조각':<14}{'점수':>8}{'변이 위치':>10}")
for a in ag.alleles():
    S = ag.pssm(ag.peptides(a, "모티프")["펩타이드"].tolist())
    best = max(창, key=lambda x: ag.score(x[1], S))
    시작, 조각 = best
    print(f"{a:<14}{조각:<14}{ag.score(조각, S):>8.2f}{'P' + str(12-시작+1):>10}")

예상과 반대입니다. 이럴 때가 배울 게 가장 많습니다.

Python 브라우저에서 실행

# 야생형과 견준다 - 변이가 점수를 올렸나 내렸나
import ag

wt = ag.protein("KRAS")
mu = ag.mutate(wt, "G12C")
S = ag.pssm(ag.peptides("HLA-A*11:01", "모티프")["펩타이드"].tolist())
print("HLA-A*11:01 기준")
print(f"{'시작':>4}  {'야생형 9mer':<12}{'점수':>7}   {'G12C 9mer':<12}{'점수':>7}{'차이':>8}")
for 시작, 조각m in ag.windows(mu, 12, k=9):
    조각w = wt[시작-1:시작-1+9]
    sw, sm = ag.score(조각w, S), ag.score(조각m, S)
    print(f"{시작:>4}  {조각w:<12}{sw:>7.2f}   {조각m:<12}{sm:>7.2f}{sm-sw:>+8.2f}")
print()
print("어라. **야생형이 더 높습니다.** VVGAGGVGK 가 9.11, VVGACGVGK 가 4.01.")
print("변이가 결합을 **떨어뜨렸어요.**")

고등학생우리 예측기는 G12C 를 나쁘게 봅니다

note 의 이 결과가 정직한 실패입니다.

예측 점수가 낮게 나왔다 — 그런데 실제로는 알려진 에피토프다

왜 이런 일이

가능성	—
예측기의 한계	10강 — AUC 가 1.0 이 아니다
이 대립유전자의 자료 부족	3강 ⚠
자리 상호작용	PSSM 이 못 본다

모형이 틀릴 수 있다는 것을 실물로 보는 순간이다

이 경험이 중요한 이유

—	—
예측이 맞을 때만 보면	도구를 과신한다 ⚠
틀리는 것을 보면	적절히 의심하게 된다 ✔ ⭐

실패 사례를 보여 주는 강의가 드물다 — 그래서 값지다

실무에서의 대응

—	—
여러 도구를 함께 쓴다	의견이 갈리면 주의 ⭐
낮은 점수도 버리지 않는다	다른 근거가 있으면
실험으로 확인	결국 이것 ⭐

예측은 후보를 좁히는 도구지 판정이 아니다

비유 — 서류 심사

—	—
서류에서 떨어진 사람 중	—
실제로 훌륭한 사람이 있다	⚠

거르는 기준이 완벽하지 않다 — 알고 쓰는 것과 모르는 것이 다르다

이 표에 이 강의에서 가장 중요한 결론이 들어 있습니다.

Python 브라우저에서 실행

# 그 한 칸을 파고든다 - VVGAxGVGK 자리
import ag

wt = ag.protein("KRAS")
S = {a: ag.pssm(ag.peptides(a, "모티프")["펩타이드"].tolist()) for a in ag.alleles()}
머리 = f"{'변이':<7}{'9mer':<12}" + "".join(f"{a.replace('HLA-',''):>9}" for a in ag.alleles())
print(머리)
print("-" * len(머리))
줄 = [("야생형", wt)] + [(c, ag.mutate(wt, c)) for c in ["G12C", "G12D", "G12V", "G12A", "G12R", "G12S"]]
for 이름, seq in 줄:
    조각 = seq[7:16]                       # 시작 8번 - 변이가 P5 에 온다
    print(f"{이름:<7}{조각:<12}" + "".join(f"{ag.score(조각, S[a]):>9.2f}" for a in ag.alleles()))
print()
print("A*03:01 과 A*11:01 두 칸만 8~10 bit 로 솟아 있습니다. 나머지는 전부 음수.")
print("그리고 **어떤 변이가 오든 점수가 거의 안 변합니다.**")

고등학생왜 변이를 바꿔도 점수가 안 변하나

note 의 이 관찰이 9강의 확인입니다.

앵커를 안 건드리면 — 결합 점수는 그대로다

왜 그런가

—	—
PSSM 점수는 자리별 합	10강
앵커 자리의 기여가 크다	—
가운데 자리는	기여가 작다 ⭐

가운데를 바꿔도 합이 거의 안 변한다 — 구조 그대로다

그런데 이게 좋은 소식입니다

—	—
결합은 유지된다 ✔	게시판에 오른다
그런데 T세포는 다르게 본다 ⭐	9강

붙기는 정상과 같게, 보이기는 다르게 — 이상적인 신생항원이다

반대로 앵커 변이는

—	—
결합이 확 바뀐다	—
좋아질 수도	정상은 안 붙고 변이만 붙는다 ⭐
나빠질 수도	아예 안 붙는다 ⚠

앵커 변이는 양날이다 — 결과가 극단적이다

그래서 신생항원 우선순위

유형	—
정상은 안 붙고 변이는 붙는다	최고 ⭐
둘 다 붙는데 가운데가 다르다	좋다 ✔
둘 다 붙고 거의 같다	구별 못 한다 ⚠

"정상 대비" 를 함께 보는 것이 실무의 핵심이다

왜 변이를 바꿔도 점수가 안 변하나 — 앵커를 안 건드렸기 때문

VVGAxGVGK 를 자리별로 보세요.

V V G A x G V G K
P1 P2 P3 P4 P5 P6 P7 P8 P9
        ↑앵커           변이           앵커↑

9강에서 배운 대로 A*11:01 은 P2 에 T/V, P9 에 K 를 좋아합니다. 이 조각은 P2 가 V, P9 가 K — 앵커 두 개가 완벽합니다.

그런데 변이는 P5 에 있어요. 홈 밖으로 솟아 TCR 이 만지는 자리입니다. 그러니 MHC 결합 점수는 거의 안 변하지요.

여기서 우리 예측기의 한계가 드러납니다. 결합 예측만으로는 이 조각이 신생항원인지 알 수 없습니다 — 야생형도 똑같이 잘 붙거든요. 차이를 아는 것은 T세포뿐입니다.

9강의 "앵커는 MHC 를 위한 자리, 가운데는 T세포를 위한 자리" 가 여기서 실제 임상 표적 위에서 되풀이됩니다.

그리고 이 조각은 진짜입니다

우리는 아무 사전 지식 없이 — UniProt 서열 하나, IEDB 펩타이드, 덧셈 아홉 번으로 — VVGAxGVGK 와 HLA-A*11:01 이라는 짝을 골라냈습니다.

이 짝은 문헌에 실제로 보고된 KRAS 신생항원입니다. G12D·G12V 를 가진 환자에서 이 펩타이드를 알아보는 T세포를 찾아 TCR 을 옮겨 심는 치료가 시도되었어요.

우리 표에서 G12V 가 가장 높고(9.83) G12C 가 가장 낮은 것도 우연이 아닙니다 — 실제로 이 자리에서 성공 사례가 나온 것은 G12V·G12D 쪽입니다.

다만 우리가 한 것은 후보를 좁힌 것뿐입니다. "이 짝이 유망하다" 까지는 계산이 말해 주지만, "환자에게 듣는다" 는 실험과 임상만이 말할 수 있습니다.

그리고 야생형도 A*11:01 에 잘 붙는다는 것은 위험 신호이기도 합니다 — 정상 세포도 이 조각을 게시하고 있을 수 있으니까요. 표적으로 쓰려면 그 T세포가 P5 를 정확히 구별하는지 확인해야 합니다.

앵커를 바꾸는 변이가 결합 예측으로 잡히는 신생항원입니다.

Python 브라우저에서 실행

# 앵커를 건드리는 변이는 다를까 - 다른 유전자로 확인
import ag

S = ag.pssm(ag.peptides("HLA-A*02:01", "모티프")["펩타이드"].tolist())
print("HLA-A*02:01 기준 · 야생형 대비 점수 변화가 가장 큰 창")
print(f"{'유전자':<8}{'변이':<9}{'야생형 9mer':<12}{'변이 9mer':<12}{'차이':>8}{'변이 위치':>10}")
for _, r in ag.hotspots().head(14).iterrows():
    g, c = r["유전자"], r["변이"]
    try:
        wt = ag.protein(g)
        mu = ag.mutate(wt, c)
    except (KeyError, ValueError):
        continue
    pos = int(c[1:-1])
    최대 = None
    for 시작, 조각m in ag.windows(mu, pos, k=9):
        조각w = wt[시작-1:시작-1+9]
        d = ag.score(조각m, S) - ag.score(조각w, S)
        if 최대 is None or d > 최대[0]:
            최대 = (d, 조각w, 조각m, pos - 시작 + 1)
    if 최대:
        print(f"{g:<8}{c:<9}{최대[1]:<12}{최대[2]:<12}{최대[0]:>+8.2f}{'P' + str(최대[3]):>10}")
print()
print("변이 위치 칸을 보세요 - 차이가 큰 것은 거의 다 **P2 나 P9**, 곧 앵커 자리입니다.")
print("그런 변이는 '야생형은 안 붙는데 변이형은 붙는' 진짜 새 게시물을 만듭니다.")

고등학생여기까지가 결합 예측일 뿐입니다

note 의 이 마무리가 13강으로 넘어가는 문입니다.

72번을 채점했는데 — 답한 물음은 "붙나" 하나뿐이다

아직 모르는 것들

물음	강
실제로 잘리나	4강 ⚠
실제로 운반되나	5강 ⚠
실제로 표면에 오르나	14강 ⚠
T세포가 있나	13강 ⚠⚠
반응이 충분한가	13강

다섯 물음이 전부 남아 있다

가장 큰 미지수

—	—
그 T세포가 존재하나	사람마다 다르다 ⭐
가슴샘에서 우연히 제거됐을 수도	⚠

게시판에 올라도 볼 사람이 없으면 소용없다

그래서 실험이 필요합니다

확인 방법	—
환자 T세포와 만나게 한다	—
반응하나	사이토카인 · 증식 ⭐

계산은 후보를 72개에서 몇 개로 줄일 뿐이다 — 그것도 큰 도움이다

실험할 수 있는 개수가 한정돼 있으니까요. 좁혀 주는 것 자체가 값어치입니다.

🤔 확인 문제

한 변이 자리를 품는 9mer 창이 정확히 아홉 개인 이유는?

🤔 확인 문제

VVGAxGVGK 에서 어떤 변이가 오든 A*11:01 점수가 거의 안 변한 이유는?

🤔 확인 문제

야생형 VVGAGGVGK 도 A*11:01 에 잘 붙는다는 사실이 표적 개발에서 뜻하는 것은?