19강 / 20강

【실습】 종양 안의 B세포 — 네 표본을 한 표로

흑색종 B세포 5,644개 · 혈액과 무엇이 같고 무엇이 다른가

마지막 실습입니다. 지금까지 만든 도구를 전부 써서 혈액 B세포와 종양 B세포가 무엇이 다른지 봅니다.

먼저 예상을 적어 둡시다. 종양 안에 3차 림프구조(TLS) 가 있다면 — 곧 종양 안에 배중심 비슷한 것이 서 있다면 — 이런 것들이 보여야 합니다.

예상	이유	어디서 확인
전환된 세포가 더 많다	현장에서 클래스 전환이 일어난다	12강의 방법
클론이 불어나 있다	항원이 있으니 특정 클론이 증식한다	13강의 방법
돌연변이가 더 많다	배중심 반응이 현장에서 돈다	10강의 방법

예상을 먼저 적고 확인합니다. 결과를 보고 나서 이유를 지어내지 않으려고요.

이 표 한 장이 19강 분량의 요약입니다.

Python 브라우저에서 실행

# 네 표본 한 표 - 이 강의가 잰 모든 것
import bc
import pandas as pd

행 = []
for s in bc.SAMPLES:
    o = bc.facts()["per_sample"][s]
    행.append({
        "표본": s,
        "세포": o["n_cell"],
        "클론": o["n_clone"],
        "최대클론": o["top"][0],
        "kappa %": o["kl_pct"],
        "전환 %": o["switched_pct"],
        "SHM 미접촉": o["shm_naive_med"],
        "SHM 전환": o["shm_switched_med"],
        "CDR3 중앙": o["cdr3_med"],
        "Gini": o["gini"],
    })
t = pd.DataFrame(행).set_index("표본")
print(t.to_string())

첫 번째 예상이 맞지 않습니다. 그대로 적습니다.

Python 브라우저에서 실행

# 예상 하나씩 확인 - 전환된 세포가 더 많은가
import bc

혈액 = ["PBMC-A", "PBMC-B", "PBMC-C"]
o = bc.facts()["per_sample"]
혈액전환 = [o[s]["switched_pct"] for s in 혈액]
종양전환 = o["MEL"]["switched_pct"]
print("전환된 세포 비율 %")
for s in 혈액:
    print(f"  {s:<10}{o[s]['switched_pct']:>6.1f}%  (세포 {o[s]['n_cell']:,})")
print(f"  {'MEL':<10}{종양전환:>6.1f}%  (세포 {o['MEL']['n_cell']:,})")
print()
print(f"혈액 범위 {min(혈액전환):.1f}~{max(혈액전환):.1f}% / 종양 {종양전환:.1f}%")
print("=> 종양이 혈액 범위 **안**입니다. 예상과 다릅니다.")

「T세포 첫걸음」에서 본 종양 T세포의 클론 확장과 딴판입니다.

Python 브라우저에서 실행

# 두 번째 예상 - 클론이 불어나 있는가
import bc

print(f"{'표본':<10}{'세포':>8}{'클론':>8}{'최대클론':>9}{'Gini':>8}{'D50 %':>8}")
for s in bc.SAMPLES:
    o = bc.facts()["per_sample"][s]
    print(f"{s:<10}{o['n_cell']:>8,}{o['n_clone']:>8,}{o['top'][0]:>9}"
          f"{o['gini']:>8.3f}{o['d50_pct']:>7.1f}%")
print()
print("MEL 의 최대 클론이 6개입니다. 5,644 세포 가운데 6개예요.")
print("Gini 도 0.027 - 거의 완전히 고릅니다.")
print("=> 클론 확장이 **거의 없습니다**. 두 번째 예상도 빗나갔습니다.")

고등학생3차 림프 구조라는 것

림프절은 태어날 때부터 정해진 자리에 있다. 그런데 만성 염증이 오래 가는 곳에는 없던 림프 조직이 새로 생긴다. 이것이 3차 림프 구조다.

임시 학교 같은 것

재난 지역에 임시 학교가 세워지는 것과 비슷하다. 정규 학교(림프절)만큼 갖춰지지는 않았지만 가르치고 배우는 일이 실제로 일어난다. TLS 안에서도 B세포가 배중심을 만들고 항체를 다듬는다.

비유가 깨지는 곳

임시 학교는 언제나 좋은 일이다. TLS 는 아니다. 맥락에 따라 정반대로 작동한다.

상황	TLS 의 효과
흑색종 · 육종 · 폐암	대체로 좋음 — 면역 반응의 근거지
일부 신장암 · 만성 염증	나쁠 수 있음 — 조절 세포가 자리 잡음

같은 구조가 어디에 생기느냐에 따라 아군도 적군도 된다

예상 셋 가운데 셋 다 빗나갔습니다. 이제 무엇을 말할 수 있을까요.

Python 브라우저에서 실행

# 세 번째 예상 - 돌연변이가 더 많은가
import numpy as np
from scipy import stats
import bc

a = bc.shm("PBMC-A", bc.SWITCHED).values
b = bc.shm("MEL", bc.SWITCHED).values
print(f"PBMC-A 전환 세포 n={len(a):>4}  중앙값 {np.median(a):.2f}%")
print(f"MEL    전환 세포 n={len(b):>4}  중앙값 {np.median(b):.2f}%")
u, p = stats.mannwhitneyu(a, b)
print(f"Mann-Whitney p = {p:.3g}")
print()
print("종양 쪽이 오히려 조금 낮습니다.")
print("=> 세 번째 예상도 지지되지 않습니다.")

고등학생종양 B세포의 서열이 말해 주는 것

종양 안 B세포의 BCR 서열을 읽으면 그 자리에서 무슨 일이 있었는지 를 복원할 수 있다.

관찰	읽는 법
돌연변이율이 높다	배중심 반응이 실제로 돌았다 (10강)
클론이 크게 팽창	특정 항원에 대한 반응이 있었다
클래스가 IgG 로 전환	T세포 도움을 받았다 (11강)
같은 클론이 혈액에도 있다	반응이 전신으로 퍼졌다

이것이 왜 강력한가

조직 사진으로는 "B세포가 있다" 까지만 알 수 있다. 서열을 읽으면 그 B세포가 일을 했는지 를 알 수 있다. 있는 것과 일하는 것은 다르다. 이 강의에서 배운 세 가지 도구 — 돌연변이율, 클래스, 클론 크기 — 가 그대로 종양 판독 도구가 된다.

서열은 사진이 아니라 기록이다 — 시간이 들어 있다

빗나간 예상에서 무엇을 배우나

가장 정직한 결론은 이것입니다 —
이 흑색종 시료의 B세포는 혈액 B세포와 거의 구별되지 않는다.

왜일까요? 몇 가지 설명이 가능합니다.

① 이 종양에 TLS 가 없었을 수 있습니다. TLS 는 환자마다 있기도 없기도 합니다. 있는 환자가 면역치료에 더 잘 반응한다는 보고가 여럿 있어요.

② 시료 안의 B세포 대부분이 혈액에서 흘러 들어온 것일 수 있습니다. 조직 시료에는 언제나 혈액이 섞입니다.

③ 형질세포를 놓쳤을 수 있습니다. 항체를 뿜는 형질세포는 BCR 을 막에 잘 내놓지 않아 10x V(D)J 로 덜 잡힙니다. TLS 의 산물이 바로 그 세포인데요.

세 설명을 이 자료로는 못 가릅니다. 그것까지가 결론입니다.

고등학생아직 모르는 것

정직하게 남겨 둘 물음들이 있다.

물음	현재 상태
종양 B세포는 무엇을 인식하나	대부분 미상. 신생항원인지, 자기 항원인지 불분명
항체가 종양을 실제로 해치나	일부 증거는 있으나 항원 제시 역할이 더 클 수도
TLS 를 인위적으로 만들 수 있나	동물에서 시도 중
B세포를 없애면 어떻게 되나	리툭시맙 사용 환자 자료가 엇갈림

이 강의가 여기서 끝나는 이유

스무 강 동안 배운 것은 답 이 아니라 답을 확인하는 방법 이다. 서열을 열고, 세고, 견주고, 기준선과 비교하는 절차. 위 물음들은 지금 세계 여러 실험실이 그 절차로 풀고 있는 중이다. 여러분이 방금 배운 것과 같은 도구로.

모르는 것을 정확히 아는 것이 연구의 출발점이다

🤔 확인 문제

종양 B세포에 대한 세 가지 예상이 모두 빗나간 뒤 이 강의가 내린 결론은?

🤔 확인 문제

이 강의가 경고한, 예상이 빗나갔을 때 하면 안 되는 일은?