Lesson 7 of 20

세 가지 종양 — 염증 · 배제 · 사막

논문 Fig 1A 의 분류 · 그리고 논문이 하나를 뺀 이유

종양 슬라이드를 현미경으로 보면 면역세포의 위치가 세 가지로 갈립니다. Saltz 팀이 딥러닝으로 TCGA 슬라이드 전체를 훑어 정리한 분류예요.

🔥

면역염증
inflamed

림프구가 종양 안까지 들어와 암세포와 섞여 있다.
면역치료가 가장 잘 듣는 상태

🚧

면역배제
excluded

림프구가 가장자리에만 모여 있다.
왔지만 못 들어갔다 — 대개 기질(섬유아세포)이 막는다

🏜️

면역사막
desert

림프구가 아예 없다.
아예 오지 않았거나, 오는 신호가 꺼져 있다

같은 "면역치료가 안 듣는 종양" 이라도 배제와 사막은 원인이 다릅니다. 배제는 길의 문제이고, 사막은 부름의 문제예요. 치료법도 달라야 합니다.

High school손님이 없는 파티 — 이유가 두 가지입니다

종양 슬라이드를 현미경으로 보면 면역세포의 위치가 세 가지로 갈립니다. 위치만 보고 이름을 붙인 거예요.

이름	림프구가	파티로 치면	면역치료
🔥 면역염증 inflamed	종양 안까지 들어와 섞여 있다	손님이 거실까지 들어와 있다	가장 잘 듣는다
🚧 면역배제 excluded	가장자리에만 모여 있다	손님이 문 앞에 서 있다	잘 안 듣는다
🏜️ 면역사막 desert	아예 없다	아무도 안 왔다	잘 안 듣는다

배제와 사막은 왜 갈라야 하나

둘 다 "면역치료가 안 듣는 종양" 입니다. 그런데 이유가 정반대예요.

배제 = 길의 문제 · 사막 = 부름의 문제

파티에 사람이 없습니다. 왜일까요?

초대는 했는데 문이 잠겨 있다 → 문을 열어야 한다 (배제)
초대장을 아예 안 보냈다 → 초대장을 보내야 한다 (사막)

문 앞에 사람이 잔뜩 서 있는데 초대장을 더 보내면? 아무 소용 없습니다. 아무도 안 왔는데 문만 열어 놓으면? 역시 소용없습니다.

원인이 다르면 치료법도 달라야 한다

겉으로 보이는 결과(면역치료가 안 듣는다)가 같다고 같은 병이 아닙니다. 의학에서 병을 잘게 나누려고 애쓰는 이유가 이겁니다 — 같은 증상 아래 다른 원인이 숨어 있으니까요.

High school논문이 가운데를 뺀 이유 — 그리고 그 대가

논문은 셋 중 배제형을 통째로 뺐습니다. 왜 그랬고, 무엇을 잃었을까요.

뺀 이유

배제형에서 림프구를 막는 것은 암세포가 아니라 기질(섬유아세포가 깐 담장)입니다.

그런데 이 논문이 찾는 것은 암세포 안의 조절자예요. 범인을 암세포 안에서 찾겠다는 겁니다.

범인이 담장인 환자를 섞어 두고 암세포 안에서 범인을 찾을 수는 없다

3강에서 항원제시가 망가진 환자를 뺀 것과 완전히 같은 논리입니다. 이미 다른 이유로 설명되는 사람을 빼야, 설명 안 되는 사람이 보여요.

그런데 대가가 있습니다

뺀 만큼 결론의 범위가 좁아집니다. 논문의 결론은 이렇게 읽어야 해요 —

이렇게 말할 수 있다	이렇게 말할 수 없다
DDX54 는 면역사막형 폐암의 마스터 조절자다	DDX54 는 모든 폐암의 마스터 조절자다

배제형에도 통하는지는 이 논문에 근거가 없습니다. 통할 수도 있고 안 통할 수도 있어요. 그냥 안 본 것입니다.

비유 — 특정 조건에서만 확인한 것

어떤 공부법을 고3에게만 시험해서 효과를 봤습니다. "이 공부법은 효과가 있다" 라고 하면 조금 과장이죠. 정확히는 "고3에게 효과가 있다" 입니다.

중1에게도 통할까요? 모릅니다. 안 해 봤으니까요. 안 해 본 것을 "아마 될 것" 으로 말하지 않는 것 — 그게 정직한 결론입니다.

무엇을 뺐는지 알면 결론을 어디까지 믿을지도 안다

논문을 읽을 때 방법 문단에서 '뺀 사람'을 찾아보세요. 거기에 그 논문의 진짜 범위가 적혀 있습니다.

'깊이비' 는 림프구 조각의 평균 깊이를 조직 전체의 평균 깊이로 나눈 값입니다. 1보다 작으면 가장자리 쪽이에요.

Python Runs in your browser

# 세 가지를 우리 손으로 갈라 본다
# 사막 : TIL 이 적다   배제 : TIL 은 있는데 가장자리에만   염증 : 안까지 들어왔다
import imm

d = imm.pan()
유형 = imm.classify(d)
print(f"H&E 지도가 있는 환자 {len(d):,}명")
print()
for k in ["면역염증", "면역배제", "면역사막"]:
    n = int((유형 == k).sum())
    print(f"  {k} : {n:>5}명  ({100*n/len(d):>5.1f}%)  {'#' * int(50*n/len(d))}")
print()
print(f"기준 - TIL {imm.TIL_CUT}% 미만이면 사막, "
      f"깊이비 {imm.RATIO_CUT} 미만이면 배제")

깊이비 — 가장자리인지 안쪽인지를 숫자 하나로

병리의사는 슬라이드를 보고 눈으로 배제형을 판정합니다. 우리에게는 그 판정이 없어요. 대신 지도가 있습니다.

깊이비 = 림프구 조각의 평균 깊이 ÷ 조직 전체의 평균 깊이

조직의 가장자리에서 안쪽으로 들어갈수록 깊이가 커집니다. 림프구가 조직과 고르게 섞여 있으면 두 평균이 같아 깊이비 ≈ 1 이에요. 가장자리에 몰려 있으면 1보다 작아집니다.

완벽한 대용물은 아닙니다. 하지만 어떻게 만들었는지 우리가 아는 값이에요 — 남이 준 라벨보다 나은 점이 그것입니다.

High school깊이비 — 눈으로 보던 것을 숫자로 바꾸기

여기가 자료를 다루는 사람의 실제 고민을 보여 주는 대목입니다.

문제 상황

병리의사는 슬라이드를 보고 눈으로 배제형을 판정합니다. "림프구가 가장자리에만 몰려 있네" 하고요.

그런데 우리에게는 그 판정이 없습니다. 가진 것은 지도뿐이에요. 어떻게 할까요?

깊이비 = 림프구의 평균 깊이 ÷ 조직 전체의 평균 깊이

이 식이 왜 되는가

조직의 가장자리에서 안쪽으로 갈수록 '깊이' 가 커집니다.

림프구가 조직과 고르게 섞여 있으면 → 두 평균이 같다 → 깊이비 ≈ 1
림프구가 가장자리에 몰려 있으면 → 림프구 평균이 작다 → 깊이비 < 1

눈으로 보던 '가장자리에 몰림' 이 숫자 하나가 됐습니다.

비유 — 운동장에 모인 학생들

학생들이 운동장 가운데까지 고르게 퍼져 있나, 담장 근처에만 있나?

눈으로 보면 알지만, 사진 100장을 그렇게 볼 수는 없죠. 대신 "학생들의 평균 위치가 운동장 중심에서 얼마나 떨어졌나" 를 재면 컴퓨터가 1,000장도 셉니다.

중요한 단서 — 완벽하지 않습니다

본문이 이렇게 인정합니다. 깊이비는 병리의사의 판정과 같지 않아요. 그런데도 쓰는 이유가 있습니다 —

완벽하지 않지만, 어떻게 만들었는지 우리가 안다

남이 준 라벨은 편하지만 어떤 기준으로 붙였는지 모릅니다. 직접 만든 값은 거칠어도 기준을 내가 압니다. 그래서 틀렸을 때 어디가 틀렸는지 알 수 있어요.

수행평가에서도 마찬가지입니다. 인터넷에서 찾은 숫자보다 내가 직접 센 숫자가 거칠어도 낫습니다 — 설명할 수 있으니까요.

이 표가 왜 면역치료의 성공률이 암종마다 그렇게 다른지를 설명합니다.

Python Runs in your browser

# 암종마다 세 무리의 비율이 다른가
import imm
import pandas as pd

d = imm.pan().copy()
d["유형"] = imm.classify(d)
표 = pd.crosstab(d.암종, d.유형)
표 = 표[표.sum(axis=1) >= 100]
비율 = (표.div(표.sum(axis=1), axis=0) * 100).round(1)
비율 = 비율[["면역염증", "면역배제", "면역사막"]].sort_values("면역사막", ascending=False)
print(f"{'암종':<7}{'염증':>8}{'배제':>8}{'사막':>8}{'환자':>7}")
for k, r in 비율.iterrows():
    print(f"{k:<7}{r.면역염증:>7.1f}%{r.면역배제:>7.1f}%{r.면역사막:>7.1f}%{표.loc[k].sum():>7}")
print()
print("전립선암(PRAD)은 87%가 사막입니다 - 원래 면역이 잘 안 들어가는 장기예요.")
print("직장암(READ)은 사막이 12% 뿐입니다.")
print("같은 '면역치료' 라는 말이 암종마다 다른 난이도를 뜻합니다.")

High school표본을 가르는 자가 결론을 가릅니다

이 note 는 짧지만 이 강의에서 가장 무거운 문장을 담고 있습니다.

무슨 일이 있었나

	어떻게 갈랐나
논문	병리의사가 눈으로 붙인 라벨 (brisk / non-brisk)
이 강의	같은 지도에서 직접 센 숫자 (TIL % 와 깊이비)

둘을 맞대어 봤더니 — 79명 중 53명만 같은 쪽으로 불렸습니다. 셋 중 하나는 다르게 분류된 거예요.

무관하지는 않지만 같은 자가 아니다

그래서 무슨 일이 생기나

이것이 /gene 강의에서 논문의 순위를 재현하지 못한 첫 번째 이유입니다.

같은 자료, 같은 계산을 써도 사람을 나누는 기준이 다르면 다른 답이 나옵니다. 계산이 틀린 게 아니에요. 출발점이 달랐던 겁니다.

표본을 가르는 자가 결론을 가른다

비유 — 반을 나누는 기준

"우리 학교에서 수학 잘하는 반은 어디인가" 를 조사합니다. 그런데 '잘한다' 의 기준을 어떻게 잡느냐에 따라 —

평균 점수로 나누면 → A반
90점 이상 학생 수로 나누면 → B반
작년 대비 향상도로 나누면 → C반

계산은 셋 다 정확합니다. 그런데 답이 다 다릅니다. "어느 반이 잘하나" 라는 물음 자체가 기준을 정해야 답이 생기는 물음이에요.

논문을 읽을 때 할 일

결과 그림을 보기 전에 "이 사람들을 어떻게 두 무리로 나눴나" 를 먼저 찾으세요. 거기가 대부분의 차이가 생기는 자리입니다.

그리고 논문끼리 결과가 안 맞을 때 — 계산이 틀렸나 보다 나누는 자가 달랐나 를 먼저 의심하는 게 맞습니다.

🤔 Check yourself

면역배제(excluded)와 면역사막(desert)의 근본적인 차이는?

🤔 Check yourself

깊이비(림프구 평균 깊이 ÷ 조직 평균 깊이)가 0.7 인 종양은?

🤔 Check yourself

논문이 면역배제형을 뺀 것이 결론에 붙이는 조건은?