Lesson 5 of 20

신생항원과 TMB — 돌연변이가 표적이 되는 순간

논문 제목의 high tumor mutational burden · FDA 가 승인한 바이오마커

3강에서 모든 세포가 자기 단백질 조각을 게시판에 붙인다고 했습니다. 그 조각이 정상이면 T세포는 지나갑니다 — 어릴 때 흉선에서 "내 것" 목록을 다 외웠거든요.

그런데 암세포에 돌연변이가 생겨 아미노산 하나가 바뀌면, 그 조각은 목록에 없는 것이 됩니다.

신생항원 (neoantigen) — 돌연변이가 만들어 낸 새 표적

여기서 아주 자연스러운 기대가 나옵니다 — 돌연변이가 많을수록 신생항원이 많고, 면역치료가 잘 들어야 한다.

그 기대를 숫자로 만든 것이 TMB 입니다.

High school돌연변이가 오히려 표적이 되는 순간

돌연변이는 나쁜 것이라고 배웠을 겁니다. 암을 만드는 원인이니까요. 그런데 면역계 입장에서는 반대입니다.

왜 반대인가

3강에서 세포가 자기 단백질 조각을 게시판에 붙인다고 했죠. 그 조각이 정상이면 T세포는 그냥 지나갑니다 — 어릴 때 흉선에서 "내 것" 목록을 다 외웠거든요.

그런데 돌연변이로 아미노산 하나가 바뀌면? 그 조각은 목록에 없는 것이 됩니다.

신생항원 (neoantigen) — 돌연변이가 만들어 낸 새 표적

비유 — 학생증 사진

학교 경비원이 전교생 사진첩을 외웠습니다. 사진첩에 있는 얼굴이면 통과, 없으면 붙잡습니다.

어떤 학생이 머리를 아주 다르게 잘랐다고 합시다. 얼굴은 그 학생인데 사진첩의 어느 사진과도 안 맞아요. 경비원이 붙잡습니다.

암세포가 딱 그 상태입니다. 원래 내 세포인데 사진첩에 없는 모습이 된 거죠. 그러면 면역계가 알아볼 수 있습니다.

그래서 자연스러운 기대가 나옵니다

돌연변이가 많을수록 → 새 표적이 많고 → 면역치료가 잘 들어야 한다

이 기대를 숫자로 만든 것이 TMB 입니다. 그리고 이 강의 뒷부분은 그 기대가 절반만 맞았다는 이야기예요.

왜 나누나요? 검사마다 읽는 길이가 다르기 때문입니다. 개수가 아니라 <b>밀도</b>로 재야 비교됩니다.

Python Runs in your browser

# TMB 의 정의 - 논문 SI 의 공식 그대로
import imm

print("TMB (개/Mb) = 종양에서 찾은 돌연변이 총 개수 / 38")
print()
print("38 은 사람 엑솜(단백질을 만드는 부분)의 대략적인 길이 38 Mb 입니다.")
print()
for 개수 in [100, 200, 380, 500, 1000, 2000]:
    t = imm.tmb_from(개수)
    판정 = "TMB-H" if t >= imm.TMB_H else "TMB-L"
    print(f"  돌연변이 {개수:>5}개  ->  TMB {t:>6.2f} 개/Mb   {판정}")
print()
print(f"FDA 기준은 {imm.TMB_H:.0f} 개/Mb 입니다. 380개가 딱 그 자리예요.")

High school왜 나누나 — 개수가 아니라 밀도로 재야 합니다

TMB 의 정의가 나옵니다. 나눗셈 하나뿐이에요.

TMB = 돌연변이 개수 ÷ 읽은 길이(Mb)

왜 굳이 나누나

검사마다 읽는 길이가 다르기 때문입니다. 많이 읽으면 돌연변이도 많이 찾는 게 당연하죠.

비유 — 인구와 인구밀도

	인구	넓이	인구밀도
서울	940만	605 km²	15,500명/km²
강원도	150만	16,800 km²	90명/km²

"서울에 사람이 더 많다" 는 말은 맞지만 쓸모가 없습니다. 넓이가 28배 차이 나니까요. 견주려면 밀도로 바꿔야 합니다.

TMB 는 돌연변이의 인구밀도다

38 이라는 숫자는 뭔가요

사람 엑솜의 대략적인 길이가 38 Mb 라서 그렇습니다. 엑솜 = 유전체 중에서 실제로 단백질을 만드는 부분이에요. 전체 유전체의 2% 도 안 됩니다.

왜 엑솜만 볼까요? 단백질이 바뀌어야 새 표적이 되기 때문입니다. 단백질을 안 만드는 부분에 돌연변이가 생겨도 게시판에 걸릴 게 없어요.

여기서 배울 습관

숫자를 견주기 전에 같은 조건으로 맞췄는지 확인한다

반 평균을 비교할 때 인원수를 확인하고, 시험 점수를 비교할 때 만점을 확인하는 것과 똑같습니다. 나누는 것은 견주기 위한 준비 작업이에요.

암종을 섞은 값입니다. 암종마다 TMB 분포가 크게 다르다는 것을 다음 셀에서 봅니다.

Python Runs in your browser

# 실제 TCGA 환자들의 TMB 분포
import imm
import numpy as np

d = imm.pan()
d = d[d.TMB.notna()]
print(f"TMB 를 아는 환자 {len(d):,}명")
print()
for q in [10, 25, 50, 75, 90, 99]:
    print(f"  {q:>2}% 분위 : {np.percentile(d.TMB, q):>8.2f} 개/Mb")
print(f"  최대     : {d.TMB.max():>8.1f} 개/Mb")
print()
h = (d.TMB >= imm.TMB_H).sum()
print(f"FDA 기준 {imm.TMB_H:.0f} 이상 : {h:,}명 ({100*h/len(d):.1f}%)")
print()
print("분포가 오른쪽으로 길게 늘어져 있습니다 - 소수가 아주 큰 값을 가져요.")
print("그래서 평균이 아니라 중앙값을 보고, t검정이 아니라 순위 검정을 씁니다.")

FDA 기준은 <b>암종을 가리지 않는</b> 하나의 숫자입니다. 이 표를 보면 그것이 얼마나 큰 결정인지 보입니다.

Python Runs in your browser

# 암종마다 TMB 가 얼마나 다른가
import imm

d = imm.pan()
d = d[d.TMB.notna()]
표 = d.groupby("암종").agg(환자=("TMB", "size"),
                          중앙값=("TMB", "median"),
                          TMBH비율=("TMB", lambda s: 100 * (s >= imm.TMB_H).mean()))
표 = 표[표.환자 >= 50].sort_values("중앙값", ascending=False)
print(f"{'암종':<7}{'환자':>6}{'TMB 중앙값':>12}{'TMB-H 비율':>12}")
for k, r in 표.iterrows():
    print(f"{k:<7}{int(r.환자):>6}{r.중앙값:>12.2f}{r.TMBH비율:>11.1f}%")
print()
print("흑색종(SKCM)과 폐암(LUAD·LUSC)이 위쪽입니다 - 자외선과 담배 때문이에요.")
print("같은 '10개/Mb' 기준을 모든 암에 쓰는 것이 옳은지, 이 표가 묻습니다.")

High school표적이 많다고 이기는 건 아닙니다

이 note 가 논문이 존재하는 이유입니다.

기대와 현실


기대	돌연변이 많음 → 표적 많음 → 면역치료 잘 들음
현실	TMB 높은 흑색종 환자도 반응률 41% — 절반 이상 안 들음

표적이 많은 것은 필요조건이지 충분조건이 아니다

필요조건 · 충분조건 — 수학 시간에 배운 그거 맞습니다

필요조건 — 그게 없으면 절대 안 된다. 있어도 될지는 모른다
충분조건 — 그게 있으면 무조건 된다

시험으로 치면 — 시험 범위를 아는 것은 필요조건입니다. 모르면 절대 못 풀어요. 그런데 안다고 무조건 잘 보는 건 아니죠. 시험장에 늦거나, 배가 아프거나, 실수할 수 있으니까요.

면역에서 '늦거나 배 아픈' 경우 셋

표적이 있어도…	몇 강
게시판이 없으면 못 본다	3강
못 들어가면 소용없다	7강
브레이크가 걸리면 못 싸운다	8 · 12강

2강의 세 갈래 지도가 여기서 다시 나옵니다. 같은 뼈대가 강을 바꿔 가며 되풀이돼요 — 이 강의가 잘 짜여 있다는 뜻입니다.

이 논문은 가운데 칸 — TMB 는 높은데 못 들어온 종양

그게 논문 제목의 immune-desert with high TMB 입니다. 1강에서 낯설던 제목이 이제 조금 읽히죠?

차이가 있었다면 '표적이 적어서'라는 시시한 설명으로 사건이 끝났을 겁니다.

Python Runs in your browser

# 논문 Fig 1B 의 핵심 관찰을 우리 자료로 확인한다
# TMB-H 안에서 '사막'과 '염증'의 TMB 가 다른가?
import imm
from scipy import stats

d = imm.cohort()                       # 항원제시 정상 + TMB 를 아는 환자
d = d[d.TMB >= imm.TMB_H]              # TMB-H 만
유형 = imm.classify(d)

사막 = d.loc[유형 == "면역사막", "TMB"]
염증 = d.loc[유형 == "면역염증", "TMB"]
print(f"TMB-H 환자 {len(d)}명")
print(f"  면역사막 {len(사막):>4}명  TMB 중앙값 {사막.median():.1f}")
print(f"  면역염증 {len(염증):>4}명  TMB 중앙값 {염증.median():.1f}")
u = stats.mannwhitneyu(사막, 염증)
print(f"  Mann-Whitney p = {u.pvalue:.3f}")
print()
if u.pvalue > 0.05:
    print("차이 없음 - 표적의 '양'으로는 사막과 염증이 갈리지 않습니다.")
    print("이 한 줄이 논문 전체를 밀고 가는 힘입니다.")

TMB 를 재는 방법은 하나가 아닙니다

논문은 총 돌연변이 수 ÷ 38 Mb 를 썼습니다. 가장 단순한 방식이에요. 실제 임상에서는 이렇게 갈립니다 —

· 비동의 변이만 세나? 아미노산이 안 바뀌는 변이는 신생항원을 못 만듭니다. 그래서 그것만 세는 것이 더 논리적이지만, 논문은 전부 셌습니다.
· 몇 Mb 로 나누나? 검사 패널마다 읽는 구간 길이가 다릅니다 (FoundationOne 은 약 0.8 Mb, 전체 엑솜은 30~40 Mb).
· 문턱을 10 으로 할까? FDA 는 10 을 골랐지만, 암종마다 최적값이 다르다는 연구가 많습니다.

그래서 "이 환자는 TMB 12 다" 라는 말에는 언제나 '어느 검사로' 가 붙어야 합니다. 논문을 읽을 때 방법 문단에서 이 세 가지를 찾아보세요.

High schoolTMB 라는 숫자를 의심하는 법

바로 위 코드에서 아주 중요한 결과가 나왔습니다. 먼저 그것부터.

Fig 1B — '차이 없음' 이 논문을 밀고 갑니다

TMB-H 환자 안에서 면역 사막과 면역 염증의 TMB 를 견줬더니 차이가 없었습니다 (p 가 크다 = 차이라고 할 수 없다).

사막과 염증은 표적의 양으로는 갈리지 않는다

보통 "차이 없음" 은 실망스러운 결과입니다. 그런데 여기서는 반대예요.

만약 차이가 있었다면? "사막은 표적이 적어서 그런 거네" 로 사건이 시시하게 끝납니다. 차이가 없으니 다른 이유를 찾아야 하고, 그래서 이 논문이 존재합니다.

비유 — 알리바이가 같은 두 용의자

형사가 용의자 둘의 알리바이를 확인했더니 똑같았습니다. 알리바이로는 못 가른다는 뜻이죠.

실망할 일이 아닙니다. "범인을 가르는 것은 알리바이가 아니다" 를 알아낸 거니까요. 이제 다른 데를 봐야 합니다. 수사의 방향이 정해진 겁니다.

그리고 TMB 라는 숫자 자체를 의심해야 합니다

note 가 세 가지를 짚습니다. 요점만 옮기면 —

물음	왜 중요한가
무엇을 세나	아미노산이 안 바뀌는 변이는 새 표적을 못 만든다. 그것만 빼야 논리적인데, 논문은 전부 셌다
무엇으로 나누나	검사 패널마다 읽는 길이가 다르다 (0.8 Mb ~ 40 Mb). 같은 환자도 검사에 따라 TMB 가 달라진다
문턱을 어디에	FDA 는 10 을 골랐지만 암종마다 최적값이 다르다는 연구가 많다

"이 환자는 TMB 12 다" 에는 반드시 '어느 검사로' 가 붙어야 한다

암종마다 다른데 문턱은 하나

앞 코드에서 봤듯 흑색종·폐암은 TMB 가 높고(자외선·담배 때문), 다른 암은 낮습니다. 그런데 FDA 기준은 암종을 가리지 않는 숫자 하나예요.

전국 모든 학교에 같은 커트라인 80점을 적용하는 것과 비슷합니다. 학교마다 시험 난이도가 다른데도요. 편하긴 한데 공정한지는 다른 문제죠.

논문을 읽을 때 방법 문단에서 이 세 가지를 찾아보는 습관을 들이면, 숫자 하나에 속지 않게 됩니다.

🤔 Check yourself

TMB 를 계산할 때 돌연변이 개수를 길이(Mb)로 나누는 이유는?

🤔 Check yourself

TMB-H 안에서 면역사막과 면역염증의 TMB 가 다르지 않아야 이 연구가 성립하는 이유는?

🤔 Check yourself

암종마다 TMB 분포가 크게 다른데도 FDA 가 모든 암에 같은 문턱 10 을 쓰는 것의 문제는?