9강 / 20강

같은 결실을 두 가지로 적을 수 있다 — 좌측정렬

실제 MAF 의 EGFR E746_A750del 이 좌표 두 가지로 들어 있다

치환(SNP)은 자리가 하나뿐이라 헷갈릴 일이 없습니다. 그런데 삽입과 결실은 다릅니다.

참조   ... A C G T T T T G C ...
결실 뒤 ... A C G T T T G C ...       T 하나가 빠졌다

그런데 어느 T 가 빠졌나?
  4번째 T 가 빠졌다고 적어도 결과가 같고
  5번째 T 가 빠졌다고 적어도 결과가 같고
  6번째 T 가 빠졌다고 적어도 결과가 같다

결과 서열은 똑같습니다. 그런데 적는 좌표가 세 가지가 됩니다.

말로만 하면 남 얘기 같으니 이 강의의 MAF 안에서 찾아봅니다.

고등학생좌측정렬 규칙

표준 규칙은 가능한 한 왼쪽으로 밀어서 적는 것입니다. 이걸 좌측정렬(left-alignment)이라고 해요.

적는 방식	예 (AAAA → AAA)
좌측정렬 (표준)	첫 번째 A가 빠졌다고 적음
우측정렬	마지막 A가 빠졌다고 적음
정규화 안 함	정렬기가 내놓은 대로

같은 변이인데 세 가지로 적힐 수 있습니다. 조인하면 안 붙어요.

EGFR E746_A750del — 폐암에서 가장 유명한 실행가능 변이입니다. 이 982줄 안에서 이미 좌표 두 가지로 들어 있습니다.

Python 브라우저에서 실행

import mut

# 삽입·결실만 골라서, 같은 단백질 변화가 좌표 여럿인 경우를 본다
amb = mut.ambiguous()
indel_amb = []
for a in amb:
    rs = mut.find(pkey=a["pkey"])
    if any(r["vtype"] in ("DEL", "INS") for r in rs):
        indel_amb.append((a, rs))

print("삽입·결실에서 좌표가 갈린 경우:", len(indel_amb), "건")
print()
for a, rs in indel_amb[:4]:
    print(f"  {a['pkey']}  — 좌표 {a['n']}가지")
    seen = set()
    for r in rs:
        if r["gkey"] in seen:
            continue
        seen.add(r["gkey"])
        print(f"     {r['gkey']}")

고등학생EGFR E746_A750del의 실제 사례

이 강의의 MAF 자료에 실제로 있는 문제입니다. EGFR의 유명한 결실 변이가 두 가지 좌표로 들어 있었어요.

결과	내용
같은 변이가 둘로 나뉨	빈도가 절반씩으로 보임
조인이 절반만 됨	한쪽만 데이터베이스와 매칭
"드문 변이"로 오해	실제로는 흔한 변이

EGFR 엑손19 결실은 폐암에서 표적 치료의 대상입니다 — 놓치면 임상적 손실입니다.

1 염기 차이입니다. 그런데 조인은 정확히 일치해야 하므로 이 둘은 서로 다른 변이로 취급됩니다.

Python 브라우저에서 실행

import mut

# EGFR 의 그 변이를 자세히 본다
rs = mut.find(pkey="EGFR:E746_A750del")
print("EGFR E746_A750del —", len(rs), "줄")
print()
seen = {}
for r in rs:
    seen.setdefault(r["gkey"], []).append(r["sample"])
for gkey, samples in seen.items():
    chrom, pos, change = gkey.split(":", 2)
    print(f"  {gkey}")
    print(f"     위치 {int(pos):,} · 검체 {len(samples)}개")
print()
poss = sorted({int(g.split(':')[1]) for g in seen})
print("두 좌표의 차이:", poss[-1] - poss[0], "염기")
print("→ 같은 단백질 결과인데 시작 자리가 1 만큼 다릅니다. 좌표로 조인하면 안 붙습니다.")

고등학생정규화를 습관으로

도구	하는 일
bcftools norm	좌측정렬 + 최소 표현
vt normalize	같은 일
기준 유전체 필요	어느 염기가 반복인지 알아야 하니까

"최소 표현"도 중요합니다. CAT>CAA를 T>A로 줄이는 것이죠. 공통 부분을 떼어 내면 표기가 하나로 모입니다.

조인 전에 양쪽 자료를 다 정규화합니다 — 한쪽만 하면 소용없습니다.

🤔 확인 문제

반복 서열에서 결실 좌표가 하나로 안 정해지는 이유는?

🤔 확인 문제

정규화하지 않고 조인할 때 특히 위험한 이유는?