12강 / 20강

무엇을 세고 무엇을 버리나 — 침묵변이와 필터

Variant_Classification 열 하나가 TMB 를 정한다

11강에서 본 대로, TMB 의 분자는 "변이 수" 인데 어떤 변이를 셀지가 정해져 있지 않습니다. MAF 의 Variant_Classification 열이 그 결정을 하는 자리예요.

고등학생무엇을 세고 무엇을 버리나

11강에서 본 대로, TMB의 분자는 "변이 수"인데 어떤 변이를 셀지가 문제입니다.

Variant_Classification	단백질에	세나
Missense_Mutation	아미노산 바뀜	예
Nonsense_Mutation	단백질이 끊김	예
Frame_Shift_*	틀 이동	예
Silent	안 바뀜	보통 제외
Intron · UTR	—	제외

여덟 종류가 있습니다. 이 가운데 무엇을 셀지가 결정입니다.

Python 브라우저에서 실행

import pandas as pd

m = pd.read_csv("tcga_luad_maf.tsv", sep="\t")
print("우리 MAF 에 있는 변이 종류")
for k, n in m["Variant_Classification"].value_counts().items():
    print("   %-24s %4d" % (k, n))

거의 언제나 센다

Missense · Nonsense · Frame_Shift · In_Frame

경우에 따라

Splice_Site · Splice_Region · Translation_Start_Site

TMB 에서는 뺀다

Silent — 아미노산이 안 바뀐다

침묵변이(Silent) 는 염기는 바뀌었지만 아미노산은 그대로인 변이입니다. 단백질이 안 바뀌니 면역계가 알아볼 새 조각(신생항원)도 안 생겨요. TMB 가 면역치료 반응을 예측한다는 논리에서는 세면 안 되는 것입니다.

고등학생왜 침묵변이를 빼나

이유	내용
단백질이 안 바뀜	신항원을 안 만듦
면역치료 예측이 목적	비면역원성 변이는 무관

반대 의견도 있습니다 — 침묵변이도 전체 변이 부담을 반영하니까요.

어느 쪽이든 명시해야 합니다. 침묵을 포함하면 TMB가 약 25% 높아져요.

체를 바꿀 때마다 'TP53 변이가 있는 환자' 의 수가 달라집니다.

Python 브라우저에서 실행

import pandas as pd

m = pd.read_csv("tcga_luad_maf.tsv", sep="\t")
s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})

체 = {
    "전부":            m,
    "미스센스만":      m[m["Variant_Classification"] == "Missense_Mutation"],
    "단백질 바꾸는것": m[~m["Variant_Classification"].isin(["Splice_Region"])],
    "VAF≥0.05":        m[m["t_alt_count"] / (m["t_ref_count"] + m["t_alt_count"]) >= 0.05],
}
for 이름, 표 in 체.items():
    print("%-16s 변이 %4d · TP53 가진 표본 %3d"
          % (이름, len(표),
             표[표["Hugo_Symbol"] == "TP53"]["Tumor_Sample_Barcode"].nunique()))

고등학생그 밖의 필터

필터	거르는 것
FILTER 열	PASS가 아닌 것
읽기 깊이	너무 얕은 자리
VAF 문턱	너무 낮은 비율
생식세포 제외	정상 조직에도 있는 것
인구 빈도 (gnomAD)	흔한 다형성

필터를 세게 걸면 가짜가 줄지만 진짜도 줄어듭니다.

문턱 0 과 0.20 사이에서 환자 비율이 눈에 띄게 달라집니다.

Python 브라우저에서 실행

import pandas as pd

m = pd.read_csv("tcga_luad_maf.tsv", sep="\t")
m["VAF"] = m["t_alt_count"] / (m["t_ref_count"] + m["t_alt_count"])
s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
전체 = s["sample"].nunique()

print("VAF 문턱을 올리면 KRAS 변이 환자가 몇 명 남나")
for 문턱 in [0.0, 0.02, 0.05, 0.10, 0.20]:
    남음 = m[(m["Hugo_Symbol"] == "KRAS") & (m["VAF"] >= 문턱)]
    n = 남음["Tumor_Sample_Barcode"].nunique()
    print("   VAF ≥ %.2f : %3d명 (%4.1f%%)" % (문턱, n, 100 * n / 전체))

고등학생그래서 TMB 값이 다르다

차이의 원인	영향
침묵변이 포함 여부	약 25%
분모 (Mb)	비례
필터 강도	—
변이 호출 도구	—

같은 환자의 TMB가 논문마다 다를 수 있습니다 — 계산 방식을 봐야 해요.

18강에서 이 문제를 정면으로 다룹니다. 문턱을 어디에 두느냐가 결론을 만듭니다.

🤔 확인 문제

TMB 를 계산할 때 침묵변이(Silent)를 빼는 까닭은?

🤔 확인 문제

우리 MAF 에 Silent 변이가 한 줄도 없는 까닭은?