Lesson 11 of 20

TMB 를 손으로 — 분모가 어디에도 적혀 있지 않다

TMB = 변이 수 ÷ 읽은 유전체 크기(Mb)

TMB(종양변이부담)는 면역치료 반응을 예측하는 지표로 널리 쓰입니다. 정의는 간단해요.

TMB = 변이 수 ÷ 읽은 유전체 크기 (Mb)

분자는 셀 수 있습니다. 그런데 분모는 표 어디에도 적혀 있지 않습니다. 그래서 같은 종양의 TMB 가 논문마다 다르게 나옵니다.

High school분모가 어디에도 적혀 있지 않다

TMB = 변이 수 ÷ 읽은 유전체 크기(Mb)

구성	어디서 오나
분자 (변이 수)	MAF에서 셈 — 12강의 필터에 좌우
분모 (크기)	MAF에 없음

분모는 어떤 패널·엑솜을 썼는지에 달려 있습니다. 그 정보를 따로 알아야 해요.

mutation_count 와 tmb. 나누면 분모가 나옵니다.

Python Runs in your browser

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
print(s[["sample", "mutation_count", "tmb"]].head(6).to_string(index=False))
print()
print("두 열이 다 있습니다. 그러면 분모를 되찾을 수 있어요.")

분모는 30 Mb 입니다. 자료 안에 답이 숨어 있었어요.

Python Runs in your browser

import numpy as np
import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
비 = (s["mutation_count"] / s["tmb"]).replace([np.inf, -np.inf], np.nan).dropna()

print("변이수 ÷ TMB — 이것이 분모다")
print("   중앙값 %.2f Mb" % 비.median())
print("   30.00 에 딱 맞는 표본 %d개" % (비.round(2) == 30.00).sum())
print("   30 ±0.5 안에 드는 표본 %d / %d" % ((비 - 30).abs().lt(0.5).sum(), len(비)))

High school왜 분모가 필요한가

검사 범위	같은 종양의 변이 수
전장유전체 (3,000 Mb)	수천 개
전장엑솜 (약 38 Mb)	수백 개
패널 (1~2 Mb)	수 개

범위로 나눠야 비교가 됩니다 — 밀도로 바꾸는 거예요.

분모를 30 에서 50 으로 바꾸면 '고TMB' 환자가 178명에서 96명으로 줄어듭니다.

Python Runs in your browser

import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
mc = s["mutation_count"]

print("같은 변이 수, 다른 분모")
print()
print("%8s %10s %10s %10s" % ("분모(Mb)", "TMB 중앙값", "TMB≥10 표본", "비율"))
for 분모 in [30, 35, 38, 50]:
    t = mc / 분모
    print("%8d %10.2f %10d %9.0f%%" % (분모, t.median(), (t >= 10).sum(),
                                       100 * (t >= 10).mean()))

High schoolTCGA 엑솜의 분모

값	내용
약 38 Mb	흔히 쓰는 값
실제 커버된 영역	더 작을 수 있음 — 깊이가 부족한 곳

"38로 나눴다"고 명시해야 합니다 — 다른 값을 쓰면 숫자가 달라져요.

임상 패널의 TMB와 TCGA의 TMB를 그냥 비교하면 안 됩니다. 분모도 필터도 다르니까요.

어긋남의 방향이 한쪽이 아니라 양쪽인 것도 단서입니다.

Python Runs in your browser

import numpy as np
import pandas as pd

s = pd.read_csv("tcga_luad_sample.tsv", sep="\t", dtype={"tss": str})
비 = (s["mutation_count"] / s["tmb"]).replace([np.inf, -np.inf], np.nan).dropna()

print("분모가 30 이 아닌 것처럼 보이는 표본들")
어긋남 = 비[(비 - 30).abs() > 0.5]
print("   %d개 · 비율의 범위 %.1f ~ %.1f" % (len(어긋남), 어긋남.min(), 어긋남.max()))
print()
print("이 어긋남은 분모 탓이 아니라 분자 탓입니다 —")
print("mutation_count 에는 침묵변이가 들어 있고 TMB 에는 없습니다.")

High schoolTMB가 왜 중요한가

연결	내용
변이가 많으면	이상한 단백질(신항원)이 많음
신항원이 많으면	면역계가 알아볼 것이 많음
결과	면역치료 반응과 연관

TMB-High는 일부 암에서 면역치료 적응증이 됐습니다 (/tmb).

🤔 Check yourself

논문 A는 TMB 중앙값 6.7, 논문 B는 5.0 이라고 합니다. 같은 TCGA LUAD 인데요.

🤔 Check yourself

이 표의 mutation_count 와 tmb 의 관계는?