19강 / 20강

【실습 종합】 이 조각을 누가 볼 수 있나

7강의 그림을 처음부터 다시 그린다 · 그리고 그 그림이 지운 사람들

마지막 실습입니다. 앞의 열여덟 강을 한 질문에 모읍니다.

이 조각을 겨냥한 치료를 만들면, 몇 명이나 쓸 수 있나

필요한 것이 세 조각입니다.

필요한 것	어디서	어느 강
이 조각이 어느 접시에 실리나	VDJdb	7강
그 접시를 가진 사람이 몇 %인가	문헌 집단빈도	이 강
접시가 다르면 정말 못 보나	8·9강의 다형성	8강

순서대로 쌓아 봅시다.

고등학생이 조각을 누가 볼 수 있나

스무 강의 내용을 하나의 질문 으로 모은다.

이 펩타이드를 어떤 HLA 를 가진 사람이 볼 수 있나

필요한 것	어느 강
펩타이드가 그 HLA 홈에 맞나	2 · 8강
그 HLA 를 가진 사람이 얼마나 되나	7강
그 HLA 를 보는 TCR 이 있나	6 · 16강
종양이 그 HLA 를 유지하나	18강

네 조건이 다 맞아야 한 사람이 그 조각을 볼 수 있다

7강에서 본 그 편향입니다. 이번에는 여기에 사람 수를 붙입니다.

Python 브라우저에서 실행

# 1단계 — 표에서 접시 순위를 다시 센다 (7강과 같은 계산)
import thla

r = thla.restriction("I", top=8)
tot = len(thla.vdj("I"))
print(f"{'접시':<16}{'줄':>9}{'%':>7}{'에피토프':>9}")
print("-" * 42)
for a, row in r.iterrows():
    print(f"{a:<16}{int(row['줄']):>9,}{row['%']:>7.1f}{int(row['에피토프']):>9}")
print()
print(f"1위 하나가 전체 {tot:,}줄의 {r['%'].iloc[0]:.0f}% 입니다.")

한 사람은 HLA-A 를 두 벌 가집니다. 그래서 '가진 사람'은 대립유전자 빈도보다 큽니다.

Python 브라우저에서 실행

# 2단계 — 그 접시를 가진 사람이 몇 %인가 (문헌 인용값)
import thla

f = thla.facts()
print(f["cited_note"])
print()
print(f"{'대립유전자':<16}{'가진 사람 %':>12}")
print("-" * 30)
for a, p in sorted(f["freq"].items(), key=lambda kv: -kv[1]):
    print(f"{a:<16}{p:>12.1f}  " + "█" * max(1, int(p)))

고등학생7강의 그림을 다시 그린다

7강에서 A*02:01 이 57% 라는 것을 봤다. 이제 그 그림을 인구 빈도까지 넣어 다시 그린다.

축	7강	19강
가로	HLA	HLA
세로	연구된 항목 수	인구 커버리지

두 그림이 다르게 나온다

연구가 많이 된 HLA 와 인구에서 흔한 HLA 가 다르다.

그리고 인구 집단마다 또 다르다.

같은 자료로 축을 바꿔 그리면 전혀 다른 이야기가 나온다

TCR 치료가 왜 A*02:01 부터 시작하는지, 그리고 왜 거기서 멈추면 안 되는지.

Python 브라우저에서 실행

# 3단계 — 여러 접시를 겹쳐 몇 %를 덮나
import thla

order = ["HLA-A*02:01", "HLA-A*01:01", "HLA-A*03:01", "HLA-A*24:02", "HLA-A*11:01"]
print(f"{'추가한 접시':<16}{'누적 덮는 비율 %':>18}")
print("-" * 36)
for i in range(1, len(order) + 1):
    print(f"{order[i-1]:<16}{thla.covered(order[:i]):>18.1f}")
print()
print("하나로는 절반도 안 됩니다. 다섯 개를 모아야 겨우 넘습니다.")
print("이 값은 대립유전자가 서로 독립이라고 가정한 것입니다 - 아래 상자를 보세요.")

고등학생커버리지를 계산하는 법

단계	하는 일
1	이 펩타이드가 결합하는 HLA 목록
2	각 HLA 의 인구 빈도
3	적어도 하나를 가질 확률 계산

3단계에 함정이 있다

빈도를 그냥 더하면 안 된다. 사람은 HLA 를 여러 개 갖고 있으니 중복된다.

P(적어도 하나) = 1 − P(하나도 없음)

그리고 HLA-A, B, C 가 연관되어 유전되니(연관 불평형) 독립이라고 가정하면 부정확하다.

확률을 더하는 대신 여집합으로 계산하고, 독립 가정을 확인한다

'A*02 양성'이라는 한 줄이 임상시험에서 얼마나 거친 기준인지 보여 줍니다.

Python 브라우저에서 실행

# 4단계 — 같은 'A*02' 라도 같은 접시가 아니다
import thla

h = thla.hla("A")
groove = h[h["domain"].isin(["α1", "α2"])]
hot = groove.nlargest(8, "entropy")[["pos", "domain", "n_aa", "entropy"]]
print("HLA-A 홈에서 가장 갈리는 자리")
print(hot.to_string(index=False))
print()
f = thla.facts()
print(f"A*02:01 을 가진 사람 {f['freq']['HLA-A*02:01']}%")
print(f"A*02:07 을 가진 사람 {f['freq']['HLA-A*02:07']}%  (동아시아·동남아시아에 많다)")
print()
print("두 이름은 같은 A*02 집안이지만 홈 안쪽 자리가 다릅니다.")
print("A*02:01 로 만든 TCR 이 A*02:07 에서도 듣는다는 보장이 없습니다.")

그래서 이 그림 한 장이 말하는 것

표는 이렇게 생겼다

기록의 절반 이상이 접시 하나에 몰려 있습니다. 조각 1,946가지 대부분이 A*02:01 에 실린 것입니다.

사람은 이렇게 생겼다

A*02:01 을 가진 사람은 4분의 1 남짓입니다. 그리고 그 비율은 조상 집단마다 크게 다릅니다.

그래서 해야 할 일

덜 알려진 접시의 조각을 찾는 실험이 필요합니다. 알고리즘을 더 돌리는 것으로는 안 됩니다 — 표에 없는 것은 계산으로 안 나옵니다.

이것이 6강의 문장이 도착한 곳입니다. 이 표의 쏠림은 면역계의 쏠림이 아니라 연구자의 쏠림입니다. 그 쏠림은 그냥 통계 문제가 아니라 누가 치료를 받느냐의 문제로 이어집니다.

고등학생그 그림이 지운 사람들

커버리지 계산의 결과는 인구 집단에 따라 크게 다르다.

집단	흔한 HLA 로 커버되는 비율
유럽계	높음
동아시아	중간
아프리카계	낮음 — HLA 다양성이 가장 큼

아프리카계가 왜 불리한가

인류는 아프리카에서 나왔고, 아프리카 인구의 유전적 다양성이 가장 크다.

그러니 흔한 HLA 몇 개로 커버되는 비율이 낮다. 그리고 그 HLA 들은 연구가 덜 되어 있다(7강).

이중의 불리함

다양성이 커서 커버가 어렵고, 연구가 적어서 도구도 없다.

자료의 편향과 생물학적 다양성이 겹치면 불평등이 증폭된다

🤔 확인 문제

A*02:01 하나만으로 덮는 사람의 비율이 절반이 안 되는데도 표의 절반 이상이 A*02:01 인 이유는?

🤔 확인 문제

여러 대립유전자의 커버리지를 곱해서 더할 때 생기는 문제는?

🤔 확인 문제

'A*02 양성' 을 임상시험 기준으로 쓸 때의 위험은?