An openly licensed benchmark and per-gene calibration map for missense pathogenicity predictors on activating cancer drivers

기술 요약: 활성형 암 드라이버에 대한 미스센스 병원성 예측 도구의 공개 라이선스 벤치마크 및 유전자별 보정 맵

문제 정의
컴퓨터 기반 미스센스 병원성 예측 도구(예: AlphaMissense, REVEL, SIFT)는 임상 변이 해석에 점점 더 많이 배치되고 있다. 그러나 이러한 도구들은 주로 생식선 질환 라벨(ClinVar, HGMD)과 양성성을 나타내는 인구 빈도 대리 지표(gnomAD)를 기반으로 학습되거나 보정된다. 결과적으로, 이들은 보존된 잔기(residue)를 파괴하거나 단백질 구조를 불안정하게 만드는 변이—즉, 기능 상실(loss-of-function, LOF) 변이의 특징—를 탐지하도록 최적화되어 있다.

체세포 암 드라이버 생물학은 근본적으로 다르다. 활성형 기능 획득(gain-of-function, GOF) 드라이버는 종종 단백질을 불안정하게 만드는 대신, 자가 억제를 해제하거나, 새로운 이량체 형성 인터페이스를 생성하거나, 신호 전달을 알로스테릭하게 활성화한다. 이러한 변이들은 빈번하게 낮은 보존도와 용매 노출 부위에서 발생한다. 본 논문은 germline 학습 도구들이 이러한 활성형 드라이버를 체계적으로 과소 평가한다고 가정하며, 이는 이전에 현상적으로 관찰되었으나 규모 있게 정량화되거나 기전적으로 규명된 적은 없다. 또한, 기존의 종양 발생 관련 리소스들은 재현성을 저해하는 제한적인 라이선스 조건을 포함하고 있으며, 체세포 환경을 위한 유전자별 보정 리소스도 존재하지 않는다.

방법론
저자들은 다음과 같은 접근 방식을 사용하여 공개 라이선스가 적용된 재현 가능한 벤치마크 및 보정 프레임워크를 구축하였다:

• 데이터셋 구축:
  • 유전자 패널: oncogene, tumor suppressor(TSG), 또는 dual-role로 주석이 달린 COSMIC Cancer Gene Census(v104)의 768개 유전자.
  • 변이 유니버스: 해당 패널 내 가능한 모든 미스센스 변이(4,612,188개).
  • 라벨 (오픈 소스만 사용):
    • 양성(Positives): 암 핫스팟 잔기, CIViC 발암 분류(CC0 라이선스), 또는 COSMIC 재발 빈도(≥10개의 독립된 샘플).
    • 음성(Negatives): 양성 신호가 없는 ClinVar benign/likely-benign 또는 gnomAD 흔한 변이(AF ≥ 0.001).
    • 제외(Exclusions): 상충하는 증거가 있거나 상태를 알 수 없는 변이는 제외되었으며, 음성으로 처리되지 않았다.
  • 학습 세트: 20,815개의 고유한 단백질 수준 엔트리(3,922개의 양성 포함).
• 특징 공학(Feature Engineering):
  • 예측 도구 점수: dbNSFP v5.3.1a에 포함된 49개 도구(MutScore, VARITY, ClinPred와 같은 지도 학습 메타 예측 도구 및 AlphaMissense, ESM1b, EVE와 같은 비지도/자기 지도 학습 모델 포함).
  • 기전/구조적 특징: 보존 지표(GERP++, phyloP, phastCons), AlphaFold 유래 구조적 특징(상대적 용매 노출도 [RSA], pLDDT), 그리고 서열-생화학적 특징.
  • 순환 방지 제어(Anti-Circularity Controls): 재발 빈도는 특징(feature)에서 제외되었다. 유전자 인식을 통한 데이터 누수(leakage)를 방지하기 위해 유전자 단위로 그룹화된 StratifiedGroupKFold를 사용하여 교차 검증을 수행하였다.
• 모델링:
  • 암 보정 스택 모델("OncoCal")이 LightGBM을 사용하여 학습되었다.
  • 유전자별 종양 발생 임계값은 Youden's J 지수를 사용하여 도출되었으며, 인샘플 낙관주의(in-sample optimism)를 피하기 위해 leave-one-gene-out 정교화 과정을 거쳤다.
• 검증:
  • 내부 검증은 out-of-fold 예측을 통해 수행되었다.
  • 외부 검증은 ProteinGym v1.3의 15개 독립적인 심층 돌연변이 스캐닝(DMS) 어세이(assay)를 대상으로 수행되었다.

주요 기여

1. 오픈 벤치마크: 독점적 라이선스 제한 없이 재배포 가능한, 49개 예측 도구로 점수가 매겨진 768개 암 유전자의 벤치마크를 제공한다(CIViC CC0, ClinVar, gnomAD, cancerhotspots 등 오픈 소스 라벨 사용).
2. 기전적 특성 규명: GOF 변이의 체계적인 과소 평가를 정량화하였으며, 특히 놓친 드라이버들이 낮은 보존도와 높은 용매 노출 위치를 점유하고 있음을 확인하였다.
3. 비지도 vs 지도 학습의 괴리: 비지도/자기 지도 학습 도구(단백질 언어 모델 포함)가 지도 학습 메타 예측 도구보다 활성형 드라이버를 놓칠 가능성이 더 높음을 입증하였다.
4. 유전자별 보정 맵: 유전자별 종양 발생 임계값을 제공하여, 단일 글로벌 컷오프가 대부분의 유전자에 대해 잘못 보정되어 있음을 보여준다.
5. 보정된 스택 (OncoCal): 기존 점수들을 통합하여 변별력을 소폭 개선하고 특정 누락된 드라이버를 구제하는 모델로, 단순한 대체 예측 도구가 아닌 재보정 도구로서 프레임워크를 제시한다.

결과

• 체계적 과소 평가: 49개 도구 중 42개(86%)가 종양 억제제(LOF) 변이에 비해 oncogene(GOF) 변이에서 더 낮은 AUROC를 기록했다(평균 차이 0.030).
• 학습 패러다임 편향: 비지도 도구들은 재발 빈도가 높은 드라이버를 평균 17.8% 과소 평가한 반면, 지도 학습 도구들은 9.1%의 과소 평가를 보였다. AlphaMissense와 ESM1b 같은 도구들이 가장 큰 영향을 받은 반면, M-CAP, MVP와 같은 지도 학습 메타 예측 도구들은 더 견고했다.
• 실패의 기전적 원인: 놓친 종양 발생 양성 사례들은 다음과 같은 특징을 가졌다:
  • 낮은 보존도 (잡힌 변이의 median phyloP 7.89 대비 2.51).
  • 높은 용매 노출도 (잡힌 변이의 median RSA 0.185 대비 0.671).
  • "낮은 보존도, 높은 용매 노출" 영역에서 81%의 변이가 AlphaMissense에 의해 놓쳐졌다.
• 구체적 실패 사례: 높은 재발 빈도에도 불구하고 AlphaMissense가 놓친 주목할 만한 임상적 드라이버로는 JAK2 V617F (점수 0.334), FGFR3 Y373C (0.175), MPL W515L (0.269), STAT3 Y640F (0.368) 등이 있다.
• 모델 성능:
  • OncoCal은 도구만 사용했을 때 AUROC ~0.93, 기전 특징을 추가했을 때 ~0.93을 달성하여, 가장 우수한 단일 도구(VARITY_R, ~0.87)를 능가했다.
  • 모델은 AlphaMissense가 놓친 종양 발생 양성 사례의 약 14%를 구제했다 (예: JAK2 V617F 점수가 0.334에서 0.57로 상승).
  • 기전적 또는 구조적 특징을 추가하는 것은 도구 스택 베이스라인보다 성능을 안정적으로 향상시키지 못했는데, 이는 구성 예측 도구들이 이미 해당 정보를 인코딩하고 있음을 시사한다.
• 유전자별 이질성: AlphaMissense의 종양 발생 임계값은 118개 유전자에 걸쳐 넓게 분포했으며(0.07 ~ 0.99), 중앙값은 0.277로, 이는 글로벌 Youden 임계값인 0.469와 극명한 대조를 이룬다.
• 외부 검증: OncoCal은 독립적인 DMS 데이터에서 AlphaMissense(|Spearman| 0.492 vs. 0.502)와 유사한 성능을 보였고 REVEL(0.426)보다는 나은 성능을 보였다. 다만 저자들은 글로벌 DMS 상관관계가 LOF 변이에 의해 지배되므로 이것이 직접적으로 GOF 우월성을 입증하는 것은 아니라고 언급했다.

의의 및 주장
본 논문은 자신의 기여를 기전적 특성 규명 및 보정 프레 framework로 명시적으로 규정하며, 더 우수한 예측 도구를 만드는 것이 아님을 밝힌다. 저자들의 주장은 다음과 같다:

• 실패의 해석: 낮은 점수를 받은 germline 학습 예측 도구, 특히 보존도가 낮거나 표면에 노출된 잔기에서의 낮은 점수는 종양 발생 가능성에 대한 부정적 증거로 해석되어서는 안 된다.
• 임상적 유용성: 유전자별 보정 맵은 단일하게 잘못 보정된 글로벌 임계값을 유전자별로 사용 가능한 임상적 컷오프로 전환해 준다.
• 재현성: 공개 라이선스 벤치마크를 통해 어떤 그룹이라도 라이선스 제한 없이 이러한 발견을 재현하고 확장할 수 있다.
• 겸손한 주장: 저자들은 OncoCal이 기존 도구들을 쌓아 올린 모델이며 단일 도구 대비 변별력 향상이 완만하다는 점을 인정한다. 그들은 기전/구조 특징이 예측 성능을 개선한다고 주장하지 않으며, 변이 수준의 GOF/LOF 예측 문제를 해결한다고 주장하지도 않는다(분석 과정에서 변이 수준의 구분이 유전자 수준의 정체성으로 수렴됨). 주요 가치는 특정 드라이버를 "구제"하는 것과 체세포 환경을 위한 보정 맵을 제공하는 데 있다.