Integrating enriched case data from national laboratory testing with population-based case-control analyses: a novel statistical likelihood-ratio methodology for PS4 applied to 325,345 breast cancer cases and 671,006 controls

본 연구는 대규모 무선별 사례-대조군 데이터와 국가적으로 수집된 풍부화된 실험실 데이터셋을 성공적으로 통합하여 유방암 감수성 유전자 변이 분류의 통계적 검정력과 정밀도를 크게 향상시키는 새로운 통계적 우도비 방법론(PS4-LR-Calculator)을 제시한다.

핵심

이 논문은 쉬운 언어와 일상적인 비유를 사용하여 설명합니다.

큰 그림: "빠진 퍼즐 조각" 해결하기

특정 유전적 변화 (변이) 가 유방암을 유발하는지 파악하기 위해 거대한 퍼즐을 맞추려 한다고 상상해 보세요. 퍼즐의 일부 조각은 찾기 쉽습니다. 유전자가 완전히 작동하지 못하도록 고장 난 경우 (예: 엔진 부품이 빠진 경우) 는 위험하다는 것을 알 수 있습니다. 이러한 것을 "절단 변이 (truncating variants)"라고 합니다.

하지만 많은 유전적 변화는 약간 구부러진 기어와 같습니다. 여전히 작동하지만 완벽하지는 않을 수 있습니다. 이러한 것을 "미스센스 변이 (missense variants)"라고 합니다. 수년 동안 의사들은 이러한 "구부러진 기어"가 위험한지 무해한지 결정하는 데 어려움을 겪어 왔습니다. 종종 VUS(의미 불명의 변이, Variant of Uncertain Significance) 라는 "아마도" 범주에 갇히게 됩니다.

이 논문은 이러한 "아마도" 퍼즐을 해결하는 데 도움이 되는 새로운 초강력 확대경을 소개합니다.

문제: 서로 다른 두 가지 데이터 세계

연구자들은 두 가지 다른 유형의 데이터를 가지고 있었지만, 이를 어떻게 혼합할지 알지 못했습니다.

1. 무작위 군중 (선택되지 않은 데이터): 일반 인구에서 무작위로 선출된 30 만 명의 대규모 설문조사를 상상해 보세요. 일부는 유방암을 앓고 있고 일부는 그렇지 않습니다. 이는 공정하고 편향되지 않은 표본이지만, 유방암이 드물기 때문에 이 군중 속에서 "구부러진 기어 (미스센스 변이)"를 찾는 것은 매우 어렵습니다. 마치 건초더미 속에서 특정 바늘을 찾는 것과 같습니다.
2. 고위험군 (풍부화된 데이터): 이미 유전적 위험이 의심되어 의사를 찾은 20 만 명의 그룹을 상상해 보세요. 그들은 이 목적으로 특별히 검사를 받았습니다. 이 그룹에서는 "구부러진 기어"가 훨씬 더 흔합니다. 그러나 이러한 사람들은 의심에 기반하여 선택되었기 때문에 무작위 군중과 직접 비교할 수 없습니다. 이는 무작위 사람들 방과 전문 달리기 선수들로 가득 찬 방을 비교하고, 첫 번째 방이 달리기 선수들을 위해 선택되었다는 사실을 고려하지 않은 채 누가 더 빠른지 추측하는 것과 같습니다.

도전 과제: 과학자들은 더 명확한 그림을 얻기 위해 이 두 그룹을 결합할 방법이 필요했지만, 이를 수행하는 수학은 존재하지 않았습니다.

해결책: "우도비 계산기"

이 팀은 통역사처럼 작동하는 새로운 통계 도구 (계산기) 를 개발했습니다.

• 작동 방식: 단순히 변이를 가진 사람의 수를 세는 대신, 계산기는 다음과 같이 묻습니다. "만약 이 변이가 암을 유발한다면, 우리 '고위험군'과 '무작위 군중'에서 이렇게 많은 사람들이 이 변이를 가질 확률은 얼마나 될까요?"
• 점수: 계산기는 모든 변이에 점수 (PS4-LLR) 를 부여합니다.
  • 양수 점수는 증거가 "위험 (Pathogenic)"을 가리킨다는 의미입니다.
  • 음수 점수는 증거가 "안전 (Benign)"을 가리킨다는 의미입니다.
  • 숫자가 클수록 증거가 강력합니다.

법정을 생각해 보세요. "무작위 군중"은 기본 증거를 제공하고, "고위험군"은 무겁고 구체적인 증거를 제공합니다. 계산기는 양쪽을 저울질하여 최종 판결을 내립니다.

그들이 한 일

연구자들은 영국 바이오뱅크, 미국 연구 연구, 영국 및 미국의 임상 실험실 등 다섯 가지 다른 출처의 데이터를 결합했습니다.

• 총 인원: 그들은 유방암을 앓고 있는 325,345 명의 여성과 유방암이 없는 671,006 명의 대조군을 살펴보았습니다.
• 유전자: 그들은 유방암과 관련된 것으로 알려진 다섯 가지 주요 유전자 (BRCA1, BRCA2, PALB2, ATM, CHEK2) 에 집중했습니다.
• 변이: 그들은 10,000 개 이상의 "구부러진 기어 (미스센스)" 변이를 분석했습니다.

결과: 안개 걷기

새로운 계산기를 사용하여 그들은 이전에 "아마도" 구역에 갇혀 있던 수천 개의 변이에 대해 결정을 내릴 수 있었습니다.

1. "안전한" 것 찾기: 가장 큰 성공은 많은 변이가 실제로 안전하다는 증거를 찾은 것이었습니다.
   • 분석할 수 있었던 변이 중 **69%**는 안전 (benign) 할 가능성이 높다는 점수를 받았습니다.
   • 이는 역사적으로 사례 - 대조군 연구가 주로 위험한 것을 증명하는 데 도움이 되었기 때문에 매우 중요합니다. 이 방법은 무언가가 안전하다는 것을 강력하게 증명하는 최초의 방법 중 하나입니다.
2. "위험한" 것 찾기: 변이의 **20%**는 위험 (pathogenic) 할 가능성이 높다는 점수를 받았습니다.
3. "아마도" 그룹: 약 **11%**는 여전히 결정을 내릴 만큼 충분한 데이터가 없었습니다.

특별한 반전: "침투성" 탐정

이 논문은 **침투성 (penetrance)**이라는 까다로운 것도 살펴보았습니다.

• 높은 침투성: 일부 유전자는 총알과 같습니다. 나쁜 변이가 있으면 거의 확실히 암에 걸립니다.
• 감소된 침투성: 일부 변이는 경고등과 같습니다. 위험을 증가시키지만 "총알"만큼은 아닙니다.

연구자들은 계산기를 사용하여 동일한 변이를 서로 다른 "위험 임계값"에 대해 테스트했습니다.

• 그들은 높은 위험을 가정하면 위험해 보였지만 낮은 위험을 가정하면 훨씬 안전해 보이는 고위험 유전자의 427 개 변이를 발견했습니다. 이는 이러한 변이가 "감소된 침투성"일 수 있음을 시사합니다. 즉, 암을 유발하지만 덜 공격적으로 유발한다는 것입니다.
• 반대로, 중간 위험 유전자의 37 개 변이가 놀라울 정도로 위험해 보이는 것을 발견했는데, 이는 실제로 고위험 변이일 수 있음을 시사합니다.

결론

이 논문은 단순히 숫자를 세는 것이 아니라, 두 가지 다른 유형의 데이터 사이의 새로운 다리를 구축했습니다. 대규모 무작위 인구 조사와 표적 임상 검사를 결합함으로써 그들은 유전 변이를 분류하는 새로운 강력한 방법을 만들었습니다.

주요 요점: 그들은 수천 개의 유전적 "구부러진 기어"를 "아마도" 더미에서 "안전" 또는 "위험" 더미로 성공적으로 이동시켜, 의사와 환자에게 유전적 위험에 대해 훨씬 더 명확한 답변을 제공했습니다.

기술 요약

기술 요약: PS4 정량화를 위한 풍부화된 임상 데이터와 인구 기반 분석의 통합

문제 제기
유전적 변이, 특히 missense 변이의 해석은 종종 ACMG/AMP 가이드라인에 의존합니다. 많은 기준에 대한 증거를 정량화하는 방법론이 존재하지만, "PS4" 기준 (사례 - 대조군 데이터) 은 역사적으로 변이 분류에 사용되는 베이지안 점수 기반 프레임워크로 빈도론적 통계적 유의성 (예: p-값, 오즈비) 을 변환하기 위한 표준화된 정량적 방법이 부재했습니다. furthermore, 기존 접근법은 선별되지 않은 인구 기반 연구 데이터셋으로만 제한되었습니다. 이러한 배제는 유전성 검사 자격 기준에 따라 사례가 선별된 방대한 양의 "풍부화된" 임상 진단 데이터를 활용하지 못하게 했습니다. 도전 과제는 임상 데이터셋의 알려지지 않은 풍부화 요인을 고려하면서 통계적 검정력을 극대화하기 위해 선별되지 않은 대 풍부화된 이 두 가지 뚜렷한 데이터 수집 맥락을 결합하는 데 있습니다. 또한, 단일 오즈비 (OR) 임계값의 경직된 적용은 일부 고침투성 유전자의 변이가 감소된 침투성을 보이고 그 반대의 경우도 나타나는 질병 침투성의 스펙트럼을 포착하지 못합니다.

방법론
저자들은 이전에 발표된 도구인 PS4-LR-Calculator를 방대한 통합 데이터셋에 적용하고 확장했습니다. 방법론은 다음과 같은 주요 단계를 포함합니다:

1. 데이터 통합: 본 연구는 서유럽 계통의 325,345 명 여성 유방암 사례와 671,006 명 대조군으로 구성된 다섯 가지 서로 다른 데이터셋을 통합했습니다.
   • 선별되지 않은 코호트: UK Biobank, CARRIERS, BRIDGES (92,786 건 사례).
   • 풍부화된 임상 코호트: NHS England National Disease Registration Service (NDRS-UK) 및 Ambry Genetics (232,559 건 사례).
   • 대조군: UK Biobank, gnomAD v4.1.0, CARRIERS 에서 유래한 계통 일치 대조군.
2. 풍부화 요인 (EF) 계산: 풍부화된 임상 데이터셋을 통합하기 위해 저자들은 풍부화된 임상 사례와 선별되지 않은 인구 사례 간 단백질 절단 변이 (PTVs) 의 유병률을 비교하여 각 유전자별 풍부화 요인을 계산했습니다. 예를 들어, NDRS-UK 데이터셋은 BRCA1 PTV 에 대해 4.84 배 풍부화된 것으로 확인되었습니다. 이러한 요인들은 우도비 (Likelihood Ratio) 계산 중 연관성 목표 오즈를 조정하는 데 사용되었습니다.
3. 우도비 (LR) 계산: 각 변이에 대해 PS4-LR-Calculator 는 두 가지 가설을 비교합니다:
   • 연관성 가설: 변이는 병인성이며 목표 오즈비 (고침투성 유전자 BRCA1, BRCA2, PALB2의 경우 기본값 OR ≥ 4; 중간 침투성 유전자 ATM, CHEK2의 경우 OR ≥ 2) 를 가집니다.
   • 비연관성 가설: 변이는 양성 (OR < 1) 입니다.
     계산기는 사례와 대조군에서의 보인자 빈도를 이항 분포로 모델링하여 우도비 (LR) 를 생성합니다.
4. 로그 우도비 (LLR) 및 점수화: 개별 데이터셋의 LR 들을 합산하고 log2.08 척도 (PS4-LLR) 로 변환하여 ACMG/AMP 프레임워크 내에서 "증거 점수"로 기능하도록 했습니다.
5. 침투성 유연성: 이 방법론은 비정형 침투성을 조사하기 위해 서로 다른 목표 오즈비 하에서 적용되었습니다. 고침투성 유전자는 OR ≥ 2 (감소된 침투성 가설) 로, 중간 침투성 유전자는 OR ≥ 4 (높은 침투성 가설) 로 테스트되었습니다.
6. 필터링: 견고한 통계적 검정력을 보장하기 위해 단일 변이 (singletons) 와 대립유전자 빈도 임계값 (BA1/BS1) 을 위반하는 변이를 제거하도록 변이를 필터링했습니다.

주요 결과

• 규모: 분석은 5 개 유전자 (BRCA1, BRCA2, PALB2, ATM, CHEK2) 에 걸쳐 13,966 개의 희귀 변이 (10,817 개의 missense 변이 포함) 를 다루었습니다.
• 증거 생성:
  • 분석 가능한 4,690 개의 missense 변이 중 927 개 (20%) 는 병인성 쪽으로의 증거 (LLR ≥ 1) 를 받았으며, 3,242 개 (69%) 는 양성 쪽으로의 증거 (LLR ≤ -1) 를 받았습니다.
  • BRCA1 및 BRCA2의 경우, 양성 증거를 가진 변이의 상당 부분이 "강력 (Strong)" 또는 "매우 강력 (Very Strong)" 수준에 도달했습니다 (각각 84% 및 82%).
  • 풍부화된 임상 데이터셋의 포함은 선별되지 않은 데이터셋만 사용할 때 (926 개 변이) 비해 적용 가능한 증거를 가진 변이 수를 4,563 개로 크게 증가시켰습니다.
• 침투성 통찰:
  • 감소된 침투성: 고침투성 유전자의 목표 오즈비를 2 로 낮춤으로써, 427 개의 변이 (전체의 14.2%) 가 잠재적으로 감소된 침투성을 가진 것으로 표기되었습니다. 이들 중 많은 것들이 ClinVar 에서 상반된 분류를 가지고 있었습니다.
  • 중간 유전자의 높은 침투성: ATM 및 CHEK2의 37 개 변이는 목표 오즈비를 4 로 높였음에도 불구하고 강력한 병인성 증거를 유지하여 비정형적으로 높은 침투성을 시사했습니다 (예: ATM c.7271T>G).
• 일치성: PS4-LLR 점수는 BRCA1 및 BRCA2의 ClinVar 분류와 높은 일치성을 보였습니다 (병인성/아마도 병인성에 대한 71% 일치; 양성/아마도 양성에 대한 88% 일치). 불일치는 종종 감소된 침투성이나 단일 증거 유형의 한계로 설명되었습니다.
• 재분류 가능성: 사례 - 대조군 데이터와 기능성/예측 데이터 모두를 가진 2,030 개의 BRCA1/BRCA2 임상적 의미 불명 (VUS) 또는 상반된 변이 중, 401 개 (76%) 는 이러한 증거 유형의 자동화된 조합을 사용하여 아마도 병인성 또는 아마도 양성으로 재분류될 수 있었습니다.

의의 및 주장
본 논문은 유방암 감수성 유전자에 대한 지금까지 가장 큰 사례 - 대조군 분석을 제시하며, "풍부화된" 임상 진단 데이터와 선별되지 않은 인구 코호트를 통합하는 유연한 변이 수준의 방법론의 유용성을 입증합니다.

저자들이 강조한 주요 기여 사항은 다음과 같습니다:

1. 정량적 PS4 구현: v3.0 가이드라인의 공백을 해소하고 v4.0 프레임워크를 준비하기 위해 사례 - 대조군 데이터를 ACMG/AMP 증거 점수로 변환하는 견고하고 정량적인 방법을 제공합니다.
2. 데이터 통합: 유전자별 풍부화 요인을 계산하고 적용함으로써 풍부화된 임상 데이터셋을 인구 기반 데이터와 성공적으로 결합하여 통계적 검정력을 크게 높였습니다.
3. 침투성 탐구: 목표 오즈비를 변화시켜 비정형 침투성 시나리오를 탐구하는 우도비 접근법의 능력을 보여주어, "높음 대 없음"의 이분법적 침투성 모델에 맞지 않는 변이를 식별할 수 있는 경로를 제시합니다.
4. 양성 증거: 사례 - 대조군 데이터가 양성 분류를 강력하게 지지할 수 있음을 강조하며, 이는 PS4 기준의 맥락에서 이전에 미활용되었던 능력입니다.

저자들은 이 접근법이 특히 missense 변이에 대한 변이 분류를 강화하며, 향후 다른 유전자 - 질병 패러다임과 침투성 시나리오에서의 적용을 위한 프레임워크를 제공한다고 결론지었습니다.