Cross-gene kinase domain hotspot analysis with AI pathogenicity prediction identifies FGFR2 D650G as a candidate actionable variant

기술 요약: AI 병원성 예측을 통한 교차 유전자 키나아제 도메인 핫스팟 분석

문제 정의
정밀 종양학은 임상 차세대 염기서열 분석(NGS)을 통해 검출되는 변이의 약 90%를 차지하는 미분류 변이(Variants of Unknown Significance, VUS)의 해석에서 결정적인 병목 현상에 직면해 있다. 이러한 모호함은 유전체 데이터를 효과적인 표적 치료로 전환하는 데 걸림돌이 된다. 전통적인 접근 방식은 단일 유전자 내에서 반복되는 돌연변이를 식별하는 유전자 중심 분석에 의존하지만, 이러한 관점은 동일한 단백질 패밀리 내의 서로 다른 유전자에서 기능적으로 동등한 위치에 발생하는 드라이버 돌연변이를 간과할 수 있다. 더욱이, 방대한 VUS의 지형 속에서 진정한 발암성 드라이버와 중립적인 패서저(passenger) 돌연변이를 구별하는 것은 여전히 핵심적인 과제이다.

방법론
저자들은 VUS 지형을 필터링하기 위해 교차 유전자 돌연변이 매핑과 AI 기반 병원성 예측을 통합한 체계적인 프레임워크를 개발하였다. 방법론은 다음 단계로 진행되었다:

1. 데이터 집계 및 매핑: 연구는 AACR Project GENIE 데이터베이스(버전 14.0-public 및 14.1-public)를 사용하여 41개 수용체 티로신 키나아제(RTK) 유전자의 32,462개 미스센스 돌연변이와 인프레임 인델(in-frame indels)을 분석하였다.
2. 합의 서열 생성: 돌연파 41개 RTK 유전자의 다중 서열 정렬(MSA)로부터 유도된 합의 키나아제 도메인 서열에 돌연변이를 매핑하였다. 이를 통해 403개의 정렬된 잔기(aligned residues, AR)로 구성된 통일된 돌연변이 지형을 도출하였다.
3. 핫스팟 식별: 저자들은 특정 AR 위치에 돌연변이를 집계함으로써 교차 유전자 돌연변이 핫스팟을 식별하였다. 유의미한 핫스팟은 ≥15개의 서로 다른 RTK 유전자로부터 총 500개 이상의 돌연변이가 축적된 위치로 정의되었다.
4. AI 기반 계층화: 핫스팟 내에서 기능적 드라이버와 패서저를 구분하기 위해, 연구는 두 가지 AI 기반 병원성 예측 도구인 AlphaMissense(단백질 구조 및 보존성에 대한 딥러닝 활용)와 PrimateAI-3D(영장류 유전 변이 학습)를 적용하였다. 변이는 예측된 병원성 점치에 따라 분류되었다.
5. 기능적 검증: 계산적 프레임워크에 의해 우선순위가 지정된 후보들은 HEK293H 세포를 이용한 in vitro 분석을 통해 기능적으로 검증되었다. 여기에는 리간드 독립적 자가 인산화, 하위 ERK 활성화, 그리고 FDA 승인 FGFR 억제제(erdafitinib 및 futibatinib)에 대한 민감도 평가가 포함되었다. 재조합 키나아제 도메인 단백질 또한 생화학적 억제제 효능 분석에 사용되었다.

주요 결과

• 보존된 핫스팟 식별: 교차 유전자 분석 결과 6개의 주요 돌연변이 핫스팟이 발견되었다. 일부 핫스팟은 특정 유전자 돌연변이(예: EGFR 엑손 19 결실) 또는 알려진 저항 기전(예: EGFR T790M)에 의해 지배되었으나, 두 개의 핫스팟인 AR 78(back-loop)과 AR 274(activation loop)는 15개 이상의 서로 다른 RTK 유전자의 기여를 포함하는 이질적인 구성을 보였다.
• AI 기반 우선순위 지정: AI 분석은 두 이질적 핫스팟 사이의 뚜렷한 기능적 분화를 보여주었다. 백 루프 핫스팟(AR 78)은 양성 가능성이 높은 VUS(예: ALK R1181C)가 풍부하여 패서저 돌연변이를 허용함을 시사했다. 반면, 활성화 루프 핫스팟(AR 274)은 AlphaMissense에 의해 병원성 가능성이 높다고 분류된 VUS를 85% 포함하고 있었다.
• FGFR2 D650G 발견: AR 274 핫스팟 내에서, VUS인 FGFR2 D650G는 확립된 드라이버와 유사한 0.89의 높은 병원성 점수를 받았다.
• 기능적 확인: in vitro 분석 결과, FGFR2 D650G는 알려진 드라이버인 FGFR2 N549K와 대등한 수준의 리간드 독립적 자가 인산화 및 하위 ERK 활성화를 부여함을 입증하였다.
• 치료적 민감도: FGFR2 D650G 돌연변이는 FDA 승인 FGFR 억제제인 futibatinib 및 erdafitinib에 대해 FGFR2 N549K 드라이버와 비슷하거나 더 우수한 IC₅₀ 값을 보이며 민감성을 나타냈다. GENIE 코호트의 임상 데이터 또한 높은 변이 대립유전자 빈도(VAF)를 보여 이 변이가 양성 선택(positive selection)과 일치하는 드라이버 상태임을 뒷받침하였다.

의의 및 주장
본 논문은 이 "계산-에서-검증(computation-to-validation)" 접근 방식이 전통적인 유전자 중심 분석에서 배경 소음으로 치부될 수 있는 간과된 후보 드라이버 돌연변이를 성공적으로 식별한다고 주장한다. 합의 서열 내 상동 위치에 따라 체세 돌연변이를 재정의하고 AI 기반 병원성 예측을 중첩함으로써, 저자들은 후보 작용성 치료 표적의 레퍼토리를 확장하는 방법을 보여준다.

구체적으로, 본 연구는 FGFR2 D650G를 기존에 인식되지 않았던 후보 드라이버 돌연변이로서 제시하며, 이는 FGFR 표적 치료제의 임상적 유용성을 위한 바이오마커로서 잠재력을 가진다. 저자들은 진화적 보존성과 AI 예측을 통합하는 것이 희귀한 유전적 변화를 기능적 검증을 위해 우선순위를 정하는 고처리량 필터를 제공하여, VUS 해석의 과제를 해결한다고 주장한다. 저자들은 이 프레임워크가 RTK에 대해 시연되었으나, 그 원리가 보존된 촉매 도메인을 가진 다른 효소 패밀리에도 적용 가능할 수 있지만, 번역을 위해서는 더 광범한 실험적 확인이 필요하다고 언급하였다.