Machine-Readable Database for Genotype-Phenotype Analyses in Rare Diseases Using FKTN-related Congenital Muscular Dystrophies as a Prototype

기술 요약: FKTN 관련 선천성 근이영양증의 유전자형-표현형 분석을 위한 기계 판독 가능 데이터베이스

문제 제기
FKTN 관련 선천성 근이영양증(CMD)은 $\alpha$-디스트로글리칸병( $\alpha$-dystroglycanopathies) 중에서도 매우 이질적이고 초희귀한 하위 집단에 해당한다. FKTN 유전자는 이러한 질환의 명확한 양의성(biallelic) 원인이지만, 임상 문헌은 서로 다른 인구 집단과 다양한 표현형을 설명하는 약 100개의 산재된 논문으로 파편화되어 있다. 현재 이 데이터는 주로 사례 보고 및 시리즈 내의 비구조화된 텍스트 형태로 존재하며, 조화(harmonization)가 결여되어 있다. 이러한 포괄적인 기계 판독 가능 데이터베이스의 부재는 유전적 병원성을 예측하고, 병리 기전을 이해하며, 이러한 희귀 질환에 대한 치료 기회를 탐색하는 데 걸림돌이 되고 있다. 기존의 게놈 데이터베이스(예: ClinVar, LOVD)는 특정 유전자형과 연결된 상세하고 표준화된 표현형 정보를 결여하는 경우가 많다.

방법론
저자들은 문헌으로부터 데이터를 추출, 조화 및 구조화하기 위해 엄격한 다단계 파이프라인을 적용하였다:

1. 문헌 식별 및 추출:

   • FKTN, fukutin, dystroglycanopathy, muscular dystrophy와 관련된 용어를 사용하여 PubMed(2022년 1월 – 2024년 4월)를 반복 검색하여 288개의 논문을 식별하였다.
   • 환자(FKTN 변이를 가진 환자와 임상 데이터를 보유한 경우)에 대한 관련성 및 포함 기준을 적용하여 필터링한 후, 749명의 환자(386개의 개별 사례 보고/시리즈 및 363명의 그룹화된 환자)를 포함하는 92개의 논문을 선정하였다.
   • 데이터 중복을 방기하기 위해 데이터는 논문 단위가 아닌 환자 단위로 정리된 스프레드시트("카탈로그")에 수동으로 추출되었다. 추출된 필드에는 변이, 성별, 인종, 발병 연령, 4개 장기 시스템(근육, 신경, 심장, 안과)에 걸친 임상적 징후, 치료 결과가 포함되었다.

2. 유전자형 조화 (Genotype Harmonization):

   • 변이는 Genome Reference Consortium Human Build 38 (GRCh38/HG38) 형식으로 표준화되었다.
   • NCBI에 존재하는 10개의 서로 다른 FKTN 전사체 이소형(isoform)과 오래된 문헌에서 이소형 명시가 누락되는 빈번한 상황을 고려하여, VariantValidator, Varsome, Mutalyzer 3, NCBI Nuccore 등의 도구를 사용하여 10개 이소형 모두와 교차 참조하였다.
   • 충돌은 임상적으로 검증된 데이터베이스(LOVD, ClinVar)를 우선시하거나 논문의 세부 사항을 바탕으로 원래 위치를 재구성함으로써 해결되었다.
   • 데이터는 삽입 및 결실(indels)에 대한 특정 수정을 거쳐 표준 변이 호출 형식(VCF)으로 변환되었다. 특정 변이로 매핑할 수 없는 하플로타입 표기법은 제외되었다.

3. 표현형 조화 (Phenotype Harmonization - NLP 파이프라인):

   • 자연어 임상 기술은 PhenoTagger를 사용하여 인간 표현형 온톨로지(HPO) 용어로 변환되었다.
   • 부정(negation)을 감지하지 못하는 도구의 한계(예: "근력 약화 없음"을 양성 표현형으로 오인하는 경우)를 해결하기 위해, 저자들은 NegBio를 통합하고 커스텀 스크립트를 개발하였다. 이 스크립트는 부정 용어 사전을 활용하여 거짓 양성(false positives)을 필터링하였다.
   • 이러한 결합된 접근 방식은 초기 505개의 고유 HPO 용어 중 혼란 변수(예: 스테로이드 유발 증상)를 제거하기 위한 수동 큐레이션을 거쳐 341개의 관련 표현형을 남김으로써, 90% 이상의 부적절한 양성 정보를 필터링하였다.

4. 임상 중증도 척도 개발:

   • 수정된 Ueda 분류법을 응용하여, 환자의 생애 중 달성한 최대 운동 마일스톤(motor milestone)을 기반으로 새로운 임상 중증도 척도를 개발하였다.
   • 척도 정의:
     • 1 (경증): 독립적 보행 달성.
     • 2 (중등도): 독립적 앉기 또는 서기 달성.
     • 3 (중증): 독립적 앉기, 서기 또는 머리 조절을 달성하지 못함.
     • C: 마일스톤을 결정하기에 너무 어림.
     • X: 정보 부족.
   • 신경계, 심장 및 안과 병리의 존재 여부에 대한 이진 지표(binary indicators)도 할당되었다.

주요 결과

• 데이터셋 구성: 최종 기계 판독 가능 데이터셋은 92개 논문에서 추출한 749명의 환자를 포함한다. 데이터 무결성을 보장하기 위해 "범위 내 환자(patients in ranges, PIR)"를 제외한 후, 특정 환자 기록에 집중하여 분석하였다.
• 유전적 발견: 52개의 고유한 유전자형 조합이 확인되었다. 가장 흔한 것은 일본인 조상 유래 변이(3' UTR의 3-kb 역전이 요소 삽입)에 대한 동형접합성(homozygosity)이었다. 그 외 주목할 만한 변이로는 아슈케나지(Ashkenazi) 조상 유래 변이(c.1167dup) 및 터키 인구 집단의 변이가 있었다.
• 표현형 분포:
  • 중증도: 60명은 경증(1), 157명은 중등도(2), 60명은 중증(3)으로 분류되었다. 11명은 너무 어렸으며(C), 나머지는 데이터가 불충분했다(X).
  • 장기 시스템: 근육 관련 증상은 337명, 신경계(CNS) 증상은 173명, 안과 증상은 57명, 심장 증상은 51명에게 나타났다.
• NLP 성능: NegBio와 커스텀 스크립트의 통합은 표현형 추출 과정에서 부적절한 양성 정보의 90% 이상을 성공적으로 필터링하였으며, 이는 NegBio만 사용했을 때(~60% 필터율)보다 데이터 정확도를 크게 향상시켰다.

의의 및 주장
본 논문은 FKTN 관련 CMD에 대한 포괄적인 문헌 추출 및 조화 접근법을 제시하며, 이는 다른 희귀 단일 유전자 질환에 대한 데이터 큐레이션의 "청사진" 역할을 한다.

• 방법론적 청사진: 저자들은 이 작업을 다른 희로한 단일 유전자 질환을 위한 데이터 큐레이션의 "청사진"으로 규정한다. 반자동 파이프라인(수동 추출 + NLP 조화 + 커스텀 필터링)은 유사한 문헌량(~200편)을 가진 다른 질환에도 재현 가능하도록 설계되었다.
• FAIR 데이터 원칙: 이 데이터셋은 비구조화된 역사적 문헌을 FAIR(찾을 수 있고, 접근 가능하며, 상호 운용 가능하고, 재사용 가능한) 데이터로 변환하여 더 넓은 희귀 질환 레지스트리에 통합될 수 있도록 한다.
• 임상적 유용성: 새로 개발된 임상 중증도 척도는 표현형 데이터를 범주화하기 위한 표준화된 지표를 제공하여, 유전자형/표현형 상관관계 연구를 용이하게 한다.
• 미래의 자동화: 저자들은 현재의 자동화가 수동 태깅 및 복잡한 변이 조화의 필요성으로 인해 제한적이지만, 이 데이터셋이 완전 자율적인 문헌 추출 및 큐레이션을 달성하기 위한 대규모 언어 모델(LLM)의 통제 및 훈련 기반이 될 것임을 겸허히 언급하였다.

이 연구는 NIH의 내부 연구 프로그램(Intramural Research Program)의 지원을 받았으며, RARe-SOURCE® 데이터베이스 및 관련 GitHub 저장소를 통해 공개된다.