기능시험과 변이 해석
왜 알아야 하는가
시퀀싱은 사람마다 다른 수많은 변이를 찾지만, 발견했다는 사실과 질환 원인이라는 결론 사이에는 큰 간격이 있습니다. 특히 관찰 사례가 적은 희귀 변이는 인구 빈도나 가족 자료만으로 의미를 정하기 어렵습니다. 이때 기능시험은 변이가 단백질이나 세포 과정에 어떤 변화를 만드는지 직접 묻는 중요한 증거가 됩니다.
하지만 “기능이 달라졌다”와 “환자 질환을 일으킨다”는 같은 문장이 아닙니다. 기능시험은 특정 실험계와 readout 안에서 변이의 효과를 측정합니다. 그 readout이 실제 질환 기전을 얼마나 잘 대표하는지까지 검토해야 임상 해석에 사용할 수 있습니다.
핵심 개념
변이 해석은 population frequency, 계산 예측, 환자 phenotype, 가족 내 분리, de novo 여부, 기능시험과 다른 임상 관찰을 독립적인 증거 항목으로 모읍니다. ACMG/AMP 체계는 이런 증거를 병원성 방향과 양성 방향으로 분류해 결합합니다. 기능시험은 이 가운데 한 항목이며, 잘 검증된 시험일수록 더 강한 가중치를 받을 수 있습니다.
기능시험의 종류는 다양합니다. 효소 활성, 단백질 안정성, 세포 내 위치, splicing, transcriptional activity, 세포 생존처럼 서로 다른 readout을 사용할 수 있습니다. 같은 변이라도 시험이 측정하는 생물학적 층이 다르면 결과가 다를 수 있으므로 assay 이름보다 무엇을 어떻게 측정했는지를 읽어야 합니다.
MAVE가 바꾼 규모
MAVE(Multiplexed Assays of Variant Effect)는 수백 또는 수천 개 변이를 병렬로 만들어 기능 점수를 측정합니다. 환자에게서 발견되기 전에 많은 가능한 변이의 효과 지도를 준비할 수 있다는 장점이 있습니다. 단일 변이 실험보다 일관된 조건에서 넓은 비교가 가능하지만, 대규모라는 이유만으로 임상 검증이 자동 완성되지는 않습니다.
MAVE 점수는 이 assay에서 관찰된 상대적 기능효과입니다. 알려진 pathogenic·benign control을 얼마나 잘 구분하는지, biological replicate가 재현되는지, 점수 범위가 포화되지 않는지, 중간값을 어떻게 해석하는지 평가해야 합니다. 임상 분류에 사용할 threshold는 데이터에 맞춰 사후적으로 고르는 대신 독립 검증이 필요합니다.
작은 예시
어떤 유전자의 질환 기전이 loss of function이라고 가정합시다. 변이 단백질의 효소 활성이 반복 시험에서 거의 사라졌고 정상·병원성 control이 잘 분리된다면 병원성 방향의 기능 증거가 될 수 있습니다. 그러나 질환이 오히려 gain of function으로 생기거나, 사용한 세포가 핵심 조직의 조건을 재현하지 못한다면 같은 결과의 의미는 약해집니다.
반대로 정상 범위의 readout도 그 시험이 측정하지 않은 기능 영역의 이상을 배제하지 못합니다. 하나의 정상 결과만으로 benign을 선언할 수 없는 이유입니다.
좋은 기능 증거를 묻는 질문
- assay readout이 알려진 gene–disease mechanism과 연결되는가?
- 정상·양성·병원성 control과 replicate가 포함됐는가?
- 실험자가 variant class를 모른 상태에서 평가했는가?
- dynamic range와 기술적 변동이 충분히 보고됐는가?
- 결과가 다른 실험계 또는 임상 관찰에서 재현되는가?
- 사용한 transcript, cell line, construct와 분석 threshold가 명시됐는가?
계산 예측과의 관계
in silico 예측은 보존도와 서열·구조 특징을 이용해 후보를 우선순위화하지만 실제 기능을 측정하지 않습니다. 서로 상관된 여러 도구의 다수결을 독립 증거 여러 개처럼 세면 안 됩니다. 버전, 학습자료 중복, calibration과 적용 가능한 variant type을 확인하고 기능시험·임상자료와 구분해 기록합니다.
한계
세포주와 인공 발현계는 환자 조직의 발달 단계, 발현량과 상호작용을 단순화합니다. 대규모 시험에는 missing data와 batch effect가 생길 수 있고, 사전에 정의하지 않은 cutoff는 과적합될 수 있습니다. 무엇보다 기능 이상은 병원성의 충분조건이 아니며 정상 readout도 양성의 충분조건이 아닙니다.
최종 분류는 기능 결과를 환자의 phenotype, 유전양식과 다른 독립 증거 안에 다시 놓아야 합니다. 이 글은 특정 변이의 임상 분류나 진단을 대신하지 않습니다.
연결해서 읽기
두 변이가 함께 관찰될 때 phase와 개별 병원성을 구분하는 방법은 Compound heterozygous Concept에서 이어집니다. 단백질 구조 예측이 기능시험을 대신할 수 없는 이유는 AlphaFold confidence와 한계 Concept과 연결됩니다.