S46 조상 구조에서 가장 다형적인 유전자 영역으로

S46에서는 유전체 전체 수준의 조상 구조를 다뤘습니다. 이번엔 시선을 6번 염색체의 특정 영역, MHC(주조직적합성복합체, Major Histocompatibility Complex) 안에 있는 HLA(사람 백혈구 항원, Human Leukocyte Antigen) 유전자로 좁혀봅니다. HLA는 면역세포가 "이 세포 조각이 내 몸의 정상 단백질인지, 침입한 병원체나 암세포의 산물인지"를 구별하게 해주는 분자입니다. 그래서 다양한 자가면역질환, 장기이식 거부반응, 일부 약물 부작용·감염병 감수성이 HLA 유전자와 강하게 연관됩니다.

문제는 HLA가 인간 유전체에서 가장 다형적인(polymorphic) 영역이라는 점입니다. HLA-B 한 유전자에만 수천 개의 알려진 대립유전자(allele)가 있고, 표기법도 HLA-A*02:01처럼 4자리 숫자로 세분화됩니다. 짧은 시퀀싱 리드는 이 초다형성 영역에서 엉뚱한 유사 유전자(paralog)로 잘못 매핑되기 쉽고, 표준 SNP 배열은 애초에 4자리 HLA 대립유전자를 직접 측정하지 못합니다.

이 편에서는 HLA가 시퀀싱하기 어려운 구조적 이유, NGS 기반 직접 타이핑 도구들의 접근법, 그리고 SNP 배열 데이터만으로 HLA 대립유전자를 추론하는 **임퓨테이션(imputation)**의 베이즈 원리를 다룹니다.

HLA 타이핑이 어려운 이유, 그리고 임퓨테이션의 베이즈 원리

짧은 리드가 실패하는 이유: 초다형성과 유사유전자 교차 매핑

HLA class I(A, B, C) 유전자들은 서로 서열 유사도가 높고, 개인마다 대립유전자 서열 차이가 다른 유전자 영역보다 훨씬 큽니다. 표준 참조 유전체 하나로 정렬하면, 리드가 "내가 어느 유전자·어느 대립유전자에서 왔는지" 애매해지는 교차 매핑(cross-mapping) 문제가 생깁니다.

• OptiType(Szolek et al., 2014)은 이 문제를 **정수계획법(ILP, Integer Linear Programming)**으로 풉니다. 가능한 대립유전자 조합 중, 관측된 모든 리드를 가장 잘 설명하면서 서로 모순되지 않는 대립유전자 쌍을 정수계획 최적화로 찾습니다.
• HLA*LA(Dilthey et al., 2019)는 단일 선형 참조 대신 알려진 대립유전자들을 모두 포함한 **그래프 기반 참조(reference graph)**에 리드를 정렬해, 애초에 교차 매핑이 일어날 여지를 구조적으로 줄입니다.

SNP 배열만으로 HLA 대립유전자 추론하기: 임퓨테이션

전장유전체·엑솜 시퀀싱 없이 저렴한 SNP 배열 데이터만 있는 대규모 코호트(GWAS 등)에서는, HLA 영역 주변 SNP들과 4자리 HLA 대립유전자 사이의 강한 LD를 이용해 대립유전자를 간접 추론합니다. SNP2HLA(Jia et al., 2013), HIBAG(Zheng et al., 2014) 같은 도구가 이 방식을 씁니다.

핵심 아이디어는 베이즈 정리입니다. 관측된 주변 SNP 패턴을 $X$, 후보 HLA 대립유전자를 $A_k$라 하면,

$P(A_k \mid X) = \frac{P(X \mid A_k)\, P(A_k)}{\sum_{m} P(X \mid A_m)\, P(A_m)}$

여기서 $P(A_k)$는 참조 패널에서 추정한 해당 인구집단의 대립유전자 사전 빈도, $P(X \mid A_k)$는 참조 패널에서 그 대립유전자를 가진 사람들이 이 SNP 패턴을 보일 조건부 확률(강한 LD가 있다면 1에 가깝고, LD가 약하면 여러 대립유전자에 고르게 퍼집니다)입니다. HIBAG는 이를 단일 분류기 하나로 계산하지 않고, SNP의 부분집합을 무작위로 뽑아 여러 개의 약한 분류기를 학습시킨 뒤 그 결과를 평균 내는 속성 배깅(attribute bagging) 앙상블로 예측 안정성을 높입니다.

손 계산 예제: SNP 패턴 하나로 HLA-A 대립유전자 사후확률 구하기

집단 내 사전 빈도가 $P(\text{A*02:01})=0.28$, $P(\text{A*01:01})=0.15$, 나머지 대립유전자 전체 $P(\text{기타})=0.57$이라고 합시다. 어떤 개체에서 관측된 주변 SNP 패턴 $X$가 참조 패널에서 각 그룹과 함께 나타난 조건부 확률이 $P(X\mid \text{A*02:01})=0.9$, $P(X\mid \text{A*01:01})=0.05$, $P(X\mid \text{기타})=0.1$이라고 합시다(A*02:01과 강한 LD, 나머지는 약한 LD).

$P(\text{A*02:01} \mid X) \propto 0.9 \times 0.28 = 0.252, \quad P(\text{A*01:01}\mid X) \propto 0.05\times0.15=0.0075, \quad P(\text{기타}\mid X)\propto0.1\times0.57=0.057$

정규화 상수는 $0.252+0.0075+0.057=0.3165$이므로,

$P(\text{A*02:01}\mid X) \approx 0.796, \quad P(\text{A*01:01}\mid X)\approx0.024, \quad P(\text{기타}\mid X)\approx0.180$

이 개체는 A*02:01일 사후확률이 약 80%로 가장 높아 그 대립유전자로 임퓨테이션됩니다. 사전 빈도가 비슷해도 조건부 확률(LD 강도) 차이가 크면 사후확률이 크게 갈린다는 점, 그리고 임퓨테이션 결과가 확률값(posterior probability)으로 나온다는 점 — 즉 100% 확신이 아니라 신뢰도로 제공된다는 점이 핵심입니다.

여기서는 계산을 단순화하기 위해 "하나의 염색체 사본이 어느 대립유전자 범주에 속하는지"만 다뤘습니다. 실제 사람은 HLA-A 좌위에서 부모 양쪽으로부터 물려받은 두 개의 대립유전자를 가지므로, 실무의 HIBAG·SNP2HLA는 이 베이즈 계산을 확장해 이배체 유전형(diplotype) 또는 대립유전자별 dosage(0/1/2)의 사후확률을 함께 추론합니다.

R 실습: 베이즈 HLA 대립유전자 사후확률 계산

# 앞의 손 계산 예제를 코드로 재현
prior <- c(A0201 = 0.28, A0101 = 0.15, other = 0.57)
likelihood <- c(A0201 = 0.9, A0101 = 0.05, other = 0.1)

unnorm <- prior * likelihood
posterior <- unnorm / sum(unnorm)
print(round(posterior, 4))

# 임퓨테이션 신뢰도 임계값 적용 예: posterior >= 0.5인 대립유전자만 채택
best_call <- names(posterior)[which.max(posterior)]
cat(sprintf("최종 호출: %s (사후확률 %.3f)\n", best_call, max(posterior)))

CS 매핑

• 베이즈 분류(Bayesian Classification): 관측 증거(SNP 패턴)와 사전 지식(참조 패널 빈도)을 결합해 가장 그럴듯한 범주를 고르는 것은 베이즈 정리를 쓰는 분류 문제의 기본 틀입니다(단, 나이브 베이즈처럼 "SNP들이 서로 독립"이라는 가정을 두는 것은 아니며, 실제 HLA 임퓨테이션은 SNP 간 LD·haplotype 구조를 핵심으로 활용합니다).
• 앙상블 학습(Attribute Bagging): HIBAG가 SNP 부분집합마다 여러 분류기를 학습시켜 평균 내는 것은, 랜덤 포레스트가 특성(feature) 부분집합으로 여러 결정 트리를 만들어 분산을 줄이는 것과 같은 원리입니다.
• 정수계획법(ILP): OptiType이 리드-대립유전자 정합성을 정수계획 문제로 풀어 최적해를 찾는 것은, 제약 조건 하에서 목적함수를 최적화하는 조합 최적화의 표준 정식화입니다.

자주 만나는 결함

• 저해상도(2자리) 결과를 고해상도(4자리)로 오해: 일부 배열 기반 임퓨테이션은 신뢰도가 낮으면 2자리(예: A*02) 수준까지만 안정적으로 호출합니다. 4자리 수준의 임상적 결론(예: 특정 약물 부작용 위험 대립유전자)에는 사후확률과 참조 패널의 인구집단 일치 여부를 반드시 확인해야 합니다.
• 참조 패널과 대상 코호트의 인구집단 불일치: HLA 대립유전자 빈도와 LD 구조는 인구집단마다 크게 다릅니다. 유럽계 참조 패널로 학습한 모델을 동아시아 코호트에 그대로 적용하면 사후확률이 신뢰할 수 없는 수준으로 낮아집니다.
• NGS 직접 타이핑과 임퓨테이션 결과를 동일 신뢰도로 취급: 직접 시퀀싱 기반 타이핑(OptiType, HLA*LA)은 실제 서열 증거에 기반하지만, 임퓨테이션은 LD 기반 간접 추론입니다. 확정 진단이 필요한 상황(장기이식 등)에서는 인증된 임상 검사실의 targeted typing·SBT·고해상도 NGS 검사가 표준이며, 연구용 소프트웨어의 WGS/WES 기반 호출을 그와 동일시해서는 안 됩니다.

더 깊게 파고 싶다면

본문은 BPD 연구진이 직접 재구성한 서술입니다. 원 논문과 공식 문서로 심화해봅시다.

• OptiType 원 논문: Szolek et al. (2014), OptiType: precision HLA typing from next-generation sequencing data, Bioinformatics.
• HLA*LA 원 논문: Dilthey et al. (2019), HLA*LA: HLA typing from linearly projected graph alignments, Bioinformatics, 35(21):4394–4396.
• HIBAG 원 논문: Zheng et al. (2014), HIBAG—HLA genotype imputation with attribute bagging, The Pharmacogenomics Journal.
• SNP2HLA 원 논문: Jia et al. (2013), Imputing Amino Acid Polymorphisms in Human Leukocyte Antigens, PLOS ONE.

HLA처럼 촘촘한 SNP 수준의 변이를 다뤘다면, 이제 반대쪽 극단 — 유전체 조각 전체가 뒤바뀌거나 사라지는 대형 구조 변이로 넘어갑니다.

다음 편 S48에서는 전좌·역위·CNV 같은 대형 염색체 변이를 검출하고 시각화하는 법을 다룹니다.