[ACMG 가이드라인 쉽게 읽기] 2편: 기능 영향 평가 — “변이가 단백질을 망가뜨렸다”는 증거는 어디서 오는가

TL;DR (바쁜 독자를 위한 3초 요약)

• 기능 영향 평가란? 변이가 단백질(또는 RNA)의 기능을 실제로 손상시켰는지를 평가하는 ACMG 기준군입니다. 근거는 세 종류에서 나옵니다 — 변이 유형·위치, 예측 알고리즘, 기능 실험.
• 핵심 원리: 단백질을 도중에 끊어버리는 변이(null variant)이거나, 예측 도구가 높은 임계값을 넘기거나, 검증된 기능 실험에서 기능 소실이 확인되면 병원성 증거가 강해집니다.
• 대표 룰 8가지: PVS1(LoF 구조적 파괴), PM4·BP3(단백질 길이 변화), PS3·BS3(기능 실험), PP3·BP4(예측 도구), BP7(동의·인트론 변이).
• 가장 중요한 최신 변화: 2015년 가이드라인은 “여러 예측 도구의 합의”를 요구했지만, ClinGen은 이 방식을 폐기했습니다. 현재 권고는 사전에 지정한 단일 도구를 캘리브레이션된 임계값과 함께 사용 하는 것이며, 이때 PP3는 Strong까지 강도를 올릴 수 있습니다.

---

유전자가 설계도라면, 단백질은 그 설계도로 만들어진 실제 기계입니다.
변이가 발견되었을 때 유전학자들이 던지는 두 번째 질문은 이것입니다.

“이 변이가 최종 산물인 단백질 기계를 얼마나 심각하게 고장 내는가?”

이 글은 그 질문에 답하는 7개 ACMG 룰을 다룹니다. 다만 시작하기 전에 한 가지 짚어둘 것이 있습니다. 이 7개 룰은 ACMG 근거 매트릭스에서 한 칸에 모여 있지 않습니다. 일부는 Variant Type and Location 행에, 일부는 Functional and Computational Data 행에 흩어져 있습니다. 이것은 표가 잘못된 것이 아니라, 증거의 성격이 근본적으로 다르기 때문입니다. 이 차이를 이해하는 것이 이 글의 핵심입니다.

---

Q1. “기능이 망가졌다”는 증거는 어디서 오는가?

같은 결론(“단백질이 고장 났다”)에 도달하더라도, 그 근거의 성격은 셋으로 나뉩니다. 그리고 성격이 다르면 부여할 수 있는 증거 강도의 상한도 다릅니다.

트랙 1. 변이 유형·위치 기반 판정 (결정론적)

변이가 유전자 구조상 어떤 결과를 낳는지를 주석(annotation) 수준에서 확정하는 평가입니다. 확률을 추정하는 것이 아니라, 분자생물학적 귀결을 판정합니다.

• 해당 룰: PVS1, PM4, BP3
• 매트릭스 위치: Variant Type and Location

트랙 2. 예측 알고리즘 기반 확률 추정 (in silico)

학습된 예측 모델이 변이의 병원성 확률을 계산합니다. 엄격한 의미에서 “in silico 예측”이라고 부르는 것은 이 트랙만입니다.

• 해당 룰: PP3, BP4
• 매트릭스 위치: Functional and Computational Data

트랙 3. 기능 실험 검증 (in vitro / in vivo)

세포 모델 또는 생체 모델에서 해당 변이를 가진 단백질·RNA가 제 기능을 하는지 직접 측정한 데이터입니다.

• 해당 룰: PS3, BS3
• 매트릭스 위치: Functional and Computational Data

그리고 트랙을 넘나드는 두 개

BP7과 PVS1은 예측값으로도, 실험 데이터로도 부여될 수 있습니다. 뒤에서 자세히 다루겠지만, 이 두 룰을 “컴퓨터로 판정하는 룰”로만 이해하면 실제 큐레이션에서 근거를 놓치게 됩니다.

⚠️ 흔한 오해 정리 PVS1, PM4, BP7은 wet-lab 없이 부여할 수 있지만, “in silico 예측 룰”이 아닙니다. 2015년 원문이 이들을 PP3/BP4와 함께 Computational and predictive data라는 한 카테고리에 묶어두었기 때문에 생긴 혼동입니다. “실험이 필요 없다”와 “예측 알고리즘의 산출물이다”는 전혀 다른 이야기입니다.

---

Q2. 7가지 룰의 정확한 정의는?

1. 병원성(Pathogenic) 방향 룰 4가지

• PVS1 – Very Strong
  Null 변이(nonsense, frameshift, canonical ±1 또는 2 splice site, 개시 코돈, 단일·다중 엑손 결실)가 기능 상실(LoF)이 질병 기전으로 알려진 유전자에서 발생한 경우입니다. 2015년 가이드라인에서 병원성 Very Strong 강도가 부여된 유일한 기준이었습니다.
• PS3 – Strong
  검증된 기능 실험(functional assay) 결과, 해당 변이가 단백질 기능을 정상 대비 유의하게 손상시킴이 입증된 경우입니다. 여기서 “검증된”이 핵심이며, 질병 기전 적합성, 대조군 설계, 재현성, 통계적 검정력을 평가해 증거 강도를 Supporting부터 Strong 이상까지 차등 부여하도록 권고합니다. 논문에 실렸다는 사실만으로 자동으로 Strong이 되지 않습니다.
• PM4 – Moderate
  비반복(non-repeat) 영역의 in-frame 삽입/결실, 또는 stop-loss 변이로 단백질 길이가 변하는 경우입니다.
• PP3 – Supporting
  컴퓨터 예측 도구가 해당 변이의 병원성을 지지하는 경우입니다. 이 룰은 2022년 이후 적용 방식이 근본적으로 바뀌었으므로 Q4에서 따로 다룹니다.

2. 비병원성(Benign) 방향 룰 4가지

• BS3 – Strong
  검증된 기능 실험 결과, 변이가 있어도 단백질 기능이 정상적으로 유지됨이 입증된 경우입니다. PS3와 마찬가지로 assay 검증 수준에 따라 강도가 조정됩니다.
• BP4 – Supporting
  예측 도구가 기능에 영향이 없음을 지지하는 경우입니다. PP3와 함께 Q4에서 다룹니다.
• BP7 – Supporting
  두 조건을 모두 충족해야 합니다. 스플라이싱 예측 알고리즘이 splice consensus 서열에 영향이 없고 새로운 splice site도 만들지 않는다고 예측하며, 해당 뉴클레오타이드가 고도로 보존되어 있지 않은 동의(synonymous) 변이
• BP3 – Supporting (PM4의 짝)
  반복(repetitive) 영역의 in-frame 삽입/결실 중 알려진 기능이 없는 경우입니다. PM4와 BP3는 “in-frame indel이 반복 영역에 있는가”라는 동일한 질문에 대해 반대 방향으로 갈라지는 한 쌍입니다. 함께 기억하는 것이 실무에서 훨씬 유용합니다.

두 번째 조건(보존성)이 자주 누락됩니다. 예측만 통과하고 보존성이 높다면 BP7을 적용할 수 없습니다.

그리고 2023년 ClinGen SVI Splicing Subgroup 권고로 BP7의 적용 범위가 확장되었습니다. 동의 변이뿐 아니라 인트론 변이에도, 그리고 예측값이 아닌 실제 RNA 실험 결과(스플라이싱에 영향 없음을 보인 assay)를 담는 코드로도 사용할 수 있습니다. 단백질 기능 영향이 배제된 미스센스 변이에도 적용이 가능합니다.

---

Q3. “PVS1도 결국 컴퓨터로 분석한 것이라면 AI 예측 도구(PP3)와 같은 건가요?”

아닙니다. 추론의 성격이 다릅니다.

PP3는 “이 미스센스 변이가 단백질 구조를 망가뜨릴 확률“을 계산합니다. 반면 PVS1은 nonsense나 frameshift처럼 번역 과정이 도중에 끊긴다는 분자생물학적 사실을 근거로 합니다. 설계도의 마지막 장이 찢겨나가 기계가 반토막 났다는 것이 확정적으로 확인되는 상황입니다.

그리고 결정적으로, PVS1은 “컴퓨터 전용” 룰이 아닙니다. 2023년 ClinGen SVI Splicing Subgroup은 PVS1_Strength 코드를 기능 상실 전사체를 실제로 확인한 스플라이싱 실험 데이터를 담는 용도로 재활용하도록 제안했습니다. PVS1은 예측과 실험 양쪽에 걸쳐 있는 룰입니다.

---

Q4. 예측 도구(PP3/BP4)는 이제 어디까지 왔는가?

“컴퓨터 알고리즘 예측만으로 변이를 진단할 수 있을까?”

과거에는 컴퓨터 예측 도구의 정확도가 다소 낮아 PP3나 BP4가 가장 낮은 ‘보조적 증거(Supporting)’로만 쓰였습니다. 그러나 최근 유전체 의학의 패러다임이 크게 바뀌고 있습니다.

1. 차세대 AI 예측 모델의 폭발적 발전

딥마인드의 AlphaMissense를 비롯한 새로운 예측 모델들이 등장해 기존 도구보다 나은 성능을 보이며, ClinGen이 사용을 권고하는 도구 목록에도 추가되었습니다.

다만 함정이 하나 있습니다. 도구가 “병원성으로 보인다”고 표시하는 기준과, 임상 분류에서 증거로 인정되는 기준은 서로 다른 척도입니다. AlphaMissense의 경우 개발자가 권고한 기본 임계값을 그대로 적용하면, 캘리브레이션 결과 가장 약한 등급조차 충족하지 못합니다.

즉 “AI가 좋아졌으니 예측만으로 판정할 수 있다”가 아니라, 검증된 임계값을 쓸 때에만 상향된 강도가 유효하다는 것이 정확한 이해입니다.

2. ClinGen의 룰 가중치 개정 흐름

2015년 가이드라인은 “여러 예측 도구의 결과가 일치할 때” PP3를 부여하도록 했습니다. 하지만 도구들이 비슷한 정보를 학습하기 때문에, 여러 개가 같은 답을 내놓는 것은 독립적인 증거가 되지 못합니다. 그래서 2022년 ClinGen은 어떤 도구를 쓸지 미리 정해두고 그 하나를 일관되게 사용하는 방식으로 권고를 바꿨습니다.

대신 예측 근거의 위상이 올라갔습니다. 과거에는 가장 약한 보조 증거로만 쓸 수 있었지만, 이제는 REVEL처럼 ClinGen이 임계값을 검증해 공표한 소수의 도구에 한해 강한 증거로도 인정됩니다.

3. 쓰리빌리언(3billion)의 AI 모델 ‘3Cnet’

쓰리빌리언은 자체 개발한 유전변이 병원성 예측 AI 모델 3Cnet을 운용하고 있습니다.

3Cnet의 역할은 수만 개의 변이 후보 중 먼저 살펴볼 것을 골라내고, 이미 VUS로 판정된 변이를 주기적으로 다시 검토하는 것입니다. 증거 강도(PP3/BP4) 부여 자체는 ClinGen이 검증한 도구의 임계값 기준을 따릅니다. 후보를 찾는 일과 증거로 인정받는 일을 구분해 설계했다는 뜻입니다.

🔍AI 예측 툴이 희귀질환 진단을 바꾸는 방법: : ACMG PP3 근거 강도와 REVEL, 그리고 3Cnet

자세히 읽어보러 가기

---

FAQ (자주 묻는 질문)

Q1. PVS1 룰이 붙으면 무조건 병원성(Pathogenic) 변이로 확정되나요?

A. 아닙니다. 다만 여기에는 두 분류 체계가 서로 다른 답을 주는 지점이 있어 주의가 필요합니다.

• 2015년 조합 규칙 기준: Likely Pathogenic이 되려면 PVS1 + Moderate 이상 근거 1개가 필요합니다. PVS1 단독은 LP 조합에 포함되지 않습니다.
• 점수 기반 체계 기준:PVS1은 8점이고 Likely Pathogenic 구간은 6–9점이므로, PVS1 단독으로 이미 LP 구간에 들어갑니다.

두 체계가 이 지점에서 어긋나며, 이는 관련 문헌에서도 지적되는 알려진 불일치입니다. 따라서 검사기관은 자사 파이프라인이 어느 체계를 따르는지를 SOP에 명시해두어야 합니다.

어느 체계를 쓰든 공통 전제는 동일합니다. 해당 유전자에서 LoF가 질병 기전으로 확립되어 있어야 하고, PVS1의 강도 자체가 decision tree로 하향될 수 있습니다.

Q2. 예측 결과(PP3)와 실험 결과(BS3)가 상충하면 어느 쪽을 믿나요?

A. ACMG 체계에는 “어느 쪽을 우선한다”는 우선순위 규칙이 없습니다. 증거를 합산합니다. 이 점이 자주 오해됩니다.

점수 체계는 Supporting ±1, Moderate ±2, Strong ±4, Very Strong ±8점입니다. 예를 들어 BS3_Strong(−4)과 PP3_Supporting(+1)이 함께 있으면 합계 −3점으로 Likely Benign 방향이 됩니다. 실험을 “더 신뢰해서” 그렇게 되는 것이 아니라, 합산 결과가 그 방향으로 기울기 때문입니다.

그리고 이제 PP3가 Strong(+4)까지 가능해졌으므로, “실험 데이터가 예측보다 항상 훨씬 높은 가중치를 가진다”는 단정은 더 이상 성립하지 않습니다. PS3/BS3 역시 assay 검증 수준에 따라 Supporting까지 하향될 수 있습니다. 강도는 코드가 아니라 근거의 질이 결정합니다.

Q3. 예측 도구를 여러 개 돌려보는 것이 아예 의미가 없나요?

A. 탐색 단계에서 여러 도구를 참고하는 것 자체는 문제가 아닙니다. 문제는 그것을 증거 강도 산정에 중복 반영하는 것입니다. 여러 도구가 유사한 입력(보존성, 아미노산 치환 행렬 등)을 공유하므로 독립적인 증거로 계산할 수 없고, PP3/BP4는 한 변이 평가에서 한 번만 적용됩니다.

다만 서로 다른 기전을 예측하는 도구(예: 미스센스 영향 예측기 vs 스플라이싱 예측기)는 성격이 다릅니다. 단백질 안정성 등 기전적 결과를 예측하는 방법은 일반적인 미스센스 영향 예측기와 결합하지 않도록 권고되고 있습니다.