[ACMG 가이드라인 쉽게 읽기] 2편: 기능 영향 예측 — “컴퓨터와 실험실로 유전자 변이의 파괴력을 측정하다”

TL;DR (바쁜 독자를 위한 3초 요약)

• 기능 영향 예측 룰이란? 변이가 단백질의 구조와 기능에 얼마나 치명적인 손상을 주는지 바이오인포매틱스(in silico) 예측 알고리즘 및 세포/생체 외 기능 실험(in vitro) 결과를 통해 평가하는 ACMG 기준입니다.
• 핵심 원리: 단백질을 크게 잘라버리는 변이(Null variant)이거나, AI 예측 알고리즘들이 일제히 “위험”하다고 가리키거나, 실제 세포 실험에서 단백질 기능이 마비된 것으로 확인되면 병원성(Pathogenic) 증거가 강해집니다.
• 대표 룰 7가지: PVS1 (최고 강도 병원성), PS3·BS3 (실험적 기능 검증), PM4 (단백질 길이 변화), PP3·BP4 (컴퓨터 예측 도구), BP7 (침묵 변이).

---

유전자가 설계도라면, 단백질은 그 설계도로 만들어진 실제 기계입니다.

변이가 발생했을 때 유전학자들이 묻는 두 번째 질문은

“이 변이가 최종 만들어질 단백질 기계를 얼마나 심각하게 고장 내는가?”입니다.

ACMG 가이드라인의 두 번째 카테고리인 기능 영향 예측(Computational and Functional Data)은 슈퍼컴퓨터 분석 알고리즘과 실제 실험실의 기능 시험 데이터를 결합해 이 ‘파괴력’을 측정합니다.

---

Q1. 단백질 기능 영향 예측은 어떤 방식으로 이루어질까?

변이가 단백질을 얼마나 심각하게 고장 내는지 측정한 파괴력은 크게 두 가지 트랙으로 분석하며, 각 트랙에 따라 적용되는 ACMG 룰이 달라집니다.

In Silico (컴퓨터 및 AI 예측): 3D 단백질 구조 모델링, 진화적 보존성(Conservation) 분석, AI 기반 병원성 예측 도구(SpliceAI, AlphaMissense, REVEL 등) 및 유전자 구조 분석을 활용한 계산적 평가

• 관련 룰: PVS1 (LOF 구조적 파괴), PM4 (단백질 길이 변화), PP3 (병원성 AI 예측), BP4 (비병원성 AI 예측), BP7 (동의 변이)

In Vitro / In Vivo (실험실 기능 검증): 실제 세포나 생체 모델을 만들어 해당 변이를 가진 단백질이 제 기능을 수행하는지 직접 측정한 실험 데이터(Functional Assay)

• 관련 룰: PS3 (실험적 기능 상실 입증), BS3 (실험적 정상 기능 입증)

Q2. 기능 영향 예측 관련 7가지 룰의 세부 의미는?

이 카테고리에는 최고 강도의 병원성 증거부터 보조적 비병원성 증거까지 다양한 스펙트럼의 룰이 존재합니다.

1. 병원성(Pathogenic) 방향 룰 4가지

• PVS1 (Pathogenic Very Strong)
  단백질 생성을 도중에 완전히 중단시키거나 망가뜨리는 LOF(Loss of Function) 변이가 발생했을 때 적용합니다. ACMG 룰 중 유일하게 Very Strong(극도로 강력함) 가중치를 갖는 최고 등급의 병원성 증거입니다.
• PS3 (Pathogenic Strong)
  세포/생체 외 기능 실험(Functional Assay) 결과, 해당 변이가 단백질 기능을 정상 대비 현저히 떨어뜨림이 논문 등으로 실험적 입증된 경우입니다.
• PM4 (Pathogenic Moderate)
  단백질의 비종결 아미노산 부위가 대량 삽입/결실(In-frame InDel)되거나 Stop 코돈이 사라져 단백질 길이가 정상과 달라지는 변화입니다.
• PP3 (Pathogenic Supporting)
  여러 컴퓨터 예측 도구(REVEL, SpliceAI 등)가 일관되게 “이 변이는 단백질 구조에 치명적일 것”이라고 예측한 경우입니다.

2. 비병원성(Benign) 방향 룰 3가지

• BS3 (Benign Strong)
  실제 세포/기능 실험을 진행했더니, 변이가 있음에도 단백질 기능이 정상적으로 완벽히 작동함이 입증된 경우입니다.
• BP4 (Benign Supporting)
  여러 컴퓨터 예측 도구가 일관되게 “이 변이는 단백질 기능에 영향을 주지 않을 것”이라고 예측한 경우입니다.
• BP7 (Benign Supporting)
  아미노산 바뀜이 없는 동의 변이(Synonymous variant)이면서, RNA 스플라이싱(Splicing) 위치에도 전혀 영향을 주지 않아 단백질이 100% 정상적으로 만들어지는 경우입니다.

Q3. PVS1과 PP3/BP4(AI 예측)의 결정적 차이는 무엇일까?

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

많은 분들이 헷갈려 하시지만, 두 룰은 분석의 성격이 완전히 다릅니다.

• PP3 / BP4 (알고리즘 확률 예측)
  SpliceAI나 3Cnet 같은 AI 도구가 “이 미스센스(Missense) 변이가 단백질 구조를 망가뜨릴 확률이 95%입니다”라고 계산해 주는 확률적 예측입니다.
• PVS1 (구조적 기전 파괴 판정)
  Nonsense 변이(Stop 코돈 형성)나 Frameshift 변이처럼, 유전자 조립 단계를 아예 도중에 잘라버리는 분자생물학적 사실(Loss of Function)에 기반한 확정적 판정입니다. 설계도 마지막 장이 찢어져서 기계가 반토막 난 것이 명백한 상황입니다.

즉, PVS1은 단순한 AI의 추측이 아니라 유전자 구조 자체가 파괴되었음을 바이오인포매틱스로 확인한 가장 명확한 증거입니다.

---

Q3. AI 및 컴퓨터 예측 도구(PP3/BP4)의 신뢰도는 어디까지 왔을까?

“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 AlphaMissense, Illumina의 SpliceAI, 그리고 데이터 합성 및 진화적 보존성을 학습한 다양한 AI 모델들이 등장하면서 변이가 단백질 3차원 구조 및 RNA 스플라이싱에 미치는 영향 예측 정확도가 90% 이상으로 대폭 상승했습니다.

2. ClinGen의 룰 가중치 개정 흐름

이러한 AI 모델의 정밀도 향상에 힘입어, 최신 ClinGen 가이드라인에서는 검증된 고성능 in silico 도구 조합을 사용할 경우 기존 PP3의 가중치를 Moderate(중간)나 Strong(강함) 수준까지 승격시켜 적용할 수 있는 가이드라인을 정립해 나가고 있습니다.

3. 쓰리빌리언(3billion)의 AI 모델 ‘3Cnet’

쓰리빌리언 역시 지식전이 학습 기법을 최초로 적용해 자체 개발한 독자적 유전변이 병원성 예측 AI 모델인 3Cnet을 운용하고 있습니다. REVEL 및 3Cnet을 결합한 정밀한 분석을 통해 유전자 변이가 단백질 구조에 미치는 파괴력을 고도로 정확하게 측정하며, VUS 판정의 한계를 지속적으로 극복하고 있습니다.

🔍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. PVS1은 가장 강력한(Very Strong) 병원성 증거이지만, 단독으로 병원성을 확정 짓지는 못합니다. 해당 유전자가 실제로 기능 상실(LOF)에 의해 질병을 일으키는 기전(LOF mechanism)을 가지는 유전자인지, 그리고 인구집단 데이터(1편) 등에서 병원성을 뒷받침하는 보조 증거가 최소 1개 이상 결합되어야 최종 ‘추정 병원성(Likely Pathogenic)’ 이상으로 판정됩니다.

Q2. 컴퓨터 예측 결과(PP3)와 실제 실험 결과(BS3)가 상충하면 어느 쪽을 더 신뢰하나요?

A. 잘 검증된 wet-lab 기능 실험 데이터(PS3/BS3)가 컴퓨터 알고리즘 예측(PP3/BP4)보다 훨씬 높은 가중치를 가집니다. 따라서 실험을 통해 정상 기능이 확인되었다면(BS3 – Strong), 컴퓨터 예측이 위험하다고 나왔더라도(PP3 – Supporting) 실험 결과를 우선시하여 비병원성 방향으로 무게중심이 쏠리게 됩니다.