Journal List > Lab Med Online > v.14(4) > 1516088570

혈액암 체세포 변이의 해석과 보고에 대한 권고안

요 약

혈액암, 특히 골수성종양에서 차세대염기분석검사가 필수 임상검사로 자리 매김함으로써 다양하게 검출되는 변이 중 임상적으로 의미있는 변이를 확인하는 일은 점점 중요해지고 있다. 본 연구에서는 혈액암에서 관찰되는 체세포 변이의 해석을 위하여 다양한 가이드라인을 검토하여 변이의 발암성과 임상적 적용가능성 측면에서 각각의 분류 지침 및 변이의 보고지침을 제시하고 혈액암 변이 해석에 대한 국내 현황을 확인하였다. 본 지침이 국내 혈액암 체세포 변이의 해석 및 보고의 표준화를 위한 기반이 되었으면 한다.

Abstract

Next-generation sequencing has become an essential clinical test for hematologic malignancies, especially myeloid neoplasms, making the identification of clinically significant variants increasingly important. In this review, we discuss various guidelines for the interpretation of somatic variants observed in hematologic malignancies, presenting classification criteria and reporting guidelines for each variant based on oncogenicity and clinical actionability. Additionally, we examine the status of variant interpretation in hematologic malignancies in Korea. We aim for these recommendations to serve as a foundation for the standardization of somatic variant interpretation and reporting in hematologic malignancies in Korea.

서 론

혈액암에서 체세포 유전자 변이는 진단, 예후, 치료적인 측면에서 중요한 정보를 제공하며 표적 치료 등 다양한 연구의 토대를 제공한다. 따라서 혈액암에서 발견되는 수많은 체세포 변이 중 임상적으로 의미 있는 변이를 확인하는 것은 매우 중요하며 이를 위해 다양한 변이 해석 가이드라인들이 제시되어 왔다. 체세포 변이 해석의 초기 근거가 된 2017년 미국분자병리학회(Association for Molecular Pathology, AMP), 미국임상종양학회(American Society of Clinical Oncology, ASCO), 미국병리학회(College of American Pathologists, CAP)에서 공동으로 합의한 2017 AMP/ASCO/CAP 체세포 변이의 해석 및 보고 가이드라인에서는 인구 집단에서의 빈도, 기능적인 연구 보고, 전산 예측 알고리즘, 체세포 변이 빈도 등 체세포 변이의 발암성을 결정하는 데 사용할 수 있는 근거자료에 대해 설명하였으며, 임상적 중요성에 근거하여 진단, 예후, 치료적 카테고리로 변이를 해석 및 보고하는 Tier 근간의 분류를 제시하였다[1]. 하지만 체세포 변이의 분류에 대한 명확하고 세분화된 기준을 제시하지 않아 기관마다 가이드라인의 적용에 차이가 있었으며, 2017 AMP/ASCO/CAP 가이드라인을 적용한 검사실간 체세포 변이의 분류 평가 연구에서도 좀 더 세분화되고 포괄적이며 표준화된 분류 체계의 필요성이 제기되었다[2]. 또한 2017 AMP/ASCO/CAP 가이드라인에서 사용된 미국식품의약국(U.S. Food and Drug Administration, FDA)에서 승인된 치료제의 유무와 같이 각국의 의료 제도를 반영한 가이드라인의 필요성도 제기되었다[2].
체세포 변이의 발암성(병인성)은 유럽종양학회(European Society for Medical Oncology, ESMO)의 분자 표적의 임상적 적용가능성 척도(Scale of Clinical Actionability of molecular Targets, ESCAT) [3]와 같은 전문 학회에서 발표한 여러 다른 근거 수준 시스템과 Clinical Interpretation of Variants in Cancer (CIViC) [4], Precision Oncology Knowledge Base (OncoKB) [5], Cancer Consortium Meta-Knowledgebase (MetaKB) [6]와 같은 지식 기반 데이터베이스에서 다루어졌다. 하지만 각 데이터베이스마다 발암성을 정의하는 기준이 생략되거나 상이하여 변이 해석의 일관성이 떨어지게 되었고 이는 임상적 적용가능성의 결정에 영향을 미치게 되었다. 그리하여 엄격하고 포괄적인 절차를 사용하여 암에서 체세포 변이의 발암성을 분류하기 위한 표준 및 가이드라인 개발이 요구되었고, 2022년 Clinical Genome Resource (ClinGen)에 속한 임상체세포 암 실무단(Somatic Cancer Clinical Domain Working Group)과 ClinGen 생식세포/체세포 변이 소위원회(Germline/Somatic Variant Subcommittee), 암 유전체 컨소시엄(Cancer Genomics Consortium, CGC) 및 암 변이 해석 컨소시엄(Variant Interpretation for Cancer Consortium, VICC)이 공동으로 합의하여 2022 ClinGen/CGC/VICC 체세포 변이의 발암성 분류 가이드라인을 제안하였다[7].
하지만 기존 가이드라인은 고형암 위주로 구성되어 있어 변이의 치료적 분류 외에 진단 및 예후적 분류가 중요한 혈액암에 적용하기에는 제한적인 측면들이 존재하였으며, 이에 기존 체세포 변이 분류 가이드라인의 취약점을 보완하고자 혈액암의 체세포 변이 해석 및 보고에 대하여 벨기에와 스페인에서 생물학적 발암성 및 임상적 적용가능성을 모두 고려한 가이드라인이 제시된 바 있다[8, 9].
국내에서 체세포 변이에 대한 차세대염기서열분석법은 2017년부터 임상검사로 시행되고 있다. 2017년부터 2018년까지 진행된 혈액종양 분야의 차세대염기서열분석법 국내 실태 조사 연구에 따르면 설문에 응답한 총 26개의 차세대염기서열분석법 시행기관 중 대부분의 기관에서 급성백혈병과 골수성혈액종양에 대한 차세대 염기서열분석법을 수행하고 있었으며, 림프종과 다발골수종에 대해서는 소수의 기관에서만 검사를 수행하고 있었다[10]. 혈액 종양 체세포 변이의 해석에 대해서는 기관 간 차이가 발생할 수 있으므로 한국인의 합의 데이터베이스를 구축하고 주기적으로 데이터베이스를 갱신하여 공유하면 좋을 것이라는 의견과 검사의 해석과 결과 보고에 있어서 국내의 표준화된 지침이 필요하다는 의견이 제기되었다.
따라서 본 임상 지침에서는 기존에 보고된 다양한 체세포 변이의 해석 및 보고 가이드라인을 살펴보고 체세포 변이의 발암성 및 임상적 적용가능성을 2022 ClinGen/CGC/VICC 및 2017 AMP/ASCO/CAP 가이드라인에 기반하여 혈액암 체세포 변이의 해석과 보고에 대해 제시하였다. 본 지침에서 주요 대상이 되는 체세포 변이는 단일염기서열변이나 작은 삽입 및 결실 변이이며, 큰 구조적 변이에도 적용할 수 있다. 본 지침에서 사용되는 기본용어는 Supplementary Table 1에 정리하였다.

체세포 변이 해석의 근거 자료

체세포 변이의 해석을 위한 기본 근거자료로 인구집단 데이터베이스, 종양 관련 데이터베이스, 의학 연구 문헌, 전산 예측 알고리즘 등을 이용할 수 있다. 혈액암의 체세포 변이 해석 시 참고할 수 있는 주요 문헌 및 데이터베이스 등은 Table 1에 정리하였다.

1. 인구집단 데이터베이스

현재 이용할 수 있는 인구집단 데이터베이스에는 Genome Aggregation Database (gnomAD, https://gnomad.broadinstitute.org)[11], Exome Aggregation Consortium (ExAC) [12], 1000 genomes[13] 등이 있으며 한국에서도 2020년에 1,722명의 건강인을 대상으로, 한국인 참조 유전체 데이터베이스(Korean Reference Genome Database, KRGDB)를 구축하였다[14]. 이 중에서 여러 인구집단 데이터를 통합 제시한 gnomAD와 KRGDB가 주로 이용되고 있다. 인구집단 데이터베이스를 활용할 때에는 삽입과 결실 변이가 기술적인 한계로 인해 실제보다 낮은 빈도로 발견될 수 있는 점과 클론성 조혈로 인한 일부 체세포 변이들(예, DNMT3A, TET2, IDH2, TP53, KRAS, SF3B1)이 인구집단 데이터베이스에 포함되었을 가능성을 고려해야 한다. 또한 인구집단 데이터베이스에서 질병이 있는 것으로 밝혀진 경우 모집단에서 제외되지만, 검사 당시 알려지지 않은 질병을 가지고 있었을 가능성도 주의해야 한다.

2. 종양 관련 데이터베이스

Cancerhotspots (https://www.cancerhotspots.org)는 약 25,000개의 종양 샘플에서 확인된 통계적으로 유의미한 재발 돌연변이 위치에 대한 정보를 제공한다. 이 통계적 유의성은 염기서열의 돌연변이성(mutability)과 유전자 특이적 단일염기서열변이의 비율을 고려하여 결정되었으며, 해당 아미노산의 특정 변이가 아닌 위치에 대해 계산된 점이라는 것을 고려해야 한다. 또한, 고형 종양의 변이 정보를 주로 제공하며 혈액암, 희귀암 및 소아암에 대해서는 제한적인 정보를 제공한다. 소아암의 경우, PeCanPIE (https://pecan.stjude.cloud/pie) [15]를 이용할 수 있다. COSMIC (https://cancer.sanger.ac.uk/cosmic) [16]은 다양한 암에 대한 체세포 변이 빈도에 대한 정보를 제공한다. 하지만 이 데이터는 염기서열 돌연변이성과 유전자 특이적 단일염기서열 변이의 비율에 의해 조정되지 않았으며, 시퀀싱 깊이가 다른 다양한 방법으로 수집된 정보이며, 생식세포와 체세포 변이를 명확하게 구별할 수 없는 경우도 있어 주의해야 한다. OncoKB (https://www.oncokb.org/) [5]는 자체 증거 수준 체계에 따라 미국식품의약국, 미국종합암네트워크(National Comprehensive Cancer Network, NCCN) 가이드라인 및 전문가 그룹의 문헌 및 권장 사항을 기반으로 특정 변이의 약물/치료 반응, 진단 및 예후적 근거에 기반하여, 암 유형에 따라 특정 변이의 치료, 진단, 예후적 측면에서의 임상적 적용가능성에 대한 정 보를 제공한다. 그 외에도 CiVIC (https://varsome.com/), metaKB(https://search.cancervariants.org/) 등이 체세포 변이 정보를 제공하고 있다.

3. 의학 연구 문헌

발견된 변이가 기존 데이터베이스에 충분히 등재되어 있지 않은 경우 추가적인 해석 근거를 부여하기 위해 해당 암종에서 해당 변이가 보고된 문헌을 검색하여 해석 근거를 부여할 수 있다. 대부분 드문 변이에 해당하며, 근거문헌은 증례보고부터 대중에 공개된 암 유전체에 대한 연구(예, The Cancer Genome Atlas)까지 다양하다. 변이가 보고된 문헌은 발암성 분류에 필요한 직접적인 근거를 제시하지 않을 수 있지만, 임상 정보를 종합하여 2017 AMP/ASCO/CAP 지침에 대한 해석의 근거로 사용할 수 있다. 예를 들어, IDH1/2 변이는 신경교종에서 예후적 의미를 가지는 반면, 연골육종에서는 진단적 유용성이 있고 급성골수백혈병에서는 치료적인 의미를 갖는다. 새롭게 발견된 변이에 대한 근거문헌을 제시할 경우, 판독 근거, 연구 종류 및 표본 크기, 데이터의 종류(게놈 또는 전사체, 종양단독연구 또는 정상/종양 짝 연구), 암종과 변이의 연관성을 기술하는 것이 바람직하다.

4. 전산 예측 알고리즘

변이에 대한 발암성을 분류하기 위해 많은 종류의 전산 예측 도구들이 이용될 수 있다. 예측 도구들은 phyloP와 phastCons (http://compgen.cshl.edu/phast, https://run.opencravat.org)와 같은 보존분석도구와 spliceAI (https://spliceailookup.broadinstitute.org)와 varSEAK (https://varseak.bio)과 같은 스플라이싱효과 예측 알고리즘이 있으며, 많은 예측 도구는 과오 변이에 대한 알고리즘이다. 인실리코 변이예측 알고리즘은 유전자, 변이의 종류 및 빈도 등의 요인에 따라 다양하며 Supplementary Table 2에 정리하였다.

체세포 변이의 발암성 해석 지침

혈액암에서 체세포 변이의 발암성 해석은 2022 ClinGen/CGC/VICC 가이드라인[7]에 근거하여 다음과 같이 제시한다.

1. 체세포 변이의 발암성 해석 근거에 관한 점수 산정 및 판정 개요

체세포 변이의 발암성과 양성 변이 판단 근거는 매우 강한(very strong), 강한(strong), 보통(moderate), 약한(supporting) 수준의 4가지 근거로 분류하며, 생식세포 변이의 병인성과 구분할 수 있도록 각 근거의 앞에 발암성의 근거는 알파벳 O (oncogenicity), 양성의 근거는 알파벳 SB (somatic benign)를 붙여 표기한다. 여기에 매우 강한, 강한, 보통, 약한 수준의 각 근거에 각각 ±8, ±4, ±2, ±1(발암성 변이의 근거인 경우, +; 양성 변이의 근거인 경우, -)의 점수를 부여하여 합산한다. 체세포 변이의 발암성은 합산 점수가 10점 이상인 경우 발암성(oncogenic), 6–9점인 경우 준발암성(likely oncogenic), 0–5점인 경우 의미불명변이(variant of uncertain significance, VUS), -6~-1점인 경우 준양성(likely benign), -7점 이하인 경우 양성(benign) 변이로 분류한다. 체세포 변이의 발암성 판정에 대한 각 근거 수준은 다음과 같다(Table 2).

2. 체세포 변이의 발암성 판정 근거

1) 매우 강한 수준의 근거(Very strong): 8점

i. 매우 강한 발암성(Oncogenic very strong, OVS1): +8점

  • 종양억제유전자에서 무효 변이[null variant; 무의미(nonsense), 틀이동(frameshift), 캐노니컬 스플라이스 부위(canonical splice site) ±2 이내, 시작 코돈, 단일 또는 다수의 엑손 결실 변이]가 관찰되는 경우, 매우 강한 수준의 발암성 근거가 된다. 하지만 예상되는 기능 상실 변이(loss of function)가 3’ 말단의 조기 종결 코돈 분해(nonsense mediated decay) 부위에서 발생한 경우에는 그 해석에 주의해야 한다. 또한, 스플라이스 부위 변이가 엑손 결손(exon skipping)을 일으키지만, 틀내 변화(inframe events)와 같이 나머지 단백의 손상이 없는 경우나 종양 억제 기능을 유지하는 잘 알려진 대체 동형단백질(alternative isoform)을 생성하는 경우, 다중 전사(multiple transcripts)에 의하는 경우에는 해석에 주의해야 한다.

ii. 매우 강한 양성(Somatic benign very strong, SBVS1): -8점

  • 대립유전자 빈도(minor allele frequency, MAF)가 gnomAD에서 5개 대륙의 인구집단(아프리카, 동아시아, 유럽, 라틴, 남아시아) 중에 5% 초과일 경우 부여한다. 단, 만약 해당 변이가 유전성 암의 유발하는 소인(predisposition)이 되는 유전자인 경우, ACMG/AMP/ClinGen 전문가 패널 가이드에서 해당 유전자 지침을 참고하여 질병 유병률을 고려한 임곗값을 고려해야 한다.

2) 강한 수준의 근거(Strong): 4점

i. 강한 발암성(Oncogenic strong, OS): +4점

  • OS1: 이전에 잘 확립된 연구에서 발암성으로 알려진 원인 변이와 동일한 아미노산으로의 변이를 일으키는 경우에 부여한다(예, 동일 코돈 내 G>C, G>T로의 변화가 동일한 valine에서 leucine으로의 아미노산 변화를 유발하는 경우). 단, 아미노산 수준의 변화가 아니라 스플라이싱에 영향을 주는 변이인 경우 주의해야 한다.

  • OS2: 잘 확립된 체외 또는 체내 기능 연구에서 발암성이 뒷받침되는 경우에 부여한다. 단, 재현 가능하고 견고하게 수립된 연구여야 하며, OS1이 적용되는 경우에는 OS2는 해당 변이와 일치하는 특정 염기서열에 기반한 기능연구에만 적용된다.

  • OS3: Cancerhotspots.org에 등재되어 있으며, 최소 50개 이상의 검체에서 동일한 아미노산 위치의 변이가 발생하고, 최소 10개 이상의 검체에서 동일한 아미노산 변이가 관찰된 경우에 부여한다. 단, cancerhospots.org에서 충분히 다뤄지지 않았다면, COSMIC이나 종양 유형에 특화된 연구 자원을 이용할 수 있으며, 특정 조기 종결 돌연변이(truncating somatic variant)에 의한 핫스팟의 경우를 주의해야 한다. OS3는 특정 염기 변화에 근거하여 핫스팟을 관찰할 수 있는 경우가 아니라면, OS1이 적용 가능한 경우에는 사용할 수 없다.

ii. 강한 양성(Somatic benign strong, SBS): -4점

  • SBS1: 소집단 대립유전자 빈도가 gnomAD에서 5개 대륙의 인구집단(아프리카, 동아시아, 유럽, 라틴, 남아시아) 중에 1% 초과일 경우 부여한다. 단, 만약 해당 변이가 유전성 암의 유발하는 소인이 되는 유전자인 경우, ACMG/AMP/ClinGen 전문가 패널 가이드에서 해당 유전자 지침을 참고하여 질병 유병률을 고려한 임곗값을 고려해야 한다.

  • SBS2: 잘 확립된 체외 또는 체내 기능 연구에서 양성이 뒷받침되는 경우 부여한다.

3) 보통 수준의 근거(Moderate): 2점

i. 보통의 발암성(Oncogenic moderate, OM): +2점

  • OM1: 변이가 잘 확립된 연구에서 기능적으로 중요한 도메인(효소 활성 부위 등)에 위치한 경우 부여한다. 단, OS1이나 OS3 규칙이 적용 가능한 경우, 이 규칙을 중복하여 적용할 수 없다.

  • OM2: 알려진 발암유전자(oncogene)이나 종양 억제 유전자에서 발생한 틀 내 단백길이 변화(in-frame deletions/insertions)를 유발하거나, 종양 억제 유전자에서 나타난 정지 상실 변이(stop-loss variants)의 경우 부여한다. 단, OVS1이 적용가능한 경우 이 근거는 적용할 수 없다.

  • OM3: Cancerhotspots.org에 등재되어 있으며, 50개 미만의 검체에서 동일한 아미노산 위치에서의 변이가 발생하고, 최소 10개 이상의 검체에서 동일한 아미노산 변이가 관찰된 경우 부여한다. 단, cancerhospots.org에서 충분히 다뤄지지 않았다면, COSMIC이나 종양 유형에 특화된 연구 자원을 이용할 수 있다. 이 근거는 OM1이나 OM4와 중복하여 적용할 수 없으며, 특정 조기 종결 돌연변이에 의한 핫스팟의 경우를 주의해야 한다.

  • OM4: 같은 위치의 아미노산에서의 과오변이가 발암성으로 확인된 경우 부여한다. 단, 아미노산 변화는 발암성으로 알려진 아미노산의 변화보다 더 크거나 최소한 같은 수준의 변화가 일어나야 한다(예, p.Arg156His 변이가 발암성으로 알려졌으나, p.Arg156Cys 변이가 관찰된 경우). 이 근거는 OS1, OS3, 또는 OM1과 중복하여 적용될 수 없으며, 아미노산이나 단백 수준의 변화보다 스플라이싱에 영향을 미치는 경우 주의해야 한다.

4) 약한 수준의 근거(Supporting): 1점

i. 약한 발암성(Oncogenic supporting, OP): +1점

  • OP1: 모든 전산 예측(보존/진화 부위, 스플라이싱 효과 등)이 발암성을 뒷받침할 경우 부여한다. 단, 많은 인실리코 알고리즘이 예측을 위해 동일하거나 유사한 입력을 이용하기 때문에 각 알고리즘을 독립적인 기준으로 계산하거나, 여러 번 반복평가되어서는 안된다.

  • OP2: 단일 유전 기원을 가지는 종양에서 해당 유전자의 변이가 관찰된 경우 부여한다(예, RB1의 양대립유전자[bi-allelic] 비활성이 유발하는 망막아세포종). 단, 일부 소수의 사례는 다른 메커니즘에 의해 발생할 수 있으며, 조직학적 유사성은 오진을 야기할 수 있다.

  • OP3: Cancerhotspots.org에 등재되어 있으며, 10개 미만의 같은 아미노산 변이가 관찰된 경우 부여한다. 단, cancerhospots. org에서 충분히 다뤄지지 않았다면, COSMIC이나 종양 유형에 특화된 연구 자원을 이용할 수 있으며, 특정 조기 종결 돌연변이에 의한 핫스팟의 경우를 주의해야 한다.

  • OP4: gnomAD에서 빈도가 관찰되지 않거나, 매우 낮은 빈도로 관찰된 경우 부여한다. 단, 인구집단 데이터베이스에는 삽입/결실 변이가 과소평가되어 있으며, 클론성 조혈 변이들이 포함되어 있을 수도 있음을 고려해야 한다.

ii. 약한 양성(Somatic benign supporting, SBP): -1점

  • SBP1: 모든 전산 예측(보존/진화 부위, 스플라이싱 효과 등)에서 발암성의 근거가 없을 경우 부여한다. 단, 많은 인실리코 알고리즘이 예측을 위해 동일하거나 유사한 입력을 이용하기 때문에 각 알고리즘을 독립적인 기준으로 계산하거나, 여러 번 반복 평가되어서는 안된다.

  • SBP2: 스플라이싱 예측 알고리즘이 스플라이스 효과가 없다고 예측하고, 염기서열의 보존성이 높지 않은 부위의 침묵돌연변이(silent variant)인 경우 부여한다.

3. 혈액암의 주요 체세포 변이

임상진료지침인 NCCN 가이드라인 및 혈액암에 대한 WHO 분류[17]에 근거하여 골수성혈액암에서 의미있게 검출되는 주요 유전자의 변이 형태를 Table 3에 정리하였다.

체세포 변이의 임상적 적용가능성 해석 지침

임상적 적용가능성이라는 개념은 발견된 변이가 환자의 진료지침에 영향을 미친다는 의미로 생식세포 변이의 해석에 대한 2015 ACMG/AMP 가이드라인에서 처음 소개되었다[18, 19]. 생식세포 변이의 해석과 다르게 체세포 변이의 경우 즉각적인 임상진료에의 영향, 즉 변이의 임상적 적용가능성에 중점을 두어 해석해야 한다. 예를 들어, 만약 어떤 변이가 특정한 치료에 민감성, 저항성, 또는 독성을 나타내거나, 유전자의 기능을 변화시켜 약물의 표적이 될 수 있거나, 임상시험의 포함 기준이거나, 질병의 예후에 영향을 주거나, 암의 진단을 돕거나, 조기 암 진단에 도움이 된다면 해당 변이는 유의미한 변이로 해석될 수 있다. 따라서 변이의 임상적 적용가능성은 진단, 예후, 치료 및 예방적 측면에서 고려되어야 하며, 평가 시점의 근거를 기반으로 평가되어야 한다. 혈액암에서 체세포 변이의 임상적 적용가능성의 해석은 2017 AMP/ASCO/CAP 가이드라인[1]의 4단계 시스템(four-tiered system) 근거하여 다음과 같이 제시한다.

1. 체세포 변이의 임상적 적용가능성의 분류 근거

체세포 변이 평가의 근거 수준에 따라 다음과 같이 4가지로 구분한다.
  • 1) Level A: US FDA 승인된 치료에 대한 반응 및 저항성 또는 특정 암종에 대한 전문적인 가이드라인에 제시되어 있는 치료적, 진단적, 예후적 바이오마커인 경우 해당한다.

  • 2) Level B: 잘 설계된 연구를 기반으로 한 치료에 대한 반응 및 저항성 또는 특정 암종에 대한 잘 설계된 연구에서 제시된 진단적, 예후적 바이오마커인 경우 해당한다.

  • 3) Level C: FDA 또는 다른 전문가집단에서 타암종에 대해 승인된 치료에 대한 반응 및 저항성 또는 다수의 소규모 연구들에 기반한 진단적, 예후적 바이오마커인 경우 해당한다.

  • 4) Level D: 전임상단계의 연구를 기반으로 한 치료적 유용성 또는 소규모 연구나 다수의 증례 보고를 기반으로 한 진단적, 예후적 바이오마커인 경우 해당한다.

2. 체세포 변이의 임상적 적용가능성의 판정 근거

체세포 변이 평가의 근거 수준을 바탕으로 하여 검출된 체세포 변이는 다음과 같이 Tier I부터 IV까지 4등급 시스템에 따라 분류한다(Table 4).
  • 1) Tier I 변이: 강한 임상적 의미를 갖는 변이(variants of strong clinical significance)로 level A와 B의 근거를 갖는 경우에 해당한다.

  • 2) Tier II 변이: 잠재적 임상적 의미를 갖는 변이(variants of potential clinical significance)로 level C 또는 D의 근거를 갖는 경우에 해당한다.

  • 3) Tier III 변이: 임상적 중요성이 알려지지 않은 변이(variants of unknown clinical significance)인 경우에 해당한다.

  • 4) Tier IV 변이: 양성(benign) 또는 준양성 변이(likely benign variants)에 해당한다.

혈액암에서 체세포 변이의 발암성 및 임상적 적용가능성을 통합적으로 고려한 변이 해석의 모식도는 Fig. 1에 제시하였다.

체세포 변이의 분류에 대한 기타 가이드라인

이 외에 혈액암에서 체세포 변이의 분류 시에 참고할 수 있는 각 가이드라인의 주요 내용은 Supplementary Table 3에 정리하였으며, 가이드라인별 세부 내용은 다음과 같다.

1. 2018 ESMO Scale for clinical actionability of molecular targets (ESCAT)

ESMO는 임상적 타겟으로 변이의 가치를 지원하는 근거에 기반하여 변이 분류를 표준화하고자 하였으며 임상적 적용가능성을 Tier I, II, III, IV, V, X의 6단계로 분류하였다(Supplementary Table 4) [3]. Tier I은 사용할 준비가 된 약제가 있는 변이로, 변이와 해당 유전자 관련 약제의 효과가 임상시험을 통해 효과가 증명된 변이 이다. 치료 효과가 있는 것으로 제시된 임상시험의 디자인과 관련 질환에 따라 해당 질환에서 전향적, 무작위배정 임상시험의 경우 I-A, 해당 질환에서 전향적, 비무작위배정 임상시험의 경우 I-B, 여러 암종을 포함하고 암종에 상관없이 같은 치료효과를 보인 임상 시험은 I-C로 구분한다. Tier II는 변이와 해당 유전자 관련 약제의 항암효과가 있으나, 임상시험 등을 통해 추가로 치료 효과의 입증이 필요한 변이이다. Tier II-A는 후향적 연구로 해당 질환에서 해당 유전자 변이가 있는 경우 관련 약제에 효과가 있는 것으로 나타난 변이이며, Tier II-B는 전향적 연구에서 반응률이 증가했지만 생존평가에서는 유효하지 않은 결과가 나타난 변이이다. Tier III는 가상의 대상 약제가 있는 변이로, 다른 암종에서 변이와 유전자 관련 약제의 항암효과가 증명된 바가 있거나 해당 유전자 변이가 Tier I 변이와 같은 기능적 역할을 할 것으로 예상되는 변이이다. 다른 암종에서 변이와 유전자 관련 약제의 항암효과가 증명된 바가 있으나(Tier I, Tier II의 변이), 해당 암종에서는 연구가 진행된 바가 없을 경우 Tier III-A, 해당 유전자 변이가 같은 유전자의 Tier I 변이와 같은 기능적 역할을 할 것으로 예상되는 경우 Tier III-B로 구분한다. Tier IV는 변이와 유전자 관련 약제의 항암효과가 전임상 단계에서 증명된 바가 있으며, Tier IV-A는 전임상 단계 중 in vitro 또는 in vivo 모델에서 항암효과가 나타난 변이이며, Tier IV-B는 in silico에서 항암효과가 예측되는 변이이다. Tier V는 변이와 해당 유전자 관련 약제의 항암효과가 있었으나 여러 전향적 임상시험에서 생존율 또는 재발률 관련 치료 효과가 없는 것으로 나타난 변이로, 추후 병합요법의 임상시험을 고려할 수 있다. Tier X는 임상적 적용가능성의 근거가 없는 변이이다.

2. 2019 벨기에 체세포 변이 분류 가이드라인(Belgian somatic variant classification guideline)

벨기에 MolecularDiagnostic.be 실무 그룹이 체세포 변이의 생물학적 분류 및 임상적 분류에 대해 시행한 설문에서, 변이의 생물학적 분류에 있어서 상당한 차이가 있고 이것이 실제 환자의 임상보고서에 영향이 주는 것을 확인하였다. 이에 벨기에 ComPerMed Expert Panel에서 체세포 변이의 생물학적 분류에 중점을 둔 벨기에 가이드라인을 제시하였다(Supplementary Tables 5, 6) [8]. 변이의 생물학적 분류, 즉 병인성 분류에 대한 워크플로우와 함께 혈액암 변이 해석에 도움이 되는 내용을 자세히 설명하였으며 특히 혈액암에 대해 합의된 병원성 변이(Consensus Pathogenic Variants) 리스트를 제시하였다. 이후 변이의 임상적 분류에 대해서는 2017 AMP/ASCO/CAP 가이드라인에 따른 4단계 분류를 유지하였다. 생물학적 분류상 병인성 또는 준병인성 변이는 임상적 분류에 따라 Tier I, II, III로 분류하였으며, 의미가 불확실한 변이(variant of uncertain significance, VUS)는 임상적 분류와 상관없이 Tier III로 분류하였고, 양성 또는 준양성 변이는 Tier IV 변이로 분류하였다.

3. 2020 스페인 체세포 변이 분류 가이드라인(Spanish somatic variant classification guideline)

스페인 골수이형성증후군(myelodysplastic neoplasm, MDS) 실무 그룹은 MDS 및 만성골수단핵구백혈병(chronic myelomonocytic leukemia, CMML)을 대상으로 임상검사실에서 표적 차세대 염기서열검사 시행 시 분석과 변이 해석의 표준화를 위해 전문가 패널의 합의를 통한 스페인 가이드라인을 제시하였다(Supplementary Table 7) [9]. 변이의 분류 및 해석은 유전자의 임상적 적용 가능성, 변이의 임상적 중요성, 데이터베이스 보고 유무(recurrence), 동일 혈액암에서의 보고 유무, 인실리코 예측 또는 기능연구 결과의 5가지 항목에 따라서 변이를 병인성(Tier I), 준병인성(Tier II), 의미가 불확실한 변이(Tier III), 준양성(Tier IV), 양성(Tier V)으로 분류하였다. 데이터베이스에서 병인성 변이로 기보고 되었 는지 먼저 고려한 뒤 해당 질환에서 기보고가 있는 유전자의 적용가능성, 변이의 임상적 중요성에 따라 병인성(Tier I), 준병인성(Tier II)으로 분류하며, 병인성으로 기보고된 변이가 아니고 인실리코 예측에서 병인성으로 예측이 된다면 적용가능성과 의미가 불명확한 변이(Tier III)로 분류한다. 앞선 벨기에 체세포 변이 분류 가이드라인과 같이, 생물학적 분류 또는 발암성을 먼저 고려한 뒤 임상적 중요성에 따라서 분류하는 방식을 제시한 것으로 보인다. 임상적 적용가능성을 평가할 시에는 해당 질환에 맞게 해석해야 하며, 적용가능성 및 임상적 중요성은 Sukhai 등이 제시한 임상적 적용가능성 데이터의 근거수준 기준에 따라 나눈다[19].

혈액암의 체세포 변이 해석 시 고려 사항 및 해석 예시

1. 고형암의 체세포 변이 해석과의 차이점

고형암에서 체세포 변이의 주요 확인 목적은 표적치료제 선정에 있으며, 변이에 대해 사용가능한 FDA 승인된 표적치료제 유무, 치료제에 대한 치료반응 예측 및 관련 연구결과, 임상시험 등의 치료적 측면을 중심으로 하여 Tier를 분류한다. 이에 비해, 혈액암에서 체세포 변이는 진단, 치료, 예후의 모든 측면에서 중요하다. 특히 치료적 측면 외에 특정 변이가 질환의 진단 혹은 하위분류를 정의하는 경우가 많기 때문에 진단적 측면에서의 임상적 중요도가 매우 높다. 또한 특정 유전자 변이에 따른 질환의 예후 예측 및 이에 따른 위험도에 근거한 치료 방침 설정에도 중요한 역할을 하기 때문에 질환별 다양한 가이드라인 및 문헌리뷰 등을 통하여 치료적 측면뿐만 아니라 진단, 예후적 측면에서의 Tier도 중요하게 분류한다.

2. 클론성조혈증(Clonal hematopoiesis of indeterminate potential, CHIP)

클론성조혈증 관련 유전자 변이에 대한 해석은 고형암과 혈액암에서 달라질 수 있다. 클론성조혈증 관련 유전자 변이가 낮은 변이 대립유전자 빈도(variant allele frequency, VAF)로 관찰되는 경우 고형암에서는 임상적 의미가 낮아 변이 해석 시 제외되는 경우가 많은 반면, 혈액암에서는 임상적으로 중요한 의미를 가질 수 있다. 예를 들어, 대표적인 클론성조혈증 유전자인 ASXL1의 변이는 표적치료에 대한 근거가 정립되지 않아 고형암에서 높은 Tier를 부여하기 어려운 반면, 혈액암에서는 골수이형성증후군 및 급성골수백혈병에서 불량한 예후와 관련되며 경우에 따라서는 특정 혈액암에 대한 클론성 근거로 진단을 보조하기 때문에[17, 20], 개별 임상 상황에 따라 해석하여 높은 Tier가 부여될 수 있다.

3. 여러 변이의 조합에 대한 통합적인 해석

임상적으로 상반된 예후를 갖는 여러 변이가 동시에 존재하는 경우, 여러 변이의 조합으로 인한 예후적 의미를 확인할 수 있는 근거자료가 부족한 실정으로 변이의 임상적 중요성 해석에 주의가 필요하다.

4. 체세포 변이 해석의 예시

아래에서 본 지침에 기반하여 혈액암에서 체세포 변이 해석의 예시를 제시하였다.

1) TP53 NM_000546.6:c.845G>T; p.Arg282Leu

해당 변이는 인구집단 데이터베이스인 gnomAD에 보고되지 않은 변이로 OP4 (+1점) 근거를 부여할 수 있다. 현재까지 기능적 연구는 보고된 바 없으나, 동일 코돈의 다른 아미노산 변이인 R282W는 cancerhotspots.org에 201회 보고된 잘 알려진 발암성 변이이므로 OM4 (+2)의 근거를 부여할 수 있다. 한편, 본 R282L 변이는 cancerhotspots. org에 1회, COSMIC에 5회 보고되어 OP3 (+1) 근거에 해당된다. 마지막으로 인실리코 변이 예측 알고리즘을 적용하였을 때 Polyphen-2 (0.99점), SIFT (0점), REVEL (0.9점) 등 모두 유해한 예측결과를 보여 OP1 (+1) 근거를 부여할 수 있으며, 상기 근거 점수를 종합하면 발암성 점수 +5점으로 병원성이 불명확한 변이(VUS)로 분류되며, 따라서 Tier III에 해당한다. 다만 향후 해당 변이에 대한 변이 데이터베이스(cancerhotspots.org, COSMIC)에 보고된 증례수가 증가할 경우, OP3 (+1) 근거가 OM3 (+2) 근거로 상향 조정되면서 발암성 점수 또한 +5점에서 +6점으로 변경되어 발암가능성이 있는 변이(likely oncogenic variant, LOV)로 해석이 변경될 수 있다.

2) ASXL1 NM_015338.6:c.1934dup; p.Gly646Trpfs*12

ASXL1 유전자는 유전자 발현과 크로마틴 리모델링을 조절하는 종양 억제 유전자이며[21], 종양 억제 유전자에서의 단백질 생성 종결변이는 OVS1 (+8) 근거를 부여할 수 있다. 해당 변이는 cancerhotspots.org에 보고되지 않았지만 COSMIC에 혈액종양질환에서 673회 보고되어 OS3 (+4) 근거를 충족한다. 해당 변이는 인구집단 데이터베이스인 gnomAD에 0.05%의 빈도로 보고되나, ASXL1 유전자가 클론성조혈증과 연관 있는 대표적인 유전자임을 고려할 때, OP4의 근거를 부여하는 것은 신중히 판단하여야 한다[22]. 상기 근거 점수를 종합할 때 발암성 점수 +12점으로 발암성 변이(OV)로 분류된다. 다만 해당 변이가 발견된 암종에 따라 Tier 분류가 달라지는데, 급성골수백혈병, 골수이형성증후군, 만성골수단핵구백혈병 등의 골수계 종양에서는 진단적, 예후적 의의가 크므로 Tier I 변이로 분류될 수 있으나, 기타 암종에서는 각 암종별 문헌고찰을 통하여 Tier II 또는 Tier III 변이로 분류될 수 있다. 또한 앞서 언급했듯이 ASXL1 유전자는 클론성조혈증과 연관된 유전자이기 때문에 대립유전자 빈도와 개별 환자의 임상적 상황을 고려한 해석이 필요하다.

3) CEBPA NM_004364.4:c.584_589dup;p.His195_Pro196dup (VAF 48%)

해당 변이는 6 bp in-frame duplication으로 CEBPA 유전자에서 임상적으로 의미 있는 것으로 알려진 C-terminus domain에 위치하지 않는다[20, 23]. 또한, gnomAD에서 3.2%의 대립유전자 빈도가 보고되었으며 특히 동아시아인에서 15.2%의 빈도로 보고되어 SBVS1 (-8)의 근거를 충족하여 양성 변이로 분류되며, 따라서 해당 변이는 Tier IV에 해당한다.

혈액암의 체세포 변이 보고 지침

1. 체세포 변이의 보고 지침

검출된 변이는 조직학적 소견을 고려하여 숙련된 전문가에 의해 검토되어야 하며 근거 중심의 변이 분류를 시행해야 한다. 보고서는 짧고 간결하고 명확해야 한다. 모든 임상적으로 중요한 정보는 보고서의 시작 부분에 위치해야 하며 가독성을 높이기 위해 눈에 잘 띄는 형식으로 구성해야 한다. 또한 보고서의 명확성을 높이기 위해 그래프, 차트 또는 테이블을 포함하는 것이 바람직하다.

1) 변이 보고범위

모든 검출된 변이는 진단에 맞춰서 Tier I, II, III, IV의 4-Tier 체계로 분류해야 한다. 검출된 변이 중 Tier I, II, III 변이는 임상적 중요도 순으로 보고해야 하며 Tier IV 변이의 보고는 권장하지 않는다.

2) 변이의 명명

변이는 HUGO Gene Nomenclature Committee (HGVS, http://www.hgvs.org)의 명명법에 따라 표기한다. 단일염기서열변이 및 결실중복변이는 c. 및 p. 표기법을 사용하여 표기하며 융합 유전자는 더블 콜론(::)으로 구분하여 표기한다(예, PML::RARA). 또한 표준 명명법 외에 주로 통용되는 명명법이 존재하는 경우 임상의에게 의미를 명확하게 전달하기 위해 이를 같이 기술해야 한다(예, hTERT 프로모터 변이의 보고 시 표준 명명법인 c.1-124C>T 기술 후 괄호 안에 TERT C228T 기술).

3) 생식세포 변이의 보고

혈액암 유전자 검사 결과는 생식세포 변이와 체세포 변이를 모두 포함하고 있으며 이를 명확히 구분하기 위해서는 생식세포 검체를 이용한 검사를 같이 시행하는 것이 바람직하다. 하지만 생식세포 검체에 대한 검사는 항상 시행할 수는 없으며 필수적이지는 않다. 체세포 변이 분석 시 생식세포 검체에 대한 검사를 같이 시행해서 체세포 변이만 보고하고 생식세포 변이를 보고하지 않는다면 이를 보고서에 기술해야 한다. 하지만 생식세포 검체를 이용한 검사를 시행하지 않는 경우 검출된 변이에는 체세포 변이와 생식세포 변이가 모두 포함되어 있으며 이를 완벽하게 구분할 수 없다는 점을 보고서에 기술해야 한다. 특정 경우에 40–60%의 변이 대립유전자 빈도를 보이는 경우 생식세포 변이를 의심할 수 있으나 종양 비율 등의 고려가 필요하며 해석에 주의가 필요하다. 만약 생식세포 변이가 의심되고 임상적으로 필요한 경우 생식세포 검체를 이용한 검사가 권고될 수 있다. 생식세포 변이는 2015 ACMG/AMP 가이드라인에 따라 분류하여 보고하며, 관련된 유전상담을 제공하는 것이 권장된다.

4) 검출 변이의 임상적 중요성에 대한 기술

환자의 임상진료 결정에 대한 정보를 제공하기 위하여 임상병리학적 측면에서 변화를 야기하는 검출된 변이의 해석적 기술을 제공하는 것이 유용하며 특히 Tier I과 II 변이에 대해서는 필수적이다. Tier III 변이에 대한 자세한 해석은 보고서의 간결성과 균형을 이루어야 한다. 발암성 분류에 따라 발암성, 준발암성 변이도 임상적 적용가능성 분류에서 Tier III에 해당할 수 있으며 이런 경우 보고서에 보고하는 것을 권고한다. 해석적 기술에는 특정 종양 유형에 대한 변이의 기능적, 예후적, 예측적 중요성과 생화학적 경로에 대한 영향 및 관련 암에서의 빈도가 포함될 수 있다.
실제 환자의 진료에는 검출된 유전적 변이 외에 환자의 다양한 의학적 요인들을 고려해야 하므로 권고(recommendation)는 적절한 문헌 인용과 함께 증거 기반으로 가능하고 방어 가능한 경우에 시행해야 하며 간결하고 신중하게 표현되어야 한다. 보고서 내의 치료 제안은 증거에 기반하여 환자의 암종에서 의미가 있어야 하며 검사실에서 접근가능한 정보(예, 진단, 유전형)를 통합한 일반화된 치료 제안을 포함한다는 점을 명확히 해야 한다. 각 개인에 대한 치료 계획을 세우려면 추가 요소의 통합이 필요하다. 특정 임상시험에 대한 권고를 해서는 안 되지만, 가능한 임상시험에 대한 일반적인 기술이나 발표된 임상시험의 결과를 인용하는 것은 허용된다.

5) 검사법 기술

검사법에 대한 세부 사항과 한계에 대해서는 보고서 하단에 제시되어야 하며, 검사 방법과 성능, 특히 검출 한계 및 시퀀싱의 최소 커버리지 및 분석 시의 주요 품질 지표(quality metrics)을 포함해야 한다. 또한 실제 검사에 대한 세부 정보를 포함해야 한다. 유전자의 전체 부위가 분석된다면 간단히 유전자 이름만 기술해도 되나, 유전자의 특정 부위, 엑손 또는 핫스팟이 분석된다면 이에 대해 보고서에 기술해야 한다. 시퀀싱 플랫폼, 데이터 분석 파이프라인, 참조 유전체 버전, 변이 분류 방법을 기술하고, 검출되지 않는 변이의 종류 등 검사의 제한점도 포함해야 한다.

6) 보고서 구성 요소

최종 보고서에는 다음의 요소가 포함되어야 한다.
  • - 변이의 분류, 유전자 변이, 전사체 참조서열(transcript reference sequence), 변이 대립유전자 빈도(VAF), 커버리지, 검출된 변이에 대한 해석적 기술, 검사방법, 검출한계, 최소 시퀀싱 커버리지, 주요 품질 지표, 시퀀싱 플랫폼, 데이터 분석 파이프라인, 참조 유전체 버전, 분석 유전자/유전자 부위, 변이 분류 방법, 검사의 한계

주요 유전자 또는 핫스팟 부위에서 최소 커버리지 기준을 충족하지 못한 경우 이를 보고서에 명시해야 한다. 또한 보고서에는 양성소견뿐만 아니라 질환 특이적으로 주요 음성소견도 기술해야 한다. 만약 검사의 질, 검체 적합성, 종양 비율, 의생물학적 지식 등의 사안에 대해 불확실성이 존재한다면 보고서에 기술하여 전달해야 한다. 혈액암의 체세포 변이 보고서 예시는 Supplementary Tables 8, 9에 제시하였다.

7) 결과의 업데이트

보고서는 정적이어야 하며 보고일자를 명확하게 표시해야 한다. 의학 지식에 변동이 있을 때 자동으로 재해석 및 재보고할 필요는 없으나, 업데이트된 지식에 기반하여 재해석 요청이 있을 수 있다.

혈액암의 체세포 변이 해석에 대한 국내 현황

국내 혈액암 관련 체세포 변이의 해석 및 보고에 대한 현황 파악을 위하여 해당 연도 기준 대한진단검사의학회 회원 중 대학병원 6기관 및 전문 수탁검사기관 2기관의 혈액암 분자유전검사 책임전문의에 온라인 설문조사를 실시하였다. 설문항목은 혈액암 체세포 변이 해석 시 발암성과 임상적 적용가능성에 대한 기준 혹은 가이드라인의 적용 유무 및 적용 시 어려움 등 적용 방법 관련 문항으로 구성하였으며 체세포변이 해석 시 사용하는 데이터베이스와 전산 예측 알고리즘 관련 문항도 포함하였다. 설문조사에 응한 8기관의 답변을 분석하였으며 주관식 질문의 경우 별도로 기술하였다.

1. 혈액암에 대한 체세포 변이 해석 가이드라인 관련 국내 현황

혈액암 체세포 변이 해석 시 임상적 적용가능성 가이드라인 위주로 적용하는 기관이 6기관으로 가장 많았으며 모든 기관에서 2017 AMP/ASCO/CAP 가이드라인을 적용하였다. 8기관 중 2기관에서 발암성과 임상적 적용가능성 가이드라인을 각각 적용한다고 답하였으며, 두 기관 모두 2022 ClinGen/CGC/VICC 가이드라인 및 2017 AMP/ASCO/CAP 가이드라인을 적용한다고 답하였다.
혈액암에서 체세포 변이의 임상적 적용가능성·진단, 예후, 위험도기반치료(risk adapted therapy), 표적치료 중 가장 중요하게 생각하는 항목으로는 5기관에서 진단, 2기관에서 표적치료, 1기관에서 예후라고 답하였고, 종합하였을 때 혈액암 체세포 변이의 임상적 가치 중 국내 기관에서 가장 중요하게 여기는 항목은 진단이었으며, 그 뒤로 표적치료, 예후/위험도기반치료 순이었다.
현 체세포변이 해석을 위한 가이드라인을 혈액암 관련 체세포 변이 해석에 모두 적용 가능하다고 생각하는지에 대한 질문에 대해서는 모든 기관이 아니오로 답하였다. 혈액암에서 다양한 변이가 관찰되지만 이에 비해 기존 체세포 변이 데이터베이스에 혈액암 관련 변이가 낮은 빈도로 포함되어 있어 잘 정립된 혈액암 데이터베이스의 부재가 원인으로 제시되었다. 그 외에도 치료적 의미를 국내 혈액암 치료에 적용하는데 어려움이 존재하는 점, 골수이형성/골수증식성증후군과 같이 질환의 특성이 서로 중첩되는 질환군이나 진행중인 스펙트럼 형태의 질환에서 변이의 임상적 해석이 어려운 점, 그리고 골수성종양에 비해 상대적으로 변이에 대한 가이드라인이 잘 정립되어 있지 않은 림프종, 급성림프모구백혈병, 다발골수종과 같은 혈액암에서 해석을 위한 근거 부족을 기관들에서 이유로 답하였다. 이 외에도 발암성 가이드라인 적용 시 잘 정립된 기능 연구의 판단에 주관적인 판단이 들어갈 수 있는 점, 변이를 통합적으로 해석할 수 있는 시스템의 부재뿐만 아니라 발암성 가이드라인을 적용하여 변이 해석 및 보고 시 시간과 인력의 부재 등이 어려움으로 제시되었다.

2. 체세포변이 해석 시 사용하는 데이터베이스와 전산 예측 알고리즘 국내 현황

체세포변이 해석 시 사용하는 데이터베이스의 경우 인구집단 데이터베이스 및 종양 관련 데이터베이스 각각에 대하여 설문하였다. 인구집단 데이터베이스는 모든 기관에서 gnomAD를 사용하고 있었으며, KRGDB는 6기관에서 사용하고 있었다. 그 외에도 ExAC를 사용하고 있었으며, Clinvar, HGMD 등의 생식세포변이 관련 데이터베이스를 사용하는 것으로 답하였다. 종양 관련 데이터베이스의 경우 모든 기관에서 COSMIC을 사용한다고 답하였으며, 그 다음으로는 OncoKB (7기관), Cancerhotspots (3기관) 순이었다. 그 외에도 My Cancer Genome, Jackson laboratory (CKB), cBioPortal, IARC TP53 데이터베이스 등을 사용한다고 답하였으며, NCCN, WHO/ICC 가이드라인도 종양 관련 데이터베이스로 기관들에서 활용하는 것으로 나타났다.
체세포변이 해석 시 사용하는 전산 예측 알고리즘으로는 SpliceAI가 가장 많았으며(5기관), 다음으로는 REVEL (4기관), Polyphen 및 SIFT (각 3기관) 순으로 많았다. 그 외에 기관들에서 MutationTaster, FATHMM, MetaSVM, MaxEntScan, Human splicing finder 등을 이용하고 있었다.

감사의 글

설문에 답해주신 8개 기관 담당 전문의 선생님들께 감사의 말씀드립니다. 또한 대한진단유전학회 임상지침/권고안 개발사업 연구비 지원에 감사드립니다.

Notes

이해관계

저자들은 본 연구와 관련하여 어떠한 이해관계도 없음을 밝힙니다.

REFERENCES

1. Li MM, Datto M, Duncavage EJ, Kulkarni S, Lindeman NI, Roy S, et al. 2017; Standards and guidelines for the interpretation and reporting of sequence variants in cancer: a joint consensus recommendation of the Association for Molecular Pathology, American Society of Clinical Oncology, and College of American Pathologists. J Mol Diagn. 19:4–23. DOI: 10.1016/j.jmoldx.2016.10.002.
2. Li MM, Cottrell CE, Pullambhatla M, Roy S, Temple-Smolkin RL, Turner SA, et al. 2023; Assessments of somatic variant classification using the Association for Molecular Pathology/American Society of Clinical Oncology/College of American Pathologists Guidelines: a report from the Association for Molecular Pathology. J Mol Diagn. 25:69–86. DOI: 10.1016/j.jmoldx.2022.11.002.
3. Mateo J, Chakravarty D, Dienstmann R, Jezdic S, Gonzalez-Perez A, Lopez-Bigas N, et al. 2018; A framework to rank genomic alterations as targets for cancer precision medicine: the ESMO scale for clinical actionability of molecular targets (ESCAT). Ann Oncol. 29:1895–902. DOI: 10.1093/annonc/mdy263. PMID: 30137196. PMCID: PMC6158764.
4. Griffith M, Spies NC, Krysiak K, McMichael JF, Coffman AC, Danos AM, et al. 2017; CIViC is a community knowledgebase for expert crowdsourcing the clinical interpretation of variants in cancer. Nat Genet. 49:170–4. DOI: 10.1038/ng.3774.
5. Chakravarty D, Gao J, Phillips SM, Kundra R, Zhang H, Wang J, et al. 2017; OncoKB: a precision oncology knowledge base. JCO Precis Oncol. 1:1–16. DOI: 10.1200/PO.17.00011. PMID: 28890946. PMCID: PMC5586540.
6. Wagner AH, Walsh B, Mayfield G, Tamborero D, Sonkin D, Krysiak K, et al. Variant Interpretation for Cancer Consortium. 2020; A harmonized meta-knowledgebase of clinical interpretations of somatic genomic variants in cancer. Nat Genet. 52:448–57. DOI: 10.1038/s41588-020-0603-8. PMID: 32246132. PMCID: PMC7127986.
7. Horak P, Griffith M, Danos AM, Pitel BA, Madhavan S, Liu X, et al. 2022; Standards for the classification of pathogenicity of somatic variants in cancer (oncogenicity): joint recommendations of Clinical Genome Resource (ClinGen), Cancer Genomics Consortium (CGC), and Variant Interpretation for Cancer Consortium (VICC). Genet Med. 24:986–98. DOI: 10.1016/j.gim.2022.01.001.
8. Froyen G, Le Mercier M, Lierman E, Vandepoele K, Nollet F, Boone E, et al. 2019; Standardization of somatic variant classifications in solid and haematological tumours by a two-level approach of biological and clinical classes: an initiative of the Belgian ComPerMed expert panel. Cancers (Basel). 11:2030. DOI: 10.3390/cancers11122030. PMID: 31888289. PMCID: PMC6966529.
9. Palomo L, Ibáñez M, Abáigar M, Vázquez I, Álvarez S, Cabezón M, et al. Spanish Group of MDS (GESMD). 2020; Spanish guidelines for the use of targeted deep sequencing in myelodysplastic syndromes and chronic myelomonocytic leukaemia. Br J Haematol. 188:605–22. DOI: 10.1111/bjh.16175. PMID: 31621063. PMCID: PMC7064979.
10. Kim J, Lee JY, Huh J, Nam MH, Kim M, Cho YU, et al. 2021; Status of nextgeneration sequencing-based genetic diagnosis in hematologic malignancies in Korea (2017-2018). Lab Med Online. 11:25–31. DOI: 10.47429/lmo.2021.11.1.25.
11. Chen S, Francioli LC, Goodrich JK, Collins RL, Kanai M, Wang Q, et al. 2024; A genomic mutational constraint map using variation in 76,156 human genomes. Nature. 625:92–100. DOI: 10.1038/s41586-023-06045-0.
12. Lek M, Karczewski KJ, Minikel EV, Samocha KE, Banks E, Fennell T, et al. Exome Aggregation Consortium. 2016; Analysis of protein-coding genetic variation in 60,706 humans. Nature. 536:285–91. DOI: 10.1038/nature19057. PMID: 27535533. PMCID: PMC5018207.
13. Auton A, Brooks LD, Durbin RM, Garrison EP, Kang HM, Korbel JO, et al. 1000 Genomes Project Consortium. 2015; A global reference for human genetic variation. Nature. 526:68–74. DOI: 10.1038/nature15393.
14. Jung KS, Hong KW, Jo HY, Choi J, Ban HJ, Cho SB, et al. 2020; KRGDB: the large-scale variant database of 1722 Koreans based on whole genome sequencing. Database (Oxford). 2020:baz146. DOI: 10.1093/database/baaa030. PMID: 32348452. PMCID: PMC7190023.
15. McLeod C, Gout AM, Zhou X, Thrasher A, Rahbarinia D, Brady SW, et al. 2021; St. Jude Cloud: a pediatric cancer genomic data-sharing ecosystem. Cancer Discov. 11:1082–99. DOI: 10.1158/2159-8290.CD-20-1230.
16. Bamford S, Dawson E, Forbes S, Clements J, Pettett R, Dogan A, et al. 2004; The COSMIC (catalogue of somatic mutations in cancer) database and website. Br J Cancer. 91:355–8. DOI: 10.1038/sj.bjc.6601894. PMID: 15188009. PMCID: PMC2409828.
17. Khoury JD, Solary E, Abla O, Akkari Y, Alaggio R, Apperley JF, et al. 2022; The 5th edition of the World Health Organization classification of haematolymphoid tumours: myeloid and histiocytic/dendritic neoplasms. Leukemia. 36:1703–19. DOI: 10.1038/s41375-022-01613-1. PMID: 35732831. PMCID: PMC9252913.
18. Richards S, Aziz N, Bale S, Bick D, Das S, Gastier-Foster J, et al. 2015; Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the American College of Medical Genetics and Genomics and the Association for Molecular Pathology. Genet Med. 17:405–23. DOI: 10.1038/gim.2015.30.
19. Sukhai MA, Craddock KJ, Thomas M, Hansen AR, Zhang T, Siu L, et al. 2016; A classification system for clinical relevance of somatic variants identified in molecular profiling of cancer. Genet Med. 18:128–36. DOI: 10.1038/gim.2015.47.
20. Döhner H, Wei AH, Appelbaum FR, Craddock C, DiNardo CD, Dombret H, et al. 2022; Diagnosis and management of AML in adults: 2022 recommendations from an international expert panel on behalf of the ELN. Blood. 140:1345–77. DOI: 10.1182/blood.2022016867.
21. Wang L, Lyu Y, Li Y, Li K, Wen H, Feng C, et al. 2021; ASXL1 promotes adrenocortical carcinoma and is associated with chemoresistance to EDP regimen. Aging (Albany NY). 13:22286–97. DOI: 10.18632/aging.203534. PMID: 34536950. PMCID: PMC8507286.
22. Fujino T, Kitamura T. 2020; ASXL1 mutation in clonal hematopoiesis. Exp Hematol. 83:74–84. DOI: 10.1016/j.exphem.2020.01.002.
23. Wakita S, Sakaguchi M, Oh I, Kako S, Toya T, Najima Y, et al. 2022; Prognostic impact of CEBPA bZIP domain mutation in acute myeloid leukemia. Blood Adv. 6:238–47. DOI: 10.1182/bloodadvances.2021004292. PMID: 34448807. PMCID: PMC8753195.

Fig. 1
Schematics of somatic variant classification based on oncogenicity and clinical actionability in hematologic malignancies.
lmo-14-4-297-f1.tif
Table 1
Databases relevant to the interpretation of somatic variants in hematologic malignancies
Database Website
Guidelines National Comprehensive Cancer Network (NCCN) https://www.nccn.org
World Health Organization (WHO) Classification https://www.who.int
International Consensus Classification (ICC) -
European LeukmiaNet (ELN) https://www.leukemia-net.org
Therapeutic approval US Food and Drug Administration https://www.fda.gov
Korean Food and Drug Administration https://www.mfds.go.kr
Cancer-specific variant database Catalog of Somatic Mutations in Cancer (COSMIC) https://cancer.sanger.ac.uk/cosmic
cBioPortal https://www.cbioportal.org
Intogen https://www.intogen.org/search
Database of Curated Mutations (DoCM) https://docm.info/
Cancer Hotspots https://www.cancerhotspots.org/
Clinical relevance and/or therapeutic implications OncoKB https://www.oncokb.org
My Cancer Genome https://www.mycancergenome.org
Clinical Interpretation of Variants in Cancer (CiVIC) https://civicdb.org/
Jackson laboratory https://ckb.jax.org/
Cancer Genome Interpreter (CGI) https://www.cancergenomeinterpreter.org/
MetaKB https://search.cancervariants.org
ClinicalTrials.gov https://clinicaltrials.gov
Table 2
Classification of somatic variants based on oncogenicity in hematologic malignancies
Category Evidence Criteria Comments and caveats
Criteria for evidence of oncogenicity of somatic variants
Very Strong (8 points) OVS1
  • - Null variant (nonsense, frameshift, canonical ±1 or 2 splice sites, initiation codon, single-exon, or multiexon deletion) in a bona fide tumor suppressor gene.

  • - Use caution when interpreting pLOF variants at the extreme 3’ end of a gene after the nonsense mediated decay site.

  • - Use caution with splice variants predicted to lead to exon skipping but leave the remainder of the protein intact (in frame events).

  • - Use caution if a splice variant leads to the expression of a well-known alternative isoform that preserves tumor suppressor functionality.

  • - Use caution in the presence of multiple transcripts.

Strong (4 points) OS1
  • - The same amino acid change as a previously established oncogenic variant (using this standard) regardless of nucleotide change. Example: Val→Leu caused by either G>C or G>T in the same codon.

  • - Beware of changes that impact splicing rather than changes at the amino acid/protein level.

OS2
  • - Well-established in vitro or in vivo functional studies supportive of an oncogenic effect of the variant.

  • - Functional studies that are reproducible and robust are considered the most well-established.

  • - If OS1 is applicable, this rule can only be used if functional studies are based on the specific nucleotide change of the variant.

OS3
  • - Located in one of the hotspots in cancerhotspots.org with at least 50 samples showing a somatic variant at the same amino acid position and with the same amino acid change count in cancerhotspots.org in at least 10 samples.

  • - Use caution with hotspots driven by truncating somatic variants.

  • - If the somatic variant is in a tumor type not well covered by cancerhotspots.org, resources such as COSMIC or a tumor type-specific study can be used.

  • - This rule cannot be used if OS1 is applicable, unless it is possible to observe hotspots based on the specific nucleotide change.

Moderate (2 points) OM1
  • - Located in a critical and well-established part of a functional domain (e.g., active site of an enzyme).

  • - This rule cannot be used if OS1 or OS3 is applicable.

OM2
  • - Protein length changes as a result of in-frame deletions/insertions in a known oncogene or tumor suppressor gene, or stop-loss variants in a known tumor suppressor gene.

  • - This rule cannot be used if OVS1 is applicable.

OM3
  • - Located in one of the hotspots in cancerhotspots.org with <50 samples showing a somatic variant at the same amino acid position and with the same amino acid change count in cancerhotspots.org in at least 10 samples.

  • - This rule cannot be used if OM1 or OM4 is applicable.

  • - Use caution with hotspots driven by truncating somatic variants.

  • - If the somatic variant is in a tumor type that is not covered well by cancerhotspots.org, resources such as COSMIC or a tumor type-specific study can be used.

OM4
  • - Missense variant at an amino acid residue where a different missense variant, determined to be oncogenic (using this standard), has been documented. The amino acid difference from the reference amino acid should be greater or at least approximately the same as for the missense change determined to be oncogenic.

  • - Example: p.Arg156His is oncogenic; now you observe p.Arg156Cys. This rule cannot be used if OS1, OS3, or OM1 is applicable.

  • - Beware of changes that impact splicing rather than changes at the amino acid/protein level.

Supporting (1 point) OP1
  • - All computational evidence supports an oncogenic effect of a variant (conservation/evolutionary, splicing effect, etc.).

  • - Because many in silico algorithms use the same or similar input for their predictions, each algorithm should not be counted as an independent criterion.

  • - This can be used only once in any evaluation of a variant.

OP2
  • - Somatic variant in a gene in a malignancy with a single genetic etiology. Example: retinoblastoma is caused by bi-allelic RB1 inactivation.

  • - A small fraction of cases may be caused by an alternative mechanism; histological similarities may cause misdiagnosis.

OP3
  • - Located in one of the hotspots in cancerhotspots.org, and the particular amino acid change count in cancerhotspots.org is <10.

  • - Use caution with hotspots driven by truncating somatic variants.

  • - If the somatic variant is in a tumor type that is not covered well by cancerhotspots.org, resources such as COSMIC or a tumor type-specific study could be used.

OP4
  • - Absent from controls (or present at an extremely low frequency) in gnomAD.

  • - Population data for insertions/deletions may be poorly called by next-generation sequencing. Population data may contain somatic variants associated with clonal hematopoiesis.

Criteria for evidence of benign effect of somatic variants
Very Strong (- 8 points) SBVS1
  • - Minor allele frequency is >5% in gnomAD in any of the five general continental populations: African, East Asian, European (non- Finnish), Latino, and South Asian.

  • - If the somatic variant is in a gene known to cause predisposition to hereditary cancer, ACMG/AMP ClinGen germline expert panel gene-specific guidelines (if they exist) must be consulted to establish a cutoff that takes disease prevalence into account.

Strong (- 4 points) SBS1
  • - Minor allele frequency is >1% in gnomAD in any of the five general continental populations: African, East Asian, European (non-Finnish), Latino, and South Asian.

  • - If the somatic variant is in a gene known to cause predisposition to hereditary cancer, ACMG/AMP ClinGen germline expert panel gene-specific guidelines (if they exist) must be consulted to establish a cutoff that takes disease prevalence into account.

SBS2
  • - Well-established in vitro or in vivo functional studies show no oncogenic effects.

-
Supporting (- 1 point) SBP1
  • - All computational evidence suggests no effect of the variant (conservation/evolutionary, splicing effect, etc.).

  • - Because many in silico algorithms use the same or similar input for their predictions, each algorithm cannot be counted as an independent criterion. This can be used only once in any evaluation of a variant.

SBP2
  • - A synonymous (silent) variant for which splicing prediction algorithms predict no effect on the splice consensus sequence nor the creation of a new splice site, and the nucleotide is not highly conserved.

-

Adapted from Horak et al. [1].

Abbreviations: OVS, Oncogenic Very Strong; OS, Oncogenic Strong; OM, Oncogenic Moderate; OP, Oncogenic Supporting; SBVS, Somatic benign very strong; SBS, Somatic benign strong; SBP, Somatic benign supporting.

Table 3
Major somatic variants detected in myeloid neoplasms
Gene Transcript ID Major somatic variant types and locations
ASXL1 NM_015338 Frameshift/nonsense/splice-site in exon 11–12
BCOR NM_001123385 Frameshift/nonsense/splice-site
CALR NM_004343 Frameshift in exon 9
CEBPA NM_004364 In-frame indel in bZIP region (p.272–358)
CBL NM_005188 Missense in Linker/RING finger domains (p.345–434)
CSF3R NM_000760 p.T618I
DNMT3A NM_022552 Frameshift/nonsense/splice-site; Missense in aa range: p.292–350, p.482–614, and p.634–912
ETV6 NM_001987 Frameshift/nonsense/splice-site
EZH2 NM_001203247 Frameshift/nonsense/splice-site
FLT3 NM_004119 Internal tandem duplication/missense at p.D835
GATA2 NM_001145661 Frameshift/nonsense/splice-site, p.R293Q, p.N317H, p.A318T, p.A318V, p.A318G, p.G320D, p.L321P, p.L321F, p.L321V, p.Q328P, p.R330Q, p.R361L, p.L359V, p.A372T, p.R384G, p.R384K
IDH1 NM_005896 Missense at p.R132
IDH2 NM_002168 Missense at p.R140 / p.R172
JAK2 NM_004972 p.V617F; Missense/indel in aa range: p.536–547
KIT NM_000222 p.D816V
MPL NM_005373 p.S505N, p.W515K, p.W515L
NPM1 NM_002520 Frameshift (p.W288fs*12)
NRAS NM_002524 Missense at p.G12 / p.G13 / p.Q61
PHF6 NM_001015877 Frameshift/nonsense/splice-site
RUNX1 NM_001001890 Frameshift/nonsense/splice-site
SETBP1 NM_015559 Misense at p.D868 / p.S869 / p.G870
SF3B1 NM_012433 Missense at p.E622 / p.R625 / p.H662 / p.K666 / p.K700E / p.G742
SRSF2 NM_003016 Missense/in-frame deletion involving P95
STAG2 NM_006603 Frameshift/nonsense/splice-site
STAT3 NM_139276 Missense in SH2 domain (p.580-670)
TET2 NM_001127208 Frameshift/nonsense/splice-site; Missense in aa range: p.1104–1481 and p.1843–2002
TP53 NM_001126112 Frameshift/nonsense/splice-site; Missense in aa range: p.95–288 and p.337
U2AF1 NM_006758 Missense at p.S34 / p.Q157
WT1 NM_024426 Frameshift/nonsense/splice-site
ZRSR2 NM_005089 Frameshift/nonsense/splice-site

Adapted from NCCN guideline V1.2024 MDS and 2022 WHO classification for myeloid neoplasms [2].

Table 4
Classification of somatic variants based on clinical actionability in hematologic malignancies
Classification Category Diagnosis Therapeutic Prognosis
Tier I: Variants of strong clinical significance Level A
  • - Biomarkers included in professional guidelines as diagnostic for a specific type of tumor.

  • - Biomarkers that predict response or resistance to FDA-approved therapies for a specific tumor type.

  • - Biomarkers included in professional guidelines that predict response or resistance to therapies for a specific tumor type.

  • - Biomarkers included in professional guidelines as prognostic for a specific tumor type.

Level B
  • - Biomarkers of diagnostic significance for a specific type of tumor based on well-powered studies with consensus from experts in the field.

  • - Biomarkers that predict response or resistance to therapies for a specific tumor type based on well-powered studies with consensus from experts in the field.

  • - Biomarkers of prognostic significance for a specific tumor type based on well-powered studies with consensus from experts in the field.

Tier II: Variants of potential clinical significance Level C
  • - Biomarkers of diagnostic significance based on the results of multiple small studies.

  • - Biomarkers that predict response or resistance to therapies approved by the FDA or professional societies for a different tumor type.

  • - Biomarkers that serve as inclusion criteria for clinical trials.

  • - Biomarkers of prognostic significance based on the results of multiple small studies.

Level D
  • - Biomarkers that may assist in disease diagnosis, either alone or along with other biomarkers, based on small studies or a few case reports.

  • - Biomarkers that show plausibletherapeutic significance based onpreclinical studies.

  • - Biomarkers that may assist in disease prognosis, either alone or along with other biomarkers, based on small studies or a few case reports.

Tier III: Variants of unknown clinical significance -
  • - Not observed at a significant allele frequency in general or specific subpopulation databases, or in pan-cancer or tumor-specific variant databases.

  • - No convincing published evidence of cancer association.

Tier IV: Benign/likely benign variants -
  • - Observed at significant allele frequency in general or specific subpopulation databases.

  • - No existing published evidence of cancer association.

Adapted from Li et al. [3].

Abbreviation: FDA, Food and Drug Administration.

TOOLS
Similar articles