변이 주석·해석이란? — VEP·gnomAD·ClinVar·ACMG 5등급 완전 정리

BIO GLOSSARY · BIOINFORMATICS 101

변이 주석·해석이란? — VEP·gnomAD·ClinVar·ACMG 5등급 완전 정리

TL;DR
변이 주석⁠(variant annotation)은 변이 호출로 얻은 VCF 속 변이 하나하나에 '무슨 의미인지'를 붙이는 단계입니다. 변이가 유전자의 어디에 앉았는지⁠(위치), 단백질을 어떻게 바꾸는지⁠(코딩 결과), 사람들 사이에서 얼마나 흔한지⁠(집단 빈도), 진화적으로 얼마나 보존된 자리인지⁠(보존도), 병을 일으킬 가능성은 얼마인지⁠(병원성 예측)를 한 겹씩 얹죠. 이 일은 VEP·SnpEff·ANNOVAR 같은 주석 도구가 맡고, 빈도는 gnomAD, 병원성 예측은 SIFT·PolyPhen·CADD·AlphaMissense가 채웁니다.

그다음이 임상 해석⁠(interpretation)입니다. 붙여 둔 근거를 모아 '이 변이가 정말 병의 원인인가'를 판정하는데, 표준이 ACMG/AMP 5등급⁠(병원성·유력 병원성·VUS·유력 양성·양성)이고 각 근거는 PVS1처럼 강도가 매겨진 증거 코드로 관리됩니다. 전 세계가 합의한 변이–질환 판정은 ClinVar에 모여 공유되죠. 한마디로 주석은 기계가 사실을 붙이는 단계, 해석은 사람이 그 사실로 의미를 판정하는 단계입니다.

🔗 관련 글 · 이 글 바로 앞 단계
• 변이 호출⁠(variant calling)이란?  ·  VCF 파일이란?

1. 한 줄 정의 — 변이에 '의미'를 붙이고 판정하기

변이 주석·해석은 변이 호출⁠(variant calling) 다음에 오는 단계입니다. 변이 호출이 끝나면 VCF 파일에는 "몇 번 염색체 몇 번 위치의 염기가 C에서 T로 바뀌었다"는 좌표와 사실만 죽 적혀 있습니다. 문제는 이 줄만 봐서는 그 변이가 위험한지, 아무 일 없는 흔한 다형성인지 전혀 알 수 없다는 것이죠.

그래서 두 가지 작업이 필요합니다. 하나는 주석⁠(annotation) — 변이에 위치·코딩 결과·집단 빈도·병원성 예측 점수 같은 객관적 정보를 자동으로 붙이는 일입니다. 다른 하나는 해석⁠(interpretation) — 그렇게 붙은 근거를 종합해 "이 변이가 질환을 일으킬 만한가"를 사람이 판정하는 일이고요. 앞은 대체로 컴퓨터가, 뒤는 임상유전학 전문가가 맡습니다. 이 글은 두 단계를 차례로 풀어 봅니다.

2. 어원·역사 — 주석 도구와 임상 표준의 등장

'annotation'은 원문 옆에 설명을 달아 두는 '주석'을 그대로 옮긴 말입니다. 유전 변이에 기능적 의미를 달아 준다는 뜻이죠. 차세대 시퀀싱⁠(NGS)이 값싸지며 한 사람에게서 수백만 개의 변이가 쏟아지자, 이 많은 변이에 일일이 의미를 붙이는 자동화 도구가 절실해졌습니다.

그렇게 ANNOVAR (Wang 외, 2010), SnpEff (Cingolani 외, 2012), 그리고 앙상블⁠(Ensembl)의 VEP (McLaren 외, 2016)가 차례로 표준 주석 도구로 자리 잡았습니다. 한편 '붙인 정보를 어떻게 판정으로 연결할지'는 실험실마다 제각각이었는데, 이를 통일한 것이 미국의학유전학회와 분자병리학회가 함께 낸 ACMG/AMP 지침⁠(Richards 외, 2015)입니다. 여기서 병원성을 다섯 등급으로 나누고 증거를 코드로 정리하는 오늘날의 틀이 만들어졌죠. 판정 결과를 한곳에 모아 공유하는 공개 데이터베이스가 미국 국립생물정보센터⁠(NCBI)의 ClinVar입니다.

3. 개념 풀이 — 두 층: 기계적 주석 vs 임상 해석

변이 주석과 해석을 가르는 핵심은 '객관적 사실'과 '주관적 판정'의 구분입니다.

주석은 계산으로 정해지는 사실을 붙입니다. 이 변이가 3번 엑손에 있고, 단백질의 210번째 아미노산을 아르기닌에서 히스티딘으로 바꾸며, gnomAD에서 0.001%로 관측되고, 보존도 점수는 얼마고, AlphaMissense 점수는 0.9다 — 이런 값들은 누가 계산해도 같습니다. 반면 해석은 이 사실들을 저울에 올려 "그래서 병을 일으키나"를 사람이 결정하는 일이라, 같은 변이라도 근거가 부족하면 판단이 갈릴 수 있죠.

그래서 주석이 아무리 많이 붙어도 결론이 'VUS⁠(불확실)'로 남는 경우가 흔합니다. 정보 수집과 최종 판결은 별개라는 뜻이고, 이 구분을 놓치면 "예측 점수가 높으니 병원성"이라고 성급히 단정하는 실수를 하게 됩니다.

🔎 한눈에 — 주석이 답하는 여섯 가지
① 위치⁠(엑손·인트론·스플라이스·UTR·유전자간) · ② 코딩 결과⁠(동의·미스센스·정지·틀이동) · ③ 유전자·전사체 매핑⁠(VEP·SnpEff·ANNOVAR) · ④ 집단 빈도⁠(gnomAD) · ⑤ 보존도⁠(PhyloP·GERP) · ⑥ 병원성 예측⁠(SIFT·PolyPhen·CADD·AlphaMissense)

4. 작동 원리 ① — 변이 주석 파이프라인

주석 도구는 변이 하나에 대략 여섯 겹의 정보를 얹습니다.

첫째, 위치. 같은 치환이라도 단백질을 만드는 엑손⁠(exon)에 앉았는지, 잘려 나갈 인트론⁠(intron)에 있는지, 인트론과 엑손의 경계인 스플라이스 부위⁠(splice site)인지, 번역되지 않는 UTR나 유전자 사이⁠(intergenic) 구간인지에 따라 의미가 완전히 달라집니다.

둘째, 코딩 결과. 엑손 변이가 단백질 서열을 어떻게 바꾸는지 — 동의·미스센스·정지·틀이동 등으로 분류하죠. 자세한 유형은 바로 다음 절에서 다룹니다.

셋째, 유전자·전사체 매핑. 한 변이는 여러 전사체⁠(transcript)에 걸칠 수 있고, 어느 전사체를 기준으로 보느냐에 따라 결과 유형이 달라집니다. VEP·SnpEff·ANNOVAR는 변이를 유전자·전사체에 대응시키고, 그 결과를 서열 온톨로지⁠(Sequence Ontology)라는 공통 용어로 적어 줍니다.

넷째, 집단 빈도. 수많은 사람의 유전체를 모은 gnomAD (v4 기준 807,162명)에서 이 변이가 얼마나 흔한지를 봅니다. 인구의 몇 %가 가진 흔한 변이라면 심각한 병의 원인일 가능성은 낮고, 거의 관측되지 않는 초희귀 변이라면 후보로 주목하죠.

다섯째, 보존도. 여러 종의 유전체를 정렬해 이 자리가 진화적으로 얼마나 보존됐는지를 PhyloP·GERP 같은 점수로 매깁니다. 오래 보존된 자리일수록 함부로 바뀌면 안 되는 중요한 위치일 가능성이 큽니다.

여섯째, 병원성 예측. 변이가 단백질 기능을 해칠지를 in silico로 추정하는데, 서열 상동성에 기댄 SIFT, 구조와 서열을 함께 보는 PolyPhen-2, 여러 근거를 통합해 하나의 점수로 낸 CADD, 그리고 AlphaFold 구조 예측을 활용한 AlphaMissense (Cheng 외, 2023)가 대표적입니다. AlphaMissense는 가능한 미스센스 변이 약 7,100만 개 가운데 89%를 유력 병원성⁠(32%)이나 유력 양성⁠(57%)으로 분류해 냈습니다.

5. 작동 원리 ② — 코딩 변이의 결과 유형

코딩 결과를 이해하려면 코돈⁠(codon)을 떠올리면 됩니다. DNA 세 글자가 아미노산 하나를 지정하는데, 변이가 이 대응을 어떻게 흔드느냐로 유형이 갈립니다.

• 동의 변이⁠(synonymous): 코돈이 바뀌어도 지정하는 아미노산은 그대로여서 단백질 서열이 변하지 않습니다. 대개 무해하지만, 드물게 스플라이싱이나 발현에 영향을 주기도 합니다.
• 미스센스 변이⁠(missense): 코돈이 다른 아미노산을 지정하게 됩니다. 영향은 무해부터 치명까지 폭이 넓어, 앞서 본 병원성 예측 점수가 특히 이 유형에서 쓰입니다.
• 정지 변이⁠(nonsense): 코돈이 종결 신호로 바뀌어 단백질이 중간에 끊깁니다. 대개 짧고 기능 없는 단백질이 되거나 아예 분해되죠.
• 틀이동 변이⁠(frameshift): 세 배수가 아닌 삽입·결실이 일어나 그 뒤 코돈의 읽는 틀이 통째로 밀립니다. 이후 서열이 완전히 뒤바뀌고 조기 종결이 뒤따르기 쉬워, 기능 상실⁠(loss of function)로 이어지는 경우가 많습니다.
• 인프레임 변이⁠(in-frame): 삽입·결실이 세 배수라 틀은 유지된 채 아미노산 몇 개가 늘거나 줄어, 틀이동보다는 대체로 영향이 덜합니다.
• 스플라이스 부위 변이⁠(splice site): 엑손과 인트론의 경계(주로 GT–AG)를 건드리면 엑손이 통째로 건너뛰거나 인트론이 남아, 결과가 심각해질 수 있습니다.

정지·틀이동·표준 스플라이스 변이처럼 유전자 기능을 통째로 없애는 변이는 뒤에서 볼 ACMG 판정에서 가장 강한 병원성 증거⁠(PVS1)로 다뤄집니다.

6. 임상 해석 — ClinVar와 ACMG/AMP 5등급

주석으로 근거가 갖춰지면 임상 해석으로 넘어갑니다. 두 축이 핵심입니다.

먼저 ClinVar는 전 세계 검사기관·연구자가 제출한 '변이–질환–병원성' 판정을 모은 공개 DB입니다. 같은 변이에 대해 여러 제출이 쌓이며, 제출자들이 얼마나 일치하는지·전문가 패널의 검토를 거쳤는지를 별점⁠(review status)으로 표시해 신뢰도를 가늠하게 해 줍니다.

판정 기준은 ACMG/AMP 5등급입니다. 병원성⁠(Pathogenic)·유력 병원성⁠(Likely Pathogenic)·불확실⁠(VUS)·유력 양성⁠(Likely Benign)·양성⁠(Benign)으로 나누죠. 등급은 임의로 매기는 게 아니라 증거 코드를 조합해 정합니다. 병원성 쪽 증거는 강도에 따라 PVS1 (매우 강함)·PS (강함)·PM (중간)·PP (보강)로, 양성 쪽은 BA1 (단독으로 양성 확정)·BS (강함)·BP (보강)로 나뉩니다. 예컨대 기능을 없애는 변이(PVS1)에 초희귀 빈도(PM2) 같은 근거가 더해지면 병원성 쪽으로 기울죠. 반대로 gnomAD 빈도가 지나치게 높으면 그 하나(BA1)만으로 양성이 됩니다.

가장 자주 마주치는, 그리고 가장 곤란한 결론이 VUS입니다. 어느 쪽으로도 증거가 충분하지 않다는 뜻이라 임상 결정을 내리기 어렵죠. 다만 VUS는 영구적 꼬리표가 아니라, 새로운 사례와 데이터가 쌓이면 병원성이나 양성으로 재분류됩니다.

⚖️ ACMG 판정 한눈에
병원성 ↔ 유력 병원성 ↔ VUS ↔ 유력 양성 ↔ 양성. 병원성 근거 PVS1·PS·PM·PP, 양성 근거 BA1·BS·BP를 강도별로 합산해 등급을 정합니다. VUS는 '증거 부족'일 뿐, 데이터가 쌓이면 재분류됩니다.

7. 헷갈리는 개념 비교 & 현장 활용

주석과 해석은 자주 뒤섞여 쓰이지만, 역할이 분명히 다릅니다.

구분	주석⁠(annotation)	해석⁠(interpretation)
하는 일	변이에 사실을 부착	사실을 모아 의미 판정
주체	주석 도구·컴퓨터	임상유전학 전문가
산출	위치·결과·빈도·예측 점수	ACMG 5등급
대표 도구·기준	VEP·gnomAD·CADD	ACMG/AMP·ClinVar
성격	객관·재현 가능	종합·판단

이 두 단계가 실제로 쓰이는 곳은 크게 셋입니다. 첫째, 희귀질환 진단. 원인 미상 환자의 엑솜·유전체를 읽어 수만 개 변이를 주석하고 ACMG로 걸러, 증상을 설명할 병원성 변이를 찾아냅니다. 둘째, 약물유전체학⁠(pharmacogenomics, PGx). 특정 변이가 약물 대사·부작용을 좌우하죠. 예컨대 특정 HLA 유형은 약물 과민반응과 얽혀 있어, 변이 해석이 곧 투약 결정을 바꿉니다. 셋째, 유전 상담. 특히 VUS를 환자에게 어떻게 전달할지가 상담의 큰 부분입니다.

관련해서, 흔한 변이와 형질의 통계적 연관을 보는 GWAS는 여기서 다룬 '개별 변이의 병원성 판정'과 결이 다르고, 단백질을 바꾸지 않는 비암호·조절 부위 변이의 효과 예측은 AlphaGenome 같은 최신 모델이 맡습니다. 변이가 유전자 발현을 어떻게 바꾸는지까지 이으면 그림이 완성되죠.

8. 핵심 정리 & 다음 학습

• ✅ 변이 주석은 VCF 속 변이에 위치·코딩 결과·빈도·보존도·병원성 예측을 붙이는 일 — 변이 호출 다음 단계.
• ✅ 주석 도구는 VEP·SnpEff·ANNOVAR, 집단 빈도는 gnomAD, 병원성 예측은 SIFT·PolyPhen·CADD·AlphaMissense.
• ✅ 코딩 결과: 동의(무해 경향)·미스센스(폭넓음)·정지·틀이동·스플라이스. 기능 상실형은 강한 병원성 증거⁠(PVS1).
• ✅ 임상 해석 = ACMG/AMP 5등급(병원성~양성·VUS)을 증거 코드로 판정, ClinVar에 공유.
• ⚠️ 주석이 많아도 결론은 VUS일 수 있다 — 사실 부착(주석)과 의미 판정(해석)은 별개.

🎓 다음 학습
• (앞 단계) 변이 호출⁠(variant calling)이란? — BAM에서 진짜 변이를 가려내 VCF로
• (입력 포맷) VCF 파일이란? — 주석을 붙일 변이가 담기는 표준 포맷
• (집단 유전) GWAS란? — 흔한 변이와 형질의 통계적 연관⁠(병원성 판정과 다른 축)
• (조절 변이 예측) AlphaGenome — 단백질을 안 바꾸는 비암호·조절 변이의 효과를 AI로
• (결과 해석) 유전자 발현이란? — 변이가 바꾼 발현을 읽는 법

References

1. McLaren, W., Gil, L., Hunt, S. E., et al. (2016). The Ensembl Variant Effect Predictor. Genome Biology, 17, 122. doi:10.1186/s13059-016-0974-4
2. Richards, S., Aziz, N., Bale, S., et al. (2015). Standards and guidelines for the interpretation of sequence variants: a joint consensus recommendation of the ACMG and the AMP. Genetics in Medicine, 17(5), 405–424. doi:10.1038/gim.2015.30
3. Landrum, M. J., Lee, J. M., Benson, M., et al. (2018). ClinVar: improving access to variant interpretations and supporting evidence. Nucleic Acids Research, 46(D1), D1062–D1067. doi:10.1093/nar/gkx1153
4. Cheng, J., Novati, G., Pan, J., et al. (2023). Accurate proteome-wide missense variant effect prediction with AlphaMissense. Science, 381(6664), eadg7492. doi:10.1126/science.adg7492
5. Karczewski, K. J., Francioli, L. C., Tiao, G., et al. (2020). The mutational constraint spectrum quantified from variation in 141,456 humans. Nature, 581, 434–443. doi:10.1038/s41586-020-2308-7

Pipette & Pipeline · A bio portfolio journal