Plasma proteomic profiling reveals distinct molecular signatures associated with coronary collateral circulation in patients with chronic total occlusion

기술 요약: 만성 완전 폐쇄(CTO) 환자의 관상동맥 측부 순환에 대한 혈장 단백질체 프로파일링

문제 제기
관상동맥 질환(CTO)은 3개월 이상 지속되는 완전 폐쇄로 정의되며, 많은 관상동맥 질환 환자에게 영향을 미칩니다. 관상동맥 측부 순환(CCC)의 발달은 CTO 환자의 심근 기능을 보존하고 생존율을 향상시키는 중요한 보상 기전 역할을 하지만, CCC 형성을 주도하는 분자적 메커니즘은 여전히 명확히 밝혀지지 않았습니다. 현재 CCC 평가는 관상동맥 조영술을 통한 측부 혈류 지수(CFI)와 같은 침습적인 기술에 의존하고 있으며, 이는 기술적으로 까다롭고 시술 위험을 동반합니다. CCC 상태(양호 vs 불량)를 분류하거나 주요 심혈관 및 뇌혈관 사건(MACCEs)의 위험도를 계층화할 수 있는 임상적으로 실행 가능한 비침습적 바이오마커가 현저히 부족한 실정입니다.

연구 방법
본 연구는 두 개의 독립적인 CTO 코호트(발견 코호트 n=124, 독립 검증 코호트 n=111)의 혈장 샘플을 분석하기 위해 데이터 독립적 획득(DIA) 정량 단백체학 접근법을 사용하였습니다.

• 샘플 처리: 혈장 샘플은 트립신 소화 과정을 거쳤으며, Fusion Lumos Orbitrap 시스템을 사용하여 LC-MS/MS로 분석되었습니다.
• 데이터 분석: 단백질 식별 및 정량화는 DIA-NN 소프트웨어를 사용하여 수행되었습니다. 엄격한 품질 관리 절차에는 HEK293T 세포 용해물 표준물질 사용, PCA를 통한 배치 효과 교정, K-최근접 이웃(K-NN) 알고리즘을 이용한 결측치 보정이 포함되었습니다.
• 차등 발현 분석: "양호한-CCC"(Rentrop 등급 2–3) 그룹과 "불량한-CCC"(Rentrop 등급 0–1) 그룹 간의 차등 발현 단백질(DEPs)은 Wilcoxon rank-sum 검정과 limma 패키지를 사용하여 식별되었습니다.
• 머신러닝 모델:
  • CCC 분류: XGBoost 알고리즘을 사용하여 분류 모델을 구축하였습니다. 특성 선택(Feature selection)은 중요도 순위를 매기기 위해 앙상블 머신러닝 모델(Random Forest, XGBoost, LightGBM 등)을 사용하였으며, 이후 재귀적 특성 제거(Recursive feature elimination)를 수행하였습니다. 하이퍼파라미터는 베이지안 최적화(Tree-structured Parzen Estimator)를 통해 최적화되었습니다.
  • MACCE 예측: LASSO-Cox 회귀 모델을 사용하여 MACCE와 관련된 혈장 단백질을 식별하였으며, 이후 다변량 Cox 비례 위험 모델링을 수행하였습니다.
• 검증: 후보 바이오마커는 독립적인 코호트에서 효소결합 면역흡착 분석법(ELISA)을 통해 검증되었습니다. 모델 성능은 AUC, AUPRC, 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1-score 및 MCC를 통해 평가되었습니다.

주요 결과

1. 분자적 시그니처: 단백질체 프로파일링을 통해 235개의 차등 발현 단백질이 식별되었습니다.

   • 양호한-CCC: 단백질 분해(프로테아좀) 및 이온 수송 경로, 그리고 포도당 대사 과정의 농축과 관련이 있었습니다.
     এটি 불량한-CCC: 면역 반응 경로(MHC class II 항원 제시), 혈관 리모델링 및 세포외 기질 조직화와 관련이 있었습니다. 면역 세포 침윤 분석(CIBROTSx) 결과, 불량한-CCC 그룹에서 B 세포, CD4 T 세포 및 NK 세포의 비율이 더 높음을 확인하였습니다.

2. CCC 분류 모델:

   • 6개 특성(호염구 수, PT 활성, 병력 기간, 혈청 염화물, HDL-C, RDW)을 사용한 임상 전용 모델은 제한적인 일반화 성능을 보였습니다(외부 검증 AUC 0.57).
   • 6개의 후보 바이오마커(SOD1, UFD1, DDX5, MIA3, TOM1, LMAN2)를 활용한 단백질 모델은 임상 모델보다 유의미하게 우수한 성능을 보였습니다.
   • 성능: 통합 모델(임상 + 단백질 특성)은 발견 테스트 세트에서 AUC 0.91, 외부 검증 코호트에서 0.82를 달est성하였습니다.
   • ELISA 검증: ELISA를 통해 검증된 6-단백질 패널은 외부 코호트에서 AUC 0.76 (95% CI, 0.73–0.77) 및 AUPRC 0.79를 달성하며 강력한 예측력을 유지하였습니다.

3. MACCE 위험 예측:

   • 9개 단백질 패널(CPM, F10, NDUFAF3, MAVS, ITGB4, MASP1, IGHV1-46, AP3B1, ABI3BP)이 MACCE의 독립적인 예측 인자로 식별되었습니다.
   • 결과적인 위험 점수 모델은 환자를 고위험군과 저위험군으로 효과적으로 계층화하였습니다.
   • 성능: 모델은 외부 검증 코호트에서 MACCE 예측에 대해 1년 후 AUC 0.79, 2년 후 AUC 0.91, 4년 후 AUC 0.92의 강력한 예후 가치를 입증하였습니다. 고위험군은 유의하게 낮은 MACCE-free 생존율을 보였습니다 (HR = 5.324).

의의 및 주장
저자들은 본 연구가 CTO 환자의 CCC에 대한 최초의 포괄적인 혈장 단백체 특성화를 제공하며, 측부 순환 발달과 관련된 뚜렷한 분자 경로를 밝혀냈다고 주장합니다. 주요 기여는 기존의 임상 모델보다 CCC 상태를 예측하는 데 있어 유의미하게 뛰어난 성능을 보이는 비침습적 머신러닝 기반 진단 도구를 개발한 것입니다.

또한, 본 연구는 혈관 재관류 상태와 같은 임상적 중재 요인과 독립적으로 작동하는 단백체 기반 위험 예측 모델을 구축함으로써 조기 위험 계층화를 위한 새로운 접근법을 제시합니다. 저자들은 이러한 발견이 CCC의 분자적 기초를 이해하는 데 있어 중요한 격차를 메우고, CTO 관리에 있어 개인 맞춤형 치료 전략 및 비침습적 모니터링을 위한 토대를 제공한다고 상정합니다. 본 연구는 샘플 크기와 횡단적 데이터의 특성에 따른 한계를 인정하며, 이러한 분자적 시그니처의 역동적인 진행을 검증하기 위해 향후 종단적 연구가 필요함을 언급하였습니다.