Identification of Macrophage Polarization-Related Genes as Biomarkers for Tendinopathy Based on Bioinformatics Analysis

기술 요약: 생물정보학 분석을 기반으로 한 건병증(Tendinopathy)의 대식세포 분극 관련 유전자 식별

문제 제기
건병증은 만성 통증, 콜라겐 불균형, 면역 세포 침윤을 특징으로 하는 흔한 근골격계 질환이다. 대식세포 분극(전염증성 M1과 복구 지향적 M2 표현형 사이의 전환)이 건의 염증 및 복구에 결정적인 요인으로 인식되고 있으나, 건병증 내에서의 구체적인 진단적 잠재력과 그 기저의 유전적 메커니즘은 여전히 미개척 상태로 남아 있다. 현재 이 분야는 진단을 위한 견고하고 최소 침습적인 바이오마커가 부족하며, 대식세포 관련 유전자가 어떻게 질병 진행을 유도하는지에 대한 명확한 이해가 부족하여 표적 면역 요법 개발을 제한하고 있다.

연구 방법론
본 연구는 공공 전사체 데이터와 머신러닝 및 실험적 검증을 통합한 포괄적인 생물정보학 파이프라인을 활용하였다:

• 데이터 소스: 두 개의 유전자 발현 데이터셋을 활용하였다: GSE26051 (훈련 코호트, 병변 샘플 23개 vs 정상 샘플 23개) 및 GSE180836 (검증 코호트, 퇴행성 샘플 15개 vs 외상성 샘플 16개). 35개의 대식세포 분극 관련 유전자(MPRG) 목록은 MsigDB 데이터베이스에서 추출하였다.
• 유전자 스크리닝:
  • WGCNA: 가중 유전자 공발현 네트워크 분석(WGCNA)을 훈련 세트에 수행하여 MPRG 발현과 상관관계가 있는 모듈을 식별하였다. "magenta" 모듈이 가장 높은 상관관계를 보였다.
  • 차별 발현(Differential Expression): limma 패키지를 사용하여 두 데이터셋에서 차별 발현 유전자(DEG)를 식별하였다 (|logFC| > 0.5, p < 0.05).
  • 교집합 추출: WGCNA 모듈 유전자와 DEG의 교집합을 통해 5개의 후보 DE-MPRG를 도출하였다.
• 머신러닝 바이오마커 선택: 가장 견고한 후보를 선별하기 위해 세 가지 알고리즘을 적용하였다:
  1. LASSO 회귀: 계수를 페널티화하고 특징을 선택하기 위함.
  2. SVM-RFE: 서포트 벡터 머신-재귀적 특징 제거를 통해 유전자의 중요도를 순위화함.
  3. Boruta: 랜덤 포레스트 기반의 래퍼 알고리즘을 통해 특징의 관련성을 확인함.
     최종 바이오마커는 세 가지 알고리즘 모두에 의해 선택된 유전자의 교집합으로 정의되었다.
• 검증 및 모델링:
  • 발현 검증: 박스 플롯과 T-검정을 사용하여 두 데이터셋에서의 발현 수준을 검증하였다.
  • 진단 모델: rms 패키지를 사용하여 노모그램을 구축하였으며, ROC 곡선과 교정 곡선을 통해 검증하였다.
  • 기능 분석: 유전자 온톨로지(GO), KEGG 경로 농축, 유전자 세트 풍부성 분석(GSEA), 유전자 세트 변이 분석(GSVA)을 수행하여 메커니즘을 규명하였다.
  • 면역 침윤: 단일 샘플 GSEA(ssGSEA)를 통해 면역 세포 점수를 계산한 후, 바이오마커와의 피어슨 상관관계 분석을 수행하였다.
  • 조절 네트워크: ChEA3 및 miRDB 데이터베이스를 사용하여 전사 인자(TF) 및 miRNA 상호작용을 예측하였다.
  • 약물-유전자 상호작용: DSigDB 데이터베이스를 사용하여 식별된 바이오마커와 상호작용하는 잠재적 치료 화합물을 식별하였다.
• 실험적 검증: 생물정보학적 발견을 검증하기 위해 임상 건 조직 샘플(회전근개 건병증 환자 5명 vs 대조군 5명)에 대해 RT-qPCR을 수행하였다.

주요 결과

• 바이오마커 식별: 세 가지 알고리즘과 데이터셋 모두에서 일관되게 식별된 유전자는 PTCHD1, NEURL1, ST8SIA5였다.
• 발현 패턴: 세 가지 바이오마커 모두 훈련 및 검증 데이터셋 모두에서 대조군에 비해 건병증 샘플에서 유의하게 **하향 조절(downregulated)**되었다. 이 결과는 임상 샘플의 RT-qPCR을 통해서도 확인되었다.
• 진단 성능: 이 세 유전자로 구축된 진단 노모그램 모델은 AUC > 0.7을 달 기록하며 우수한 예측 정확도와 교정 능력을 보여주었다.
• 면역 상관관계: 바이오마커들은 면역 세포 침윤과 유의미한 음의 상관관계를 보였다. 구체적으로, 질환군에서 NEURL1은 활성화된 B 세포와 양의 상관관계를 보였고, ST8SIA5는 제2형 T 헬퍼 세포와 음의 상관관계를 보였다.
• 경로 농축: GSEA 및 GSVA 분석 결과, 이 유전자들은 PI3K-Akt 신호 전달 경로 및 ECM-수용체 상호작용을 포함한 핵심 신호 경로에 관여하는 것으로 나타났다. 또한 이들은 호기성 당분해 및 산화적 인산화와 같은 대사 상태와도 연관되어 있었다.
• 치료적 잠재력: 약물-유전자 네트워크 분석을 통해 식별된 바이오마커와 상호작용하는 16개의 잠재적 치료 화합물(예: dasatinib, resveratrol, quercetin)을 확인하였다.
• 조절 네트워크: 예측 모델링을 통해 이들 바이오마커를 조절할 수 있는 특정 전사 인자와 miRNA(예: miR-146a-5p)를 식별하였다.

의의 및 주장
저자들은 PTCHD1, NEURL1, ST8SIA5를 대식세포 분극과 관련된 건병증의 견고한 바이오마커로 식별하였다. 본 연구의 의의는 다음과 같다:

1. 진단적 유용성: 현재 임상적 증상과 영상 의학에 의존하는 상황을 해결하기 위해, 진단에 도움을 줄 수 있는 정량적이고 최소 침습적인 분자적 시그니처(qPCR 또는 유사 분석법을 통한)를 제공한다.
2. 기전적 통찰: 이들 유전자의 하향 조절이 전염증성 M1 표현형을 촉진하고 복구 지향적 M2 표현형을 억제함으로써 만성 염증과 조직 손상에 기여한다는 것을 제시한다. 본 연구는 경로 농축(PI3K-Akt, 대사 재프로그래밍) 및 기존 문헌을 바탕으로 이 연결 고리를 가설화하였으며, 건병증 내 대식세포 분극에서 이 특정 유전자들의 역할을 직접적으로 입증하는 증거가 현재 부족함을 명시하였다.
3. 치료적 타겟팅: 식별된 약물 재창출 후보를 제시하고, M1/M2 항상성을 회복하기 위한 면역 조절 요법의 타겟으로서 이 유전자들을 제안함으로써 정밀 의료의 토대를 제공한다.

한개점 및 향후 방향
저자들은 본 연구가 임상 메타데이터가 제한적인 공개 데이터셋에 의존하고 있음을 인정하며, 이에 따라 전향적 임상 코호트에서의 검증이 필요함을 언급하였다. 또한, 생물정보학적 분석이 인과적 연결을 시사하기는 하나, PTCHD1, NEURL1, ST8SIA5의 건병증 병태생리에서의 구체적인 역할을 확증하기 위해서는 기능적 실험이 필요하다. 향후 연구에서는 이러한 바이오마커와 통증 강도 및 치료 반응과 같은 임상적 표현형 사이의 상관관계도 조사해야 한다.