Identification and validation of aryl hydrocarbon receptor-related key genes in Alzheimer's disease: an integrated analysis of bulk RNA sequencing and single-cell RNA sequencing

기술 요약: 알츠하이머병에서 아릴 탄화수소 수용체 관련 핵심 유전자의 식별 및 검증

문제 제기
알츠하이머병(AD)은 인지 기능 저하, 기억력 결핍, 일상 기능 상실을 특징으로 하는 진행성, 비가역적 신경 퇴행성 질환이다. 아밀로이드 베타 축적과 타우 단백질의 과인산화라는 알려진 병리적 특징에도 불구하고, 질병 진행을 주도하는 구체적인 분자 기전은 여전히 완전히 이해되지 않은 상태이다. 환경 오염 물질 및 내인성 대사 물질에 반응하는 리간드 활성 전사 인자인 아릴 탄화수소 수용체(AhR)는 알츠하이머병 병리에 관여하는 것으로 알려져 있다. AhR 활성화는 보호적(항염증) 효과와 해로운 효과(혈뇌장벽 파괴, 산화 스트레스)를 모두 나타낼 수 있으나, AhR 관련 유전자(ARGs)가 알츠하이머병에 기여하는 정확한 분자 기전과 질병 맥락 내에서의 특정 발현 프로파일 및 생물학적 중요성은 포괄적으로 규명되지 않았다. 현재의 치료 전략은 제한적이므로, 정밀 표적 접근법을 개발하기 위한 핵심 기능 유전자의 식별이 필요하다.

연구 방법론
본 연구는 알츠하이머병에서 ARGs의 역할을 규명하기 위해 벌크 RNA 시퀀싱(RNA-seq)과 단일 세포 RNA 시퀀싱(scRNA-seq)을 결합한 통합 멀티오믹스 접근 방식을 채택하였다.

1. 데이터 획득 및 차등 발현: 알츠하이머병 환자 및 건강한 대조군(HC)의 전혈 샘플인 GSE97760 및 GSE140831 데이터셋의 벌크 RNA-seq 데이터를 분석하였다. 기존 문헌으로부터 총 215개의 ARGs를 큐레이션하였다. 차등 발현 분석(limma)을 통해 알츠하이머병 그룹과 건강한 대조군 그룹 간의 차등 발현 ARGs(DE-ARGs)를 식별하였다.
2. 머신러닝을 통한 핵심 유전자 스크리닝: 견고한 핵심 유전자를 식별하기 위해, DE-ARGs를 LASSO(Least Absolute Shrinkage and Selection Operator) 회귀 분석 및 Boruta 분석과 같은 머신러닝 알고리즘에 적용하였다. 두 방법 모두에서 일관되게 선택되고 두 벌크 데이터셋 모두에서 통계적 유의성을 갖는 일치된 발현 경향을 보이는 유전자를 핵심 유전자로 지정하였다.
3. 기능 및 네트워크 분석: 식별된 핵심 유전자에 대해 염색체 및 세포 내 위치 분석을 수행하였다. 단백질-단백질 상호작용(PPI) 네트워크, 유전자-유전자 상호작용(GGI) 네트워크 및 기능적 유사성 분석을 구축하였다. 관련 생물학적 경로를 밝히기 위해 유전자 세트 풍부도 분석(GSEA)을 수행하였다.
4. 면역 침윤 분석: CIBERSORT 알고리즘을 사용하여 벌크 샘플의 면역 세포 침윤을 정량화하였으며, 이후 면역 세포 유형과 핵심 유전자 간의 상관관계 분석을 수행하였다.
5. 단일 세포 해상도 분석: GSE181279 데이터셋(말초 혈액 단핵 세포)의 scRNA-seq 데이터를 품질 관리, 정규화, 차원 축소(PCA), 클러스터링을 위해 Seurat 파이프라인을 사용하여 처리하였다. 마커 유전자와 SingleR 패키지를 사용하여 세포 유형을 주석 처리하였다. 알츠하이머병과 건강한 대조군 그룹 간의 핵심 유전자 차등 발현을 바탕으로 핵심 세포 유형을 식별하였다.
6. 세포 간 통신 및 궤적: CellChat 패키지를 사용하여 리간드-수용체 상호작용을 분석하였고, Monocle을 사용하여 세포 분화 궤적을 재구성하였다. SCENIC 분석을 통해 주요 세포 클러스터 내의 전사 조절 네트워크를 추론하였다.
7. 실험적 검증: 식별된 핵심 유전자의 발현 패턴을 역전사 중합효소 연쇄 반응-정량적 중합효소 연쇄 반응(RT-qPCR)을 사용하여 임상 전혈 샘플(AD 5명, HC 5명)에서 검증하였다. 약물-표적 상호작용은 DGIdb 데이터베이스를 사용하여 예측하였다.

주요 기여 및 결과

• 5개의 핵심 유전자 식별: 차등 발현 분석과 머신러닝(LASSO 및 Boruta)의 통합을 통해, 알츠하이머병과 유의하게 연관된 5개의 AhR 관련 핵심 유전자인 ADRB3, ADCY2, FGF6, PRKACB, SOS1을 식별하였다.
  • 발현 경향: ADRB3, ADCY2, FGF6는 알츠하이머병에서 하향 조절되는 것으로 나타났으며, PRKACB와 SOS1는 상향 조절되었다.
  • 검증: RT-qPCR 결과, 알츠하이머병 임상 샘플에서 ADCY2와 FGF6의 하향 조절 및 SOS1의 상향 조절을 확인하였다. ADRB3(하향) 및 PRKACB(상향)의 경향은 관찰되었으나, 작은 검증 코호트 내에서 통계적 유의성에 도달하지는 못했다.
• 기능적 경로: GSEA 결과, 이 핵심 유전자들이 상피-간엽 이행(EMT), TGF-β 신호 전달, PI3K/AKT/mTOR 신호 전달 등 알츠하이머병 병리에 중요한 경로들에 유의하게 농축되어 있음을 밝혔다.
• 면역 미세환경: 면역 침윤 분석 결과, 핵심 유전자와 가장 폭넓게 연관된 면역 세포 유형은 **조절 T 세포(Tregs)**로 식별되었다. 특히, 알츠하이머병 샘플에서는 대조군에 비해 Treg 침윤이 유의하게 감소하였다.
• 단일 세포 통찰: scRNA-seq 분석을 통해 특정 핵심 유전자(PRKACB, SOS1)가 알츠하이머병과 건강한 대조군 사이에서 유의한 차등 발현을 보이는 핵심 세포 유형으로 CD4 T 세포와 NKT 세포를 식별하였다.
  • 세포 간 통신: 알츠하이머병 샘플에서는 대조군에 비해 CD4 T 세포와 NKT 세포 사이의 상호작용 수가 증가함을 관찰하였다.
  • 분화: 궤적 분석 결과, 알츠하이머병 환자의 CD4 T 세포와 NKT 세포는 주로 후기 분화 단계에 머물러 있는 반면, 건강한 대조군은 주로 초기 단계에 머물러 있음을 나타냈다.
• 치료적 잠재력: 본 연구는 핵심 유전자를 표적으로 하는 잠재적 약물(예: ADRB3를 대상으로 하는 에피네프린, PRKACB를 대상으로 하는 파수딜)을 예측하여, 재창출 또는 추가 조사를 위한 후보 목록을 예비적으로 제공하였다.

의의 및 주장
저자들은 본 연구가 알츠하이머병에서 AhR의 분자 기전을 해독하기 위한 포괄적인 멀티오믹스 프레임워크를 제공한다고 주장한다. 5개의 특정 핵심 유전자를 식별하고 CD4 T 세포와 NKT 세포를 핵심 세포 매개체로 규명함으로써, 본 연구는 AhR이 면역 조절 및 신호 전달 경로의 불균형을 통해 알츠하이머병 진행에 어떻게 영향을 미치는지에 대한 새로운 이론적 통찰을 제공한다.

본 연구는 식별된 유전자와 세포 유형이 잠재적인 치료 표적이 될 수 있다고 가정한다. 특히, 핵심 유전자와 Treg 감소 사이의 상관관계는 AhR이 신경 염증을 유발하는 기전을 시사한다. 저자들은 본 연구의 결과가 진단 바이오마커 및 표적 치료를 위한 가치 있는 참조 데이터를 제공한다는 점을 강조하면서도, scRNA-seq의 작은 샘플 크기(AD 3, HC 2) 및 예측된 약물과 유전자 서명의 강력한 임상적 검증 필요성 등 연구의 한계를 언급하였다. 본 작업은 결정적인 임상 지침이라기보다 알츠하이머병에서 AhR의 양방향적이고 복잡한 역할을 이해하기 위한 탐색적 단계로 제시된다.