Development of T-Cell-Associated Signatures Based on Machine Learning Integration for Predicting Breast Cancer Prognosis

기술 요약: 유방암 예후 예측을 위한 머신러닝 통합 기반 T-세포 관련 시그니처 개발

문제 제기
유방암은 전 세계적으로 가장 흔한 암이며, 특히 뼈로의 전이가 발생할 경우 예후가 현저히 악화됩니다. 단일 세포 시퀀싱(single-cell sequencing)은 종양 이질성과 종양 미세환경(TME)을 규명해 왔으나, 유방암 진행 및 예후에서 T-세포 역학의 구체적인 역할은 여전히 완전히 이해되지 않은 상태입니다. 또한, 기존의 임상적 병기와 분자적 유형 분류는 종양-면역 상호작용의 복잡성을 충분히 포착하지 못하는 경우가 많아, 예후 예측 및 면역요법 반응 평가를 위한 더욱 강력한 바이오마커가 필요합니다.

연구 방법론
본 연구는 단일 세포 RNA 시퀀싱(scRNA-seq)과 벌크 RNA-seq 데이터를 결에는 고급 머신러닝 파이프라인을 통해 분석하는 다중 오믹스 통합 전략을 채택하였습니다:

1. 데이터 수집 및 전처리:

   • scRNA-seq: 원발성 유방암 조직과 쌍을 이룬 림프절 전이 조직을 포함하는 두 개의 데이터셋(GSE180286 및 GSE158399)을 R 패키지 Seurat을 사용하여 분석했습니다. SCTransform을 통해 배치 효과(batch effects)를 제거하였으며, 차원 축소(PCA, t-SNE)를 수행했습니다.
   • Bulk RNA-seq: The Cancer Genome Atlas(TCGA-BRCA)와 6개의 독립적인 GEO 데이터셋(GSE1456, GSE20685, GSE24450, GSE42568, GSE58812, GSE7390)에서 전사체 및 임상 데이터를 추출했습니다.
   • 면역요법 코호트: 세 가지 면역요법 데이터셋(GSE78220 [흑색종], GSE135222 [소세포 폐암], IMvigor210 [요로상피암])을 사용하여 검증을 수행했습니다.

2. 시그니처 구축:

   • 세포 주석 및 차이 분석: scRNA-seq 데이터를 통해 13개의 세포 클러스터를 식별했습니다. T-세포 집단은 종양 조직과 전이 조직 간에 유의미한 풍부도 차이를 보였습니다. 이러한 T-세 cell 상태 간의 차이 유전자(logFC > 0.5, p < 0.05)를 추출했습니다.
   • 하위 유형 분류: T-세포 차이 유전자를 기반으로 한 컨센서스 클러스터링(Consensus clustering)을 통해 TCGA-BRCA 샘플을 두 가지 하위 유형(C1 및 C2)으로 나누었습니다.
   • 머신러닝 통합: TCGA 코호트로부터 단변량 Cox 회귀 분석을 통해 419개의 차이 유전자를 스크리닝하여 52개의 예후 유전자를 식별했습니다. 이들은 10개의 머신러닝 알고리즘(Random Survival Forest, Elastic Net, Lasso, Ridge, Stepwise Cox, CoxBoost 등 포함)을 활용한 101가지 조합에 적용되었습니다.
   • 최적 모델 선택: 여러 데이터셋에 걸쳐 평균 Harrell의 일치 지수(C-index)가 가장 높은 모델을 선택했습니다. 최적의 조합은 StepCox (forward) + Ridge 회귀로 확인되었습니다.

3. 검증 및 분석:

   • 예후 가치: 환자들을 중앙값 위험 점수에 따라 고위험군과 저위험군으로 계층화했습니다. 생존 분석(Kaplan-Meier), ROC 곡선 및 C-index 비교를 모든 데이터셋에 대해 수행했습니다.
   • TME 및 다중 오믹스: ssGSEA, ESTIMATE, CIBERSORT를 사용하여 면역 침윤을 평가했습니다. 체세포 변이는 maftools를 통해 종양 변이 부담(TMB)을 계산하며 분석되었습니다. 면역 기능 장애 및 배제(TIDE) 점수를 계산하여 면역요법 반응을 예측했습니다.

주요 결과

• T-세포 하위 유형 식별: 두 개의 컨센서스 클러스터(C1 및 C2)가 식별되었습니다. C2는 "Hot" 종양 표현형을 보였으며, C1에 비해 활성화된 CD8+ T 세포, NK 세포 및 대식세포를 포함한 면역 세포 침윤이 유의미하게 높았고, 전체 생존율 또한 유의미하게 높았습니다.
• TRS 모델의 견고성: StepCox+Ridge 모델에서 유래된 T-세포 관련 시그니처(TRS)는 7개의 독립적인 데이터셋에서 기존의 임상적 특성(연령, 성별, T/N/M 병기 및 분자적 유형)보다 우수한 예후 예측 정확도를 입증했습니다. 모델은 다양한 코호트에서 0.682에서 0.769 사이의 C-index 값을 유지하며 높은 정확도를 보였습니다.
• TME 및 유전체와의 연관성:
  • 저-TRS 그룹: 풍부한 면역 세포 침윤, 높은 MHC 분자, 케모카인 및 면역 관문(PD-1, PD-L1, CTLA-4) 발현, 그리고 암 면역 주기의 7단계 모두에서 높은 활성을 특징으로 합니다.
  • 고-TRS 그룹: 높은 종양 순도, 낮은 면역 침윤, 높은 종양 변이 부담(TMB)과 연관되었습니다. 특히, 고-TRS 그룹은 TP53 변이 빈도가 더 높았으며(49% vs 20%), TIDE 점수가 높아 면역 기능 장애 및 면역 배제를 나타냈습니다.
• 면역요법 예측: 세 가지 독립적인 면역요법 코호트에서, 저-TRS 점수를 가진 환자들은 고-TRS 환자들에 비해 PD-1/PD-L1 차단 치료에 대해 유의미하게 높은 전체 생존율과 높은 반응률(완전 관해/부분 관해)을 보였습니다. 저-TRS는 "면역 염증성(immunoinflammatory, inflamed)" 종양 표현형과 강한 상관관계를 보였습니다.

의의 및 주장
저자들은 본 연구가 머신러닝을 통해 도출된 견고한 T-세포 관련 시그니처(TRS)를 성공적으로 개발하였으며, 이것이 유방암의 독립적인 예후 인자로 작이함을 주장합니다. 본 연구의 의의는 다음과 같습니다:

1. 우수한 예측력: TRS는 환자의 생존을 예측하는 데 있어 전통적인 임상 병기 및 분자적 유형 분류보다 뛰어난 성능을 보입니다.
2. 면역요법 가이드: 본 시그니처는 면역 관문 억제제의 혜택을 받을 가능성이 높은 환자를 효과적으로 계층화하며, "Hot" 종양 미세환경과 유리한 면역요법 반응을 보이는 "저-TRS" 인구군을 식별합니다.
3. 기전적 통찰: 본 연구는 특정 T-세포 관련 유전자 발현 패턴을 면역 침윤, TMB 및 면역 관문 발현과 연결함으로써 관찰된 예후 차이에 대한 생물학적 근거를 제공합니다.

한계점
저자들은 다음과 같은 몇 가지 한계점을 인정하였습니다:

• 회고적 성격: 모든 데이터는 공개된 회고적 코호트에서 유래되었으므로, 선택 편향(selection bias)이 도입되었을 가능성이 있습니다.
• 표본 크기: 일부 면역요법 검증 코호트의 표본 크기가 상대적으로 작았습니다 (예: n=27, n=28).
• 기전적 검증: 시그니처에 포함된 유전자들의 구체적인 생물학적 기능이 in vitro 또는 in vivo 모델을 통해 실험적으로 검증되지 않았습니다.
• 전향적 데이터 부재: 본 모델은 아직 전향적 임상 시험을 통해 검증되지 않았습니다.

결론
본 연구는 TRS 모델이 유방암의 개인 맞춤형 예후 예측 및 임상적 의사결정, 특히 면역요법의 혜택을 받을 수 있는 환자를 식별하는 데 강력한 도구라고 결론짓습니다. 향-후 연구에서는 이러한 발견을 다기관 전향적 연구를 통해 검증하고 근저에 있는 분자적 기전을 규명하는 작업이 필요합니다.