🧬 biology

From Transcriptomics to Game-Theoretic Models of Treatment Resistance in Glioblastoma Organoids

본 연구는 전사체 분석, 머신러닝, 게임 이론적 모델링을 통합하여 교모세포종 오가노이드의 방사선 조사에 대한 진화적 반응을 예측하는 데이터 기반 시스템 생물학 프레임워크를 제시하며, 저산소증이 단기 저항성의 핵심 동인임을 밝히고 이러한 접근 방식이 어떻게 개인 맞춤형 암 치료를 최적화할 수 있는지 입증한다.

원저자: Louise Spekking, Christer Lohk, Weronika Jung, Maikel Verduin, Sepinoud Azimi, Christopher Hubert, Marc Vooijs, Rachel Cavill, Kateřina Staňková

게시일 2026-09-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Louise Spekking, Christer Lohk, Weronika Jung, Maikel Verduin, Sepinoud Azimi, Christopher Hubert, Marc Vooijs, Rachel Cavill, Kateřina Staňková

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

암은 단일하고 정적인 적이 아니라, 압력 속에서 진화하는 변화무쌍한 세포 집단입니다. 의사들이 방사선이나 화학 요법으로 종양을 치료할 때, 그들은 가장 취약한 세포들을 죽이는 강력한 힘을 가합니다. 그러나 이 압력은 종종 필터 역할을 하여, 우연히 저항력을 갖게 된 소수의 세포들이 살아남아 증식하도록 허용합니다. 시간이 흐르면서 종양은 다시 자라나지만, 이 새로운 버전은 저항력을 가진 생존자들로 구성되어 있기 때문에 더 죽이기 어려워집니다. 이러한 과정을 앞지르기 위해 과학자들은 '진화 게임 이론(evolutionary game theory)'이라 불리는 분야에 주목하고 있습니다. 이 접근 방식은 종양을 단순히 죽은 조직의 덩어리가 아니라, 서로 상호작용하는 다양한 세포 유형들의 공동체로 취급합니다. 자연계의 동물들이 자원을 두고 경쟁하거나 생존을 위해 협력하는 것처럼, 암세포들도 종양 내부에서 경쟁하고 협력합니다. 이러한 상호작용을 이해함으로써, 연구자들은 암이 이미 적응한 후에 반응하는 것이 아니라, 암이 어떻게 변할지를 예측하여 설계된 치료법을 만들기를 희망합니다.

그동안의 과제는 종양 내부에 정확히 무엇이 들어있는지 아는 것이었습니다. 암이 어떻게 진화할지 예측하려면, 의사들은 서로 다른 세포 유형들의 비율이 어떠한지, 그리고 그 비율이 시간이 지남에 따라 어떻게 변하는지를 알아야 합니다. 전통적으로 이러한 수준의 세부 정보를 얻으려면 샘플 내의 모든 개별 세포를 분석하는 값비싸고 복잡한 '단일 세포 시퀀싱(single-cell sequencing)'이 필요했습니다. 이는 임상 현장에서 일상적으로 사용하기에는 비용이 너무 많이 들고 시간도 많이 소요됩니다. 대신, 루이즈 스페킹(Louise Spekking)과 크리스터 로크(Christer Lohk)가 이끄는 연구팀은 수천 개의 세포 유전 물질이 한데 섞여 한꺼번에 분석되는 '벌크(bulk)' 데이터로부터 동일한 정보를 얻을 수 있는지 확인해 보기로 했습니다. 그들은 공격적인 형태의 뇌암인 교모세포종에 집중했으며, 환자의 종양을 모사한 실험실 배양 모델인 '오가노이드(organoid)'를 사용했습니다. 이 오가노이드는 환자로부터 침습적인 생검을 할 필요 없이, 접시 위에서 자라나며 실제 종양의 행동을 모방하는 현실적인 테스트 베드 역할을 합니다.

연구진은 이 오가노이드의 유전 데이터를 두 가지 유형의 컴퓨터 프로그램에 입력하여 어떤 종류의 세포들이 존재하는지 파악하는 것으로 시작했습니다. 첫 번째 유형의 프로그램은 사전 지시 없이 패턴을 찾도록 하는 '비지도 학습(unsupervised)' 방식이었습니다. 두 번째 유형은 다른 연구를 통해 만들어진 기존의 세포 유형 지도에 기반하여 훈련된 '지도 학습(supervised)' 방식이었습니다. 비지도 학습 방식은 마치 상자 위의 그림 없이 뒤섞인 퍼즐 조각들을 분류하는 것과 같았으며, 이를 통해 세 가지 뚜렷한 세포 그룹을 찾아냈습니다. 그러나 연구진이 이 그룹들을 유발하는 유전자를 자세히 살펴보았을 때, 결과가 혼란스럽다는 것을 깨달았습니다. 한 그룹은 면역 세포처럼 보였고, 다른 하나는 건강한 뇌 세포, 세 번째는 암세포처럼 보였습니다. 이는 오가노이드가 면역 세포나 건강한 뇌 조직 없이 배양되었기 때문에, 해당 방식이 신호를 혼동하고 있음을 시사했습니다. 반면, 알려진 세포 유형 지도를 사용한 지도 학습 방식은 훨씬 명확한 이야기를 들려주었습니다. 이 방식은 오가노이드가 거의 전적으로 두 가지 특정 유형의 암세포, 즉 산소가 적은 환경에서 번성하는 세포와 그렇지 않은 세포로 구성되어 있음을 밝혀냈습니다.

이러한 세포 집단의 명확한 그림을 바탕으로, 팀은 다음 단계로 이동하여 방사선 스트레스 하에서 이 세포들이 어떻게 행동할지 모델링했습니다. 그들은 세 명의 환자로부터 얻은 오가노이드에 4 Gy와 10 Gy라는 두 가지 용량의 방사선을 처리하며, 산소를 좋아하는 세포와 싫어하는 세포 사이의 균형이 시간이 지남에 따라 어떻게 변화하는지 관찰했습니다. 그런 다음 수학적 프레임워크를 사용하여 각 세포 유형이 자신의 생존을 극대화하려는 게임처럼 이 상호작용을 기술했습니다. 이 모델은 치료 직후 관찰된 초기 변화를 바탕으로 종양의 미래 구성을 성공적으로 예측했습니다. 결과에 따르면 대부분의 경우, 저산소 환경에서 번성하는 세포들이 살아남아 결국 종양의 지배적인 유형이 되었습니다. 이는 생물학적으로 타당한데, 저산소 환경이 방사선에 의한 손상으로부터 세포를 보호하기 때문입니다. 그러나 연구진은 또한 그 결과가 특정 환자와 방사선 용량에 크게 의존한다는 사실도 발견했습니다. 한 환자의 경우, 낮은 용량의 방사선이 오히려 민감한 세포의 비율을 높였는데, 이는 빛이 약한 압력 조건에서는 저항성을 갖는 데 따르는 비용이 너무 높을 수 있음을 시사합니다.

이 연구는 암 저항성을 이해하는 방식에 있어 중요한 차이점을 강조합니다. 연구진은 세포 집단의 변화가 세포가 천천히 새로운 형태로 돌연변이를 일으키는 것이 아니라, 산소의 존재와 같은 즉각적인 환경에 의해 주도된다는 것을 발견했습니다. 이는 저항성이 영구적인 유전적 변화가 아니라, 조건에 따라 켜지고 꺼지는 일시적인 상태(switch)일 수 있음을 시사합니다. 유전 데이터와 게임 이론 모델을 결합함으로써, 팀은 모든 세포를 시퀀싱하지 않고도 이러한 변화를 추적할 수 있는 방법을 입증했습니다. 이 접근 방식은 개인 맞춤형 의료를 위한 실질적인 경로를 제공합니다. 만약 의사들이 이 모델을 사용하여 특정 치료 후에 어떤 세포 유형이 종양을 장악할지 예측할 수 있다면, 치료를 실시간으로 조정할 수 있을 것입니다. 모든 것을 죽이지만 가장 강한 생존자만을 남기는 최대 용량을 투여하는 대신, 종양을 통제하기 쉬운 상태로 유지하여 치료 불가능한 형태로 진화하는 것을 방지하는 전략을 사용할 수 있습니다. 이 연구는 복잡한 모델이 표준 데이터로부터 구축될 수 있음을 보여주는 개념 증명 단계에 머물러 있지만, 암 치료가 종양의 진화와 벌이는 역동적인 대화가 될 미래를 위한 토대를 마련하고 있습니다.

기술 요약: 전사체학에서 글리오블라스타마 오가노이드의 치료 저항성에 관한 게임 이론 모델까지

문제 정의
치료 유도 저항성의 출현은 진행성 암, 특히 글리오블라스타마(교모세포종)를 치료하는 데 있어 주요한 과제이다. 게임 이론 모델(진화적 또는 적응적 치료)은 종양의 진화를 예측함으로써 임상 시험에서 유망한 결과를 보여주었으나, 종양 구성에 대한 정밀하고 실시간적인 데이터의 부재로 인해 적용에 어려움을 겪고 있다. 단일 세포 시퀀싱에 의존하는 현재의 방식은 비용이 많이 들고 일상적인 임상 모니터링에는 복잡하다. 따라서 다양한 암 세포 유형의 비율과 치료에 따른 이들의 진화 궤적을 추정하기 위해, 더 접근 가능한 벌크 전사체(bulk transcriptomic) 데이터를 활용할 필요가 있다. 본 연구는 벌크 전사체 데이터와 종양 진화의 기계론적 수학 모델 사이의 간극을 메우는 것을 목표로 하며, 특히 환자 유래 글리오블라스타마 오가노이드에 초점을 맞춘다.

방법론
저자들은 전사체 분석, 머신러닝, 그리고 게임 이론 모델링을 통합한 데이터 기반 시스템 생물학 프레임워크를 개발하였다. 방법론은 다음과 같은 세 가지 주요 단계로 진행되었다:

벌크 전사체 데이터의 디컨볼루션(Deconvolution):
- 비지도 학습 접근법: 저자들은 TCGA 글리오블라스타마(TCGA-GBM) 데이터셋의 벌크 RNA-seq 데이터에 비음수 행렬 분해(Non-Negative Matrix Factorization, NMF) 알고리즘을 적용하였다. 사전 가정 없이 세포 유형 시그니처를 도출하기 위해 최적의 인수 분해 랭크(3으로 식별됨)를 결정하였다. 이 시그니처들은 생물학적 정체성을 추론하기 위해 KEGG 경로 과표집 분석을 통해 분석되었다.
- 지도 학습 접근법: 저자들은 계산 효율성에 최적화된 참조 기반 디컨볼루션 프레임워크인 InstaPrism을 활용하였다. 이 방법은 Neftel 등의 단일 세포 RNA-seq 데이터를 참조로 사용하여 메타 모듈(MES-like 1, MES-like 2, AC, OPC, NPC1, NPC2)에 기반하여 세포 유형을 할당하였다. 이 접근법은 4 Gy 및 10 Gy 조사 처리를 받은 환자 유래 글리오블라스타마 오가노이드의 마이크로어레이 데이터에 적용되었다.
시간적 추적(Temporal Tracking):
- 세 명의 환자로부터 얻은 오가노이드를 조사하였으며, 처리 전, 처리 직후, 그리고 처리 후 24시간 및 72시간 시점에서 샘뮬을 수집하였다.
- 저자들은 디컨볼루션 방법을 통해 추론된 특정 세포 집단(특히 저산소 비의존적 세포와 저산소 의존적 세포)의 비율 변화를 시간적 흐름에 따라 추적하였다.
게임 이론 모델링:
- 지도 학습 결과, 오가노이드가 주로 두 가지 중간엽 세포 유형(MES-like 1: 저산소 비의존적; MES-like 2: 저산소 의존적)으로 구성되어 있다는 점에 근거하여, 저자들은 복제자 역학(replicator dynamics) 모델을 피팅하였다.
- $2 \times 2$ 적합도 행렬( $A$ )을 구축하였으며, 여기서 요소 $a_{ij}$ 는 유형 $i$ 가 유형 $j$ 와 상호작용할 때의 번식 확률을 나타낸다. 역학을 단순화하기 위해 대각 요소는 0으로 설정하였다.
- 모델 파라미터는 관찰된 시계열 데이터에 피팅되어 진화 궤적을 추론하고 진화 안정 전략(Evolutionary Stable Strategies, ESS)을 계산하였다.

주요 결과

비지도 vs. 지도 학습 성능: 비지도 NMF 접근법은 면역 세포, 증식성 암 세포, 신경 세포에 해당하는 세 가지 클러스터를 식별하였다. 그러나 저자들은 이 방법이 (면역 세포나 혈관이 없는) 특정 in vitro 오가노이드 환경을 정확하게 반영하는 데 어려움이 있으며, 세포 유형의 수를 경험적으로 결정하기 어렵다는 점을 언급하였다.
지도 학습 디컨볼루션: 지도 학습 방식인 InstaPrism이 이 특정 응용 분야에서 더 해석 가능하고 견고한 것으로 증명되었다. 이는 오가노이드가 주로 (>85%) 중간엽 유사 세포로 구성되어 있음을 밝혔다.
방사선 반응 역학:
- 환자 1 & 3: 조사 후 저산소 의존적 세포(MES-like 2)의 비율이 증가하여 저산소 비의존적 세포(MES-like 1)를 추월하는 명확한 경향을 보였다. 이는 저산소 세포가 더 방사선 저항성이 강하다는 생물학적 이해와 일치한다.
- 환자 2: 낮은 용량(4 Gy)은 저산소 비의존적 세포에 유리하게 작용한 반면, 높은 용량(10 Gy)은 저산소 의존적 세포에 유리하게 작용하는 용량 의존적 역학을 보였으며, 이는 복잡하고 환자 특이적인 저항 메커니즘을 시사한다.
모델 피팅: 복제자 역학 모델은 평균 제곱 오차(MSE) $\leq 0.001$ 로 관찰된 데이터를 성공적으로 피팅하였다. 피팅된 모델은 장기적으로(ESS) 저산소 의존적 세포가 일반적으로 다수를 차지할 것이라고 예측하였으나, 두 세포 유형은 평형 상태에서 공존한다.
ESS 가변성: 계산된 ESS는 환자와 방사선 용량에 따라 달랐으며, 이는 진화적 결과가 모든 글리오블라스타마 사례에서 균일하지 않음을 나타낸다.

의의 및 주장
본 논문은 벌크 전사체 데이터를 사용하여 암의 진화 역학을 추정함으로써, 개인 맞춤형 진화 치료법 개발을 지원하는 방법론을 제공한다고 주장한다.

데이터와 이론의 통합: 본 연구는 환자 유래 오가노이드의 전사체 데이터가 (구체적으로 복제자 역력을 포함한) 게임 이론 모델을 매개변수화하여 일시적인 진화 궤적과 안정적 평형을 추론하는 데 효과적임을 입증한다.
방법론적 비교: 저자들은 비지도 학습 방식이 사전 가정이 없다는 점에서 매력적이지만, 치료 저항성을 질적 특성으로 다룰 때(특히 면역 세포와 같은 특정 세포가 없는 오가노이드 맥락에서) 지도 학습 접근법(InstaPrism 등)이 가장 정확하고 해석 가능한 추정치를 제공한다고 결론지었다.
저산소의 역할: 결과는 저산소증이 (저항성이 강한 저산소 의존적 세포의 선택을 통해) 방사선 조사에 대한 단기 반응의 주요 동인임을 재확인시켜 주지만, 장기적인 진화 결과에 미치는 영향은 환자 특이적인 유전적 차이 및 저항 메커니즘에 의해 조절될 수 있다.
미래 활용도: 저자들은 이 프레임워크가 전사체 데이터가 기계론적 모델에 정보를 제공하는 파이프라인의 개념 증명(proof-of-concept) 역할을 한다고 기술하였다. 본 연구는 모델이 오가노이드 데이터에 피팅되었음을 명시하며, ESS 예측은 현재의 목적이 아니었기에 추가적인 측정값으로 검증되지 않았다고 명시적으로 언급하였다. 향 a 추가적인 시계열 데이터로 검증되면, 이러한 모델은 치료 저항을 지연시키거나 예방하기 위한 대안적 치료 전략(타이밍 및 용량)의 영향을 예측하는 데 사용될 수 있다. 오가노이드의 사용은 모델 예측이 실제 환자에게 적용되기 전 실험적으로 검증될 수 있도록 하는 중요한 가교 역할을 한다고 강조되었다.

본 논문은 현재의 범위를 겸허하게 유지하며, ESS 예측을 추가적인 측정을 통해 검증하지 않았다는 점과 공간적 이질성(예: 핵심부 대 주변부 저산소증)의 측면이 현재의 잘 혼합된(well-mixed) 복제자 역학 모델에 아직 통합되지 않았음을 언급하고 있다.

유사한 논문