Identification of prognostic genes related to terminal uridylyl transferases in lung adenocarcinoma and experimental verification

기술 요약: 폐선암에서의 말단 우리딜 전이효소(Terminal Uridylyl Transferases) 관련 예후 유전자 식별 및 실험적 검증

문제 제기
폐선암(LUAD)은 유전체적 이질성, 획득된 약물 내성, 면역요법에 대한 가변적 반응을 특징으로 하며, 암 관련 사망의 주요 원인으로 남아 있다. 말단 우리딜 전이효소(TUTases)는 RNA 우리딜화(특히 LIN28/let-7 경로와 관련하여)를 통해 유전자 발현을 조절하는 것으로 알려져 있으나, 폐선암 진행에서의 구체적인 역할과 잠재적인 예후 바이오마커로서의 역할은 여전히 규명되지 않은 상태이다. 기존 연구들은 TUTase 관련 메커니즘을 인과 추론과 체계적으로 통합하여 폐선암에 대한 견고한 예후 시그니처를 식별하지 못했다.

연구 방법론
본 연구는 실험적 검증과 통합된 다단계 생물정보학 워크플로우를 채택하였다:

1. 데이터 통합: TCGA-LUAD(훈련 코호트, n=503) 및 GEO GSE72094(검증 코호트, n=398)에서 전사체 및 임상 데이터를 추출하였다. 7개의 TUTase 관련 유전자(TUTases-RGs)를 문헌으로부터 수집하였다.
2. 유전자 선택:
   • 차별 발현 분석 (DEA): 폐선암 조직과 정상 조직 간의 차별 발현 유전자(DEGs)를 식별하였다.
   • 가중 유전자 공동 발현 네트워크 분석 (WGCNA): TUTases-RGs 시그니처와 상관관계가 있는 모듈을 구축하여 공동 발현 유전자 클러스터를 식별하였다.
   • 교집합 추출: DEGs와 WGCNA 모듈 유전자의 교집합을 정의하여 후보 유전자를 확정하였다.
3. 인과 추론: IEU Open GWAS 데이터베이스를 사용하여 후보 유전자를 필터링하고, 폐선암과의 인과 관계가 있는 유전자를 선별하기 위해 멘델 무작위 배정(Mendelian Randomization, MR) 분석을 수행하였다. 이 과정에서 유의미한 인과적 증거를 가진 유전자(IVW 방법, 민감도 분석 및 Steiger 방향성 테스트 통과)만을 유지하였다.
4. 예후 모델링:
   • 유전자 선택: 핵심 인과 세트로부터 최적의 예후 유전자를 선택하기 위해 단변량 Cox 회귀 분석에 이어 LASSO 회귀 분석을 수행하였다.
   • 모델 구축: 선택된 유전자의 발현 수준과 LASSO 계수를 사용하여 리스크 점수 모델을 구축하였다. 환자들을 고위험군(HRG)과 저위험군(LRG)으로 층화하였다.
5. 생물학적 및 임상적 특성 분석: 유전자 세트 풍부도 분석(GSEA), 면역 침윤 분석(CIBERSORT), 종양 변이 부담(TMB) 프로파일링, 약물 민감도 예측(oncoPredict)을 수행하였으며, 임상 변수와 리스크 점수를 결합한 노모그램을 구축하였다.
6. 실험적 검증: RT-qPCR을 사용하여 쌍을 이룬 폐선암 및 정상 조직 샘플(n=5 쌍)에서 최종 예후 유전자의 발현 수준을 검증하였다.

주요 결과

• 유전자 식별: TUTases와 관련된 6,422개의 모듈 유전자로부터 646개의 후보를 식별하였다. MR 스크리닝을 통해 폐선암과 유의미한 인과적 연관성을 가진 44개의 핵심 유전자로 압축하였다.
• 예후 시그니처: LASSO 회귀 분석을 통해 세 가지 유전자인 MCM4, CACNA2D2, PRR11을 선정하였다.
  • MCM4는 폐선암에서 상향 조절되었으며 불량한 생존율과 연관되었다.
  • CACNA2D2는 폐선암에서 하향 조절되었으며 양호한 생존율과 연관되었다.
  • PRR11은 생물정보학 분석에서는 폐선암에서 높은 발현을 보였으나, RT-qPCR 검증 결과 대조군과 통계적으로 유의미한 차이는 나타나지 않았다. 다만, 질병 진행에 따라 발현이 점진적으로 증가하는 양상을 보였다.
• 모델 성능: 리스크 점수 모델은 환자들을 HRG와 LRG로 효과적으로 층화하였다. HRG는 TCGA 훈련 세트와 GSE72094 검증 세트 모두에서 유의하게 낮은 전체 생존율을 보였다 (P < 0.0001). 시간 의존적 ROC 곡선은 1, 2, 3년 생존율에 대해 0.6 이상의 AUC 값을 나타냈다.
• 독립적 예후 가치: 다변량 Cox 회귀 분석을 통해 리스크 점수와 T 병기가 생존의 독립적인 예측 인자임을 확인하였다. 이러한 요인들을 통합한 노모그램은 1, 2, 3년 생존율 예측에 대해 우수한 교정(calibration) 성능을 보였다.
• 생물학적 메커니즘:
  • 경로: GSEA 결과, HRG는 세포 주기, DNA 복제 및 프로테아좀 경로에 풍부하게 관여되어 있었다.
  • 면역 미세환경: HRG는 활성화된 CD4 기억 T 세포는 높지만 활성화된 수지상 세포는 낮은 독특한 면역 침윤 패턴을 보였다. 리스크 점수는 특정 면역 체크포인트(예: HRG에서 CD274, CD276이 더 높음)와 상관관계가 있었다.
  • 변이 및 약물: HRG 환자는 높은 종양 변이 부담(TMB)과 특정 체세포 변이 프로파일(예: TP53, TTN)을 보유하였다. 약물 민감도 분석 결과, SB505124를 포함한 107개의 약물이 두 위험군 간에 차별적인 민감도를 보였으며, 일반적으로 LRG가 더 높은 민감도를 나타냈다.
• 실험적 검증: RT-qPCR을 통해 폐선암 조직에서 MCM4의 상향 조절과 CACNA2D2의 하향 조절을 확인하였다. PRR11의 경우, RT-qPCR 분석에서 그룹 간 유의미한 차이는 나타나지 않았으나, 생물정보학 분석에서 관찰된 것과 같이 질병 진행에 따라 발현이 상승하는 경향을 보였다.

의의 및 주장
저자들은 본 연구가 폐선암에서 TUTase 관련 메커니즘의 역할을 이해하기 위한 이론적 토대를 제공한다고 주장한다. MR 분석을 통합함으로써, 본 연구는 인과적 동인(causal drivers)을 상관적 표지자(correlative markers)와 구분하여 MCM4, CACNA2D2, PRR11을 견고한 예후 바이오마커로 식별하였다. 도출된 예후 모델은 개선된 위험 평가 및 환자 층화를 위한 도구를 제공한다. 또한, 면역 침윤 및 약물 민감도 분석은 분자적 위험 프로필에 기반한 면역요법 및 표적 약물 선택과 같은 개인 맞춤형 치료 전략의 가능성을 시사한다. 저자들은 본 연구가 주로 데이터 기반 연구이며, 실험적 검증이 발현 수준에 국한되었다는 점을 인정하며, 근저에 있는 분자적 메커니즘을 완전히 규명하기 위해서는 추가적인 기능 연구가 필요함을 명시하였다.