🧬 생물학

Exploration of N7-methylguanosine and immune-related biomarkers in Acute Aortic Dissection by combining bulk RNA-seq sequencing data and single-cell RNA sequencing

본 연구는 벌크 및 단일 세포 RNA 시퀀싱을 머신러닝과 통합하여 5가지 m7G 및 면역 관련 바이오마커(ESM1, HMOX1, SHC1, SLC11A1, TNFRSF10D)를 식별하고, 대식세포 매개 면역 조절 장애가 급성 대동맥 박증 병태생리의 핵심 기전임을 강조한다.

원저자: Ermek Tangsakar, Guo Yongzhong, Ge Xiaohu

게시일 2026-10-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ermek Tangsakar, Guo Yongzhong, Ge Xiaohu

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

인체의 대동맥은 우리 몸의 주요 고속도로로, 심장에서 몸의 다른 모든 부분으로 산소가 풍려한 혈액을 운반하는 거대한 동맥입니다. 이 혈관의 내벽에 찢어짐이 발생하면, 혈액이 동맥 벽 안으로 밀고 들어가 혈관을 두 개의 통로로 갈라놓게 됩니다. 급성 대동맥 박리라고 알려진 이 질환은 예고 없이 찾아오는 의료 응급 상황이며, 환자가 병원에 도착하기도 전에 사망에 이르게 하는 경우가 많습니다. 치료가 어려운 이유는 현재 의사들이 신뢰할 만한 조기 경고 징후를 갖지 못하고 있기 때문입니다. 흉통과 같은 명확한 신호를 보내는 심근경색과 달리, 대동맥 박리는 너무 늦기 전까지는 소리 없이 진행될 수 있습니다. 이를 해결하기 위해 과학자들은 세포의 미시 세계와 세포를 조절하는 화학적 태그를 더 깊이 연구하고 있습니다. 그들은 특히 세포 내부의 지침에 대한 볼륨 조절기 역할을 하는 N7-메틸구아노신이라는 특정 화학적 변형과, 이것이 때때로 자신의 조직을 공격하는 신체 방어 체계인 면역 체계와 어떻게 상호작용하는지에 주목하고 있습니다.

연구팀은 두 가지 강력한 유형의 유전 데이터를 결합하여 이 위험한 질환의 분자적 지형을 지도화하는 작업을 수행했습니다. 그들은 먼저 조직 샘플에서 얻은 방대한 유전 정보 컬렉션을 조사하여, 건강한 대동맥 벽과 박리가 일어난 대동맥을 비교했습니다. 그들은 질병이 있는 조직에서 켜지거나 꺼지는 유전자, 특히 화학적 볼륨 조절기와 면역 체계와 관련된 유전자를 찾고자 했습니다. 이 방대한 데이터 속에 숨겨진 가장 중요한 신호를 찾기 위해, 그들은 노이즈를 걸러내어 질병 샘플에서 일관되게 나타나는 소수의 유전자를 찾아내는 체 역할을 하는 컴퓨터 알고리즘을 사용했습니다. 이 과정을 통해 수천 개의 유전적 후보군을 특정 질환의 잠재적 표지자로서 두드러지는 5개의 유전자 목록으로 좁혔습니다.

연구진은 조직 전체가 아닌 개별 세포의 유전 코드를 읽을 수 있는 기술을 사용하여 세포 수준에서 더 자세히 살펴보았습니다. 이 고해상도 뷰를 통해, 앞서 언급한 다섯 개의 핵심 유전자가 대동맥 벽 전체에 무작위로 흩어져 있는 것이 아님이 밝혀졌습니다. 대신, 이 유전자들은 대식세포(macrophage)라고 불리는 특정 유형의 면역 세포에 집중되어 있었습니다. 정상적으로는 몸을 순찰하며 잔해를 치우고 감염과 싸우는 이 세포들은, 박리 과정에서 나타나는 화학적 변화의 주요 동력인 것으로 보였습니다. 연구는 질병이 발생한 대동맥에서 이 대식세포들이 다르게 행동하며, 식별된 다섯 개의 유전자를 높게 발현한다는 것을 보여주었는데, 이는 이 세포들이 동맥 벽의 붕괴에 중심적인 역할을 하고 있음을 시사합니다.

식별된 다섯 개의 유전자 중 세 개는 질병이 있는 조직에서 매우 강한 증가를 보였으며, 나머지 두 개는 증가 폭은 덜하지만 명확한 상승 추세를 보였습니다. 연구진은 이 질환으로 수술을 받은 환자들의 조직 샘플을 테스트하여 이러한 결과를 확인했습니다. 결과는 컴퓨터의 예측과 일치했습니다. 즉, 박리가 있는 환자들에게서 실제로 해당 유전자들이 더 활성화되어 있었습니다. 또한 연구는 이 유전자들이 서로 어떻게 상호작와 작용하는지, 그리고 앞서 언급한 화학적 볼륨 조절기와 어떻게 상호작용하는지를 탐구했습니다. 그들은 이 유전자들의 활동이 유전자 발현을 조절하는 특정 단백질과 과정을 미세 조정하는 작은 RNA 분자들을 포함한 다른 분자들의 네트워크에 의해 조절될 가능성이 높다는 것을 발견했습니다. 이는 화학적 볼륨 조절기가 단순한 방관자가 아니라, 위기 상황 동안 면역 세포가 어떻게 행동할지를 능동적으로 결정하고 있음을 시사합니다.

이러한 발견이 새로운 치료법으로 이어질 수 있는지 확인하기 위해, 연구진은 컴퓨터 시뮬레이션을 사용하여 다양한 기존 약물들이 이 다섯 개 유전자가 생성하는 단백질에 어떻게 결합하는지 테스트했습니다. 그들은 마치 열쇠가 자물쇠에 꼭 들어맞듯, 표적 단백질에 잘 맞는 소수의 약물 후보들을 식별했습니다. 이 약물들이 아직 이 특정 질환을 가진 환자들에게 테스트되지는 않았지만, 컴퓨터 모델은 이 약물들이 질병을 유발하는 생물학적 경로와 상호작용할 잠재력이 있음을 보여줍니다. 또한 연구는 면로 세포와 동맥 벽의 다른 세포들 사이의 통신을 추적했습니다. 연구 결과, 면역 세포가 근육 세포와 혈관 내벽에 강력한 신호를 보내고 있었으며, 이 대화가 혈관을 약화시키는 데 기段階적으로 기여할 가능성이 높다는 것이 밝혀졌습니다.

연구진은 이 다섯 개의 유전자와 이를 생성하는 면역 세포가 급성 대동맥 박리를 이해하는 데 있어 유망한 새로운 방향을 제시한다고 결론지었습니다. 대식세포와 이를 조절하는 화학적 태그에 집중함으로써, 의사들은 언젠가 질병을 더 일찍 감지하거나 손상을 일으키는 특정 면역 반응을 진정시키는 치료법을 개발할 수 있을 것입니다. 그러나 저자들은 이러한 발견이 시작 단계임을 언급했습니다. 이 연구는 상대적으로 적은 수의 환자 샘플을 기반으로 했으며, 식별된 잠재적 약물들은 현재 컴퓨터 예측일 뿐입니다. 향후 연구는 더 많은 인원을 대상으로 이러한 결과를 확인하고, 이 특정 유전자들을 표적으로 삼는 것이 실제로 질병을 멈추거나 되돌릴 수 있는지 테스트해야 합니다. 현재로서는, 이 연구가 건강한 동맥을 생명을 위협하는 응급 상황으로 바꾸는 분자적 사건들에 대한 더 명확한 지도를 제공하며, 면역 체계가 이 이야기의 중심적인 주인공임을 강조하고 있습니다.

기술 요약: 급성 대동맥 박리에서 N7-메틸구아노신 및 면역 관련 바이오마커 탐색

문제 정의
급성 대동맥 박리(AAD)는 생명을 위협하는 심혈관 응급 상황으로, 높은 이환율과 사망률을 동반한다. 수술적 기법의 발전에도 불구하고, 신뢰할 수 있는 바이오마커의 부재와 질병의 세포 및 분자적 메커니즘에 대한 불완전한 이해로 인해 조기 진단은 여전히 어려운 과제로 남아 있다. 특히, 후성유전적 RNA 변형—특히 N7-메틸구아노신(m7G)—과 대동맥 벽 미세환경 내의 면역 조절 장애 사이의 상호작용은 체계적으로 탐구된 바 없다. 기존 연구들은 종종 세포 이질성을 간과하여, AAD 병인에 기여하는 특정 세포 집단에 대한 통찰을 제한해 왔다.

연구 방법론
본 연구는 벌크 RNA 시퀀싱(RNA-seq), 단일 세포 RNA 시퀀싱(scRNA-seq), 그리고 머신러닝을 결합한 통합 멀티오믹스 접근 방식을 채택하여 견고한 바이오마커를 식별하였다.

데이터 소스: GEO 데이터베이스에서 벌크 RNA-seq 데이터셋(GSE153434 및 GSE52093)과 scRNA-seq 데이터셋(GSE213740)을 추출하였다. 또한, 기존 문헌으로부터 29개의 m7G 관련 유전자(m7GRGs)와 1,793개의 면역 관련 유전자(IRGs)를 큐레이션하였다.
벌크 분석: DESeq2를 사용하여 차별 발현 유전자(DEGs)를 식별하였다. WGCNA(Weighted Gene Co-expression Network Analysis)를 수행하여 m7GRG 점수와 상관관계가 있는 모듈을 확인하였다. 후보 유전자는 DEGs, IRGs, 그리고 주요 모듈 유전자의 교집합으로 정의되었다.
머신러닝 스크리닝: 최적의 진단 모델을 선별하기 위해 12가지 머신러닝 알고리즘(Random Forest, SVM, LASло, XGBoost, GlmBoost 포함)을 통합하였다. 평균 AUC(Area Under the Curve)가 가장 높은 모델을 선택하여 후보 바이오마커를 식별하였다.
기능 및 네트워크 분석: GSEA(Gene Set Enrichment Analysis), PPI(Protein-Protein Interaction) 네트워크, 그리고 TF-miRNA-mRNA 조절 네트워크를 구축하였다. AlphaFold를 사용하여 단백질 구조를 예측하였으며, ZINC-250K, BindingDB, KIBA와 같은 데이터베이스를 활용한 분자 도킹(AutoDock Vina)을 통해 잠재적 약물 타겟을 스크리닝하였다.
단일 세포 분석: Seurat 패키지를 사용하여 scRNA-seq 데이터를 처리하여 세포를 클러스터링하고, 세포 유형을 식별하며, 세포 간 통신(CellChat) 및 의사시간적 순서(Monocle)를 분석하였다.
실험적 검증: 임상 조직 샘물(AAD 환자 5명 vs 대조군 5명)에 대해 역전사 정량 PCR(RT-qPCR)을 실시하여 바이오마커 발현을 검증하였다.

주요 결과

바이오마커 식별: 본 연구는 1,597개의 DEGs와 3,466개의 주요 모듈 유전자를 식별하였다. 머신러닝을 통해 GlmBoost+RF 조합이 최적의 모델(AUC = 0.9214)임을 결정하였다. 최종 5개의 바이오마커는 ESM1, HMOX1, SHC1, SLC11A1, TNFRSF10D로 확정되었다.
발현 패턴: 5개의 바이오마커 모두 벌크 데이터셋에서 유의하게 상향 조절되었다. 임상 RT-qPCR 검증 결과, ESM1, HMOX1, SHC1은 유의한 상향 조절( $P < 0.05$ )을 보였으나, SLC11A1과 TNFRSF10D는 비유의적인 상승 경향만을 나타냈다.
세포 국소화: scRNA-seq 분석 결과, **대식세포(Macrophages)**가 이러한 바이오마커를 발현하는 주요 세포 집단임이 밝혀졌다. 구체적으로 HMOX1과 SLC11A1은 대식세포에서 높게 발현되었으며, SHC1, SLC11A1, TNFRSF10D는 해당 세포 유형 내에서 AAD와 정상 그룹 간의 차별적 발현을 보였다.
메커니즘 통찰:
- 경로: 바이오마커들은 "Reactome diseases of signal transduction by growth factor receptors and second messengers" 경로에 농축되어 있었다.
- 조절: 바이오마커와 m7GRGs(예: EIF4A1, AGO2, METTL1) 사이의 유의미한 상관관계가 발견되었다. m7GRGs, 전사 인자(예: USF1, USF2), 그리고 바이오마커를 연결하는 조절 네트워크가 구축되었다.
- 세포 통신: AAD 샘플에서 대식세포는 특히 SPP1-(ITGA8+ITGB1) 및 CXCL8-ACKR1 축을 통해 내피세포, 평활근 세포, 섬유아세포와 강화된 통신을 보였다.
- 약물 발견: 분자 도킹을 통해 CID_51382552(ESM1, SLC11A1, SHC1, TNFRSF10D에 결합) 및 CID_11912881(HMOX1에 결합)을 포함한 잠재적 약물 후보를 식별하였으며, 이들은 양호한 Vina 점수를 나타냈다.

의의 및 주장
저자들은 본 연구가 m7G 변형, 면역 조절 장애, 그리고 특정 세포 집단을 연결함으로써 AAD의 포괄적인 분자적 경관을 제공한다고 주장한다. ESM1, HMOX1, SHC1, SLC11A1, TNFRSF1D의 식별은 AAD를 위한 유망한 진단 바이오마커를 제시한다. 결정적으로, 본 연구는 대식세포를 이러한 시그니처를 주도하는 핵심 세포 허브로 지목하며, 이는 대식세포 중심의 면역 조절 장애가 AAD 병인의 핵심 기여자임을 시사한다. 연구 결과는 m7G 조절 장애가 염증 매개체의 번역(translation)에 영향을 미칠 수 있는 상위 사건으로서 면역 미세환경을 형성하는 역할을 할 수 있음을 제안한다.

결론적으로, 본 논문은 이러한 바이오마커와 식별된 약물 후보들이 세포 표적 진단 및 치료 전략 개발의 토대를 제공한다고 밝히고 있다. 그러나 저자들은 약물 예측 결과가 엄격한 실험적 검증을 필요로 하며, 현재의 결과는 주로 상관관계에 기반하고 있어 인과 관계를 확립하기 위한 향후 기능 연구(예: 녹아웃 모델)가 필요하다는 점을 인정하며 신중한 태도를 유지하였다.

유사한 논문