Integrative single-cell and bulk transcriptomic analysis with Shennong machine learning reveals the landscape of calmodulin associated prognostic genes in breast cancer

기술 요약: Shennong 머신러닝을 이용한 통합 단일 세포 및 벌크 전사체 분석을 통한 유방암 내 칼모듈린 관련 예후 유전자의 경관 규명

문제 제기
유방암(BRCA)은 전 세계적으로 암 관련 사망의 주요 원인으로 남아 있으며, 분자적 아형(Luminal A/B, HER2-enriched, TNBC) 간의 상당한 이질성으로 인해 예후와 치료가 복잡해지고 있습니다. 칼모듈린(calmodulin, CaM)은 유방암에서 조절 장애가 발생하고 불량한 임상 결과, 전이 및 면역 침윤과 연관된 것으로 알려져 있으나, 칼모듈린 관련 유전자(CaRGs)와 유방암 진행을 연결하는 정확한 분자적 조절 네트워크는 아직 완전히 밝혀지지 않았습니다. 기존 연구들은 종종 단일 세포 해상도가 부족하거나, 머신러닝 기반의 신약 개발과 벌크 전사체 데이터를 통합하여 특정 세포군과 치료 표적을 식별하는 데 한계를 보입니다.

연구 방법론
본 연구는 다층적인 생물정보학 및 실험적 검증 전략을 채택하였습니다:

1. 데이터 수집 및 통합: TCGA-BRCA 코호트(종양 샘플 1,081개, 정상 샘플 99개)의 벌크 RNA-seq 데이터와 GEO 데이터셋 GSE20685(검증용)를 분석하였습니다. 단일 세포 해상도를 제공하기 위해 GSE243526(일차 종양 12개, 정상 4개)의 단일 세포 RNA 시퀀싱(scRNA-seq) 데이터를 활용하였습니다. 큐레이션된 255개의 칼모듈린 관련 유전자(CaRGs) 목록이 관심 유전자 세트로 사용되었습니다.
2. 유전자 스크리닝 및 모델 구축: 차별 발현 유전자(DEGs)를 CaRGs와 교차 분석하여 후보를 식별하였습니다. 단변량 Cox 회귀 분석과 단계적 다변량 Cox 회귀 분석을 사용하여 예후 유전자를 필터링하였고, 8개 유전자로 구성된 리스크 시그니처를 구축하였습니다. 환자들은 계산된 리스크 점수에 따라 고위험군(HRG)과 저위험군(LRG)으로 계층화되었습니다.
3. 기능 및 면역 분석: 유전자 세트 풍부성 분석(GSEA), 면역 침윤 평가(ssGSEA), 돌연변이 분석(TMB, DMGs)을 수행하여 리스크 그룹 간의 생물학적 경로와 종양 미세환경(TME) 차이를 특성화하였습니다.
4. 단일 세포 분석: scRNA-seq 데이터에 대해 품질 관리, 차원 축소(PCA), 클러스터링(UMAP)을 수행하여 세포 계통을 식별하였습니다. 예후 시그니처의 발현을 바탕으로 핵심 세포군을 식별하였습니다. 의사 시간(Pseudotime) 분석(Monocle)을 통해 분화 궤적을 추적하였고, CellChat을 통해 세포 간 통신을 분석하였습니다.
5. 신약 개발: Shennong 머신러닝 프레임워크를 활용하여 식별된 핵심 세포군에 대한 높은 특이성을 가진 화합물을 스크리닝하였으며, 베이지안 인자(BF)를 기반으로 약물 민감도를 예측하였습니다.
6. 실험적 검증: 33쌍의 유방암 조직 표본 및 유방암 세포주(MDA-MB-231, MCF-7)에 대해 실시간 정량 PCR(RT-qPCR)을 수행하여 후보 유전자의 발현 패턴을 검증하였습니다.

주요 기여 및 결과

• 8개 유전자 예후 시그니처 식별: 본 연구는 8개의 칼모듈린 관련 예후 유전자인 NOS1, MYLK2, MYO1D, CAMK2N2, SNTA1, CAMK2B, TBC1D4, TBC1D10C를 식별하였습니다. 이 유전자들을 기반으로 한 리스크 모델은 환자들을 HRG와 LRG로 성공적으로 계층화하였으며, 두 그룹 간의 생존 결과는 유의미한 차이를 보였습니다 (TCGA: p < 0.0001; GSE20685: p = 0.00082). 이 모델은 3, 5, 7년 전체 생존율에 대해 0.6 이상의 AUC 값을 보이며 견고한 예측 정확도를 입증하였습니다.
• 독립적인 예후 가치: 다변량 Cox 회귀 분석을 통해 리스크 점수가 연령 및 N-단계와 함께 독립적인 예후 인자임을 확인하였습니다. 이러한 요인들을 포함하는 노모그램(nomogram)이 임상적 생존 예측을 위해 개발되었습니다.
• 생물학적 기전 및 면역 경관: GSEA 결과, HRG는 50개의 경로, 특히 JAK-STAT 신호 전달 경로가 풍부하게 나타났습니다. HRG는 활성화된 B 세포, CD8+ T 세포, 호산구의 빈도가 낮고, T 세포 기능 장애 및 배제(exclusion) 점수가 높은 독특한 면역 침윤 패턴을 보였습니다.
• 단일 세포 해상도의 핵심 요소: scRNA-seq 분석을 통해 **상피 세포(epithelial cells)**가 예후 시그니처를 주도하는 핵심 세포군임을 확인하였습니다. 이 세포들은 분화 과정 동안 예후 유전자의 역동적인 발현을 보였습니다. 의사 시간 분석 결과 특정 시간적 발현 패턴이 나타났는데, NOS1, CAMK2N2, CAMK2B, TBC1D10C는 "상승 후 하락"(중기 분화) 경향을 보였고, MYO1D와 SNTA1은 "하락 후 상승"(초기/후기 단계) 경향을 보였습니다.
• 약물 민감도 및 특이성: 리스크 그룹 간 차별적인 민감도를 보이는 170개의 약물을 식별하였으며, **이리노테칸(Irinotecan)**이 가장 유의미한 차이를 보였습니다. Shennong 머신러닝을 사용하여 LJP006_HME1_3H:H07_DOWN 및 MOAR001_PC3_24H:I22_UP를 포함하여 상피 세포 하위 집단에 높은 특이성을 보이는 8개의 상피 세포 특이적 약물을 찾아냈습니다.
• 실험적 검증: RT-qPCR 결과, BRCA 조직 및 악성 세포주에서 CAMK2N2, MYLK2, CAMK2B, TBC1D10C, MYO1D의 발현이 상향 조절되었음을 확인하였으나, TBC1D4와 NOS1은 하향 조절되었습니다. SNTA1은 조직 샘플에서는 유의미한 차이를 보이지 않았으나 세포주에서는 하향 조절되었습니다.

의의 및 주장
저자들은 본 연구가 칼모듈린의 역할을 이해하기 위한 새로운 다차원적 프레임워크를 제공한다고 주장합니다. 벌크 및 단일 세포 전사체를 머신러닝과 통합함으로써, 본 연구는 다음을 달성하였습니다:

1. 견고한 바이오마커 확립: 8개 유전자 시그니처는 리스크 계층화 및 예후 평가를 위한 정밀한 도구를 제공하며, 일부 맥락에서 전통적인 임상 요인보다 우수한 성능을 보입니다.
2. 세포 기전 규명: 상피 세포를 칼모듈린 관련 예후 경관의 주요 동력원으로 식별하고, 이들의 분화 궤적과 유전자 발현 역학을 상세히 설명하였습니다.
3. 정밀 의료 가이드 제공: Shennong 머신러닝을 통한 상피 세포 특이적 약물의 식별과 이리노테칸과 같은 약물에 대한 차별적 민감도는 특정 유방암 하위 그룹을 위한 표적 치료 전략 개발의 이론적 근거를 제공합니다.
4. 경로 연결: 칼모듈린, CaMK, IFN-β, 그리고 JAK-STAT 경로를 연결하는 조절 축을 가설화하여, 관찰된 예후 차이에 대한 기전적 설명을 제시합니다.

저자들은 본 연구가 주로 in silico 연구라는 점을 언급하며 한계점을 인정하였고, 특정 유전자(예: 새로 식별된 마커인 CAMK2N2)의 기능적 역할은 유방암 병인에서의 기전을 완전히 확인하기 위해 추가적인 실험적 검증이 필요하다고 밝혔습니다.