Machine Learning of Tumor Microenvironment Related Genes for Prostate Cancer Biochemical Recurrence Prediction and Immune Analysis

기술 요약: 전립선암의 생화학적 재발 예측을 위한 종양 미세환경 관련 유전자의 머신러닝 연구

문제 제 հ (Problem Statement)
근치적 전립선 절제술(RP) 후 발생하는 생화학적 재발(BCR)은 전립선암 환자의 약 25%에서 4년 이내에 발생하는 중요한 임상적 과제입니다. 현재의 예후 도구들은 위험도를 효과적으로 계층화하거나 재발을 유도하는 근본적인 분자 기전을 규명하는 데 있어 정밀도가 부족한 경우가 많습니다. 종양 미세환경(TME)이 종양 진행과 치료 반응을 조절한다는 것은 알려져 있으나, 기존 연구들은 종종 고립된 알고리즘이나 제한된 유전자 세트에 의존하여, TME 관련 유전자, 조절 경로 및 면역 경관에 대한 포괄적이고 통합적인 분석을 제공하지 못하고 있습니다. 또한, 머신러닝 알고리즘의 선택은 모델의 안정성에 큰 영향을 미치므로, 임상적 적용성을 높이기 위한 다중 알고리즘 통합 전략이 필요합니다.

방법론 (Methodology)
본 연구는 TCGA(The Cancer Genome Atlas)와 여러 GEO(Gene Expression Omnibus) 코호트(GSE70769, GSE46602, GSE116918)의 전사체 데이터를 통합한 다단계 계산 프레임워크를 사용하였습니다.

1. 유전자 스크리닝: ESTIMATE 알고리즘을 사용하여 TCGA-PCa 샘플의 ImmuneScore와 StromalScore를 계산했습니다. 두 점수 모두와 연관된 차별 발현 유전자(DEGs)를 식별하여 494개의 TME 관련 후보 유전자를 도출했습니다.
2. 특징 선택: 단변량 Cox 회귀 분석을 적용하여 BCR과 유의하게 연관된 32개의 후보 유전자를 선별했습니다.
3. 모델 구축: MIME R 패키지를 사용하여 10가지 생존 분석 알고리즘(Lasso, Ridge, Elastic Net, CoxBoost, StepCox 등 포함)의 117가지 조합을 테스트하는 앙상블 머신러닝 프레임워크를 구축했습니다. 훈련 및 검증 세트 전체의 평균 일치 지수(C-index)를 기준으로 최적의 모델을 선택했습니다.
4. 검증 및 해석: 최종 모델은 Kaplan–Meier 분석, 시계열 ROC 곡선 및 외부 코호트를 통해 검증되었습니다. 특징 기여도를 해석하기 위해 SHAP(SHapley Additive exPlanations) 분석이 활용되었습니다.
5. 하위 분석: 본 연구에는 세포 유형별 발현 및 in silico 녹아웃 효과를 탐색하기 위한 종합적인 면역 프로파일링(ESTIMATE, ssGSEA, CIBERSORT, xCell), 체세포 돌연변이 경관 분석(maftools), 가중 유전자 공발현 네트워크 분석(WGCNA), 약물 민감도 예측(oncoPredict), 그리고 단일 세포 RNA 시퀀싱(scRNA-seq) 분석(GSE157703)이 포함되었습니다.

주요 기여 및 결과 (Key Contributions and Results)

• 예후 모델: 본 연구는 CoxBoost + StepCox (forward) 알고리즘을 사용하여 강력한 8개 유전자 예후 모델(CCL17, CHI3L2, CSF2RA, CTHRC1, DPT, MNDA, SFRP2, SPIB)을 구축했습니다. 이 모델은 기존에 발표된 13개의 모델보다 우수한 성능을 보였으며, 3년 및 5년 예측에서 더 높은 C-index와 AUC 값을 달 달성했습니다.
• 위험 계층화: 환자들을 고위험군과 저위험군으로 분류했습니다. 고위험군은 유의하게 높은 BCR 발생률을 보였으며, 진행된 T/N/M 병기, 높은 글리슨 점수(Gleason score), 높은 PSA 수치와 같은 불량한 임상병리학적 특징과 강한 상관관계를 보였습니다.
• 면역 경관의 역설: 주요 발견 중 하나는 고위험군에서 나타나는 역설적인 면역 표현형입니다. 고위험군은 더 높은 ImmuneScore와 다양한 면역 세포(활성화된 CD4+ T 세포, 기억 CD8+ T 세포, B 세포 포함)의 더 많은 침윤에도 불구하고 예후가 좋지 않았습니다. 이 그룹은 M2 대식세포 및 조절 T 세포(Tregs)와 같은 면역 억제 성분의 농축을 보였으며, 형질세포(plasma cells) 및 활성화된 수지상 세포의 감소를 나타냈습니다.
• 면역 회피 및 체크포인트: 고위험군은 높은 TIDE(Tumor Immune Dysfunction and Exclusion) 점수를 보여, 면역 회피 가능성과 면역 관문 억제제(ICI)에 대한 저항성 가능성이 높음을 나타냈습니다. 암 면역 순환의 단계 1과 4(면역 프라이밍 및 모집)는 활성화되어 있었으나, 작동 단계(effector phases)는 제한적이었습니다.
• 기질 리모델링 메커니즘: WGCNA는 위험도 및 면역력과 유의하게 상관관계가 있는 핵심 유전자 모듈(blue module)을 식별했으며, 이는 세포외 기질(ECM) 조직 및 콜라겐 대사와 풍부하게 연관되어 있었습니다. 이는 면역 억제 환경과 면역 배제 현상이 직접적인 면역 유전자 조절보다는 기질 리모델링에 의해 매개될 수 있음을 시사합니다.
• 단일 세포 통찰: scRNA-seq 분석 결과, 모델 유전자의 뚜렷한 세포 기원이 밝혀졌습니다. DPT, SFRP2, CTHRC1은 상피 세포에서 높게 발현된 반면, MNDA와 CSF2RA는 대식세포에서 우세했습니다. In silico 녹아웃 분석은 MNDA가 ECM 조립에 영향을 미치고, DPT가 지질 단백질 대사에 영향을 미친다는 것을 시사했습니다.
• 치료적 함의: 약물 민감도 분석 결과, 고위험군은 옥살리플라틴(oxaliplatin)과 사이클로포스파미드(cyclophosphamide)에 더 민감할 수 있음을 나타냈습니다. 반대로, 높은 TIDE 점수와 여러 면역 체크포인트(예: CTLA4, PDCD1LG2, TIM3)의 상향 조절은 이 하위 그룹에서 ICI 단독 요법의 효과가 낮을 수 있음을 시사합니다.

의의 (Significance)
저자들은 본 연구가 기존 도구들보다 뛰어난 성능을 보이는 전립선암 BCR 기반의 TME 예후 모델을 성공적으로 구축하고 검증했다고 주장합니다. 이 모델은 수술 후 위험 계층화 및 개별화된 예후 평가를 위한 근거를 제공합니다. 결정적으로, 본 연구는 특정 면역-기질 상호작용 메커니즘을 규명했습니다: 즉, 고위험 환자들은 기질 리모델링과 ECM 조직에 의해 유도되는 "염증성이지만 기능적으로 제한된" 미세환경을 보이며, 이는 면역 배제로 이어집니다. 이러한 발견은 고위험 환자에게 면역 요법보다 화학 요법을 우선적으로 선택하도록 안내하고, 기질 조절제를 포함한 향후 병용 요법을 제안함으로써 치료 전략을 최적화하기 위한 이론적 토대를 제공합니다.

한계점 (Limitations)
저자들은 본 연구가 공공 데이터베이스에 의존하는 후향적 연구로서 선택 편향(selection bias)이 발생할 수 있음을 인정합니다. 또한, 식별된 유전자의 생물학적 기능과 BCR과의 인과 관계에 대한 in vitro 또는 in vivo 실험적 검증이 부족합니다. 아울러, 면역 요법 예측은 실제 임상 면역 반응 코호트가 아닌 계산 알고리즘(TIDE/TIP)에 기반하고 있습니다.