참조 데이터 없이 Bulk RNA-seq 에서 악성 세포 이질성을 규명하는 새로운 방법론 CDState

종양 내 전사 이질성 (ITTH) 은 단일 종양 내에 다양한 세포 상태가 공존하는 것을 의미하며, 암 치료의 난이도를 높이고 치료 반응의 개인차를 유발하는 주요 요인입니다. 단일 세포 RNA 시퀀싱 (scRNA-seq) 은 이 복잡성을 규명하는 강력한 수단이지만, 비용과 기술적 장벽으로 인해 대규모 스크리닝이나 일상 임상에서의 활용에는 한계가 있습니다. 반면, Bulk RNA-seq 은 확장성에優れて 있지만, 기존 방법은 특정 참조 데이터에 의존하거나 악성 컴파트먼트 내의 이질성을 충분히 포착하지 못한다는 과제를 안고 있었습니다.

특히, 많은 암종에서 적절한 참조 데이터가 존재하지 않는 상황에서는 사전 지식에 의존하지 않는 방법이 필요합니다. 기존 지도 학습 방법은 참조 데이터의 정확도에 좌우되기 쉽고, 비지도 학습 방법도 광범위한 세포 타입을 동정하는 데 그쳐 악성 세포의 미세한 상태 변화를 규명하기에는 부족했습니다.

본 연구에서는 참조 데이터에 의존하지 않고 Bulk RNA-seq 데이터에서 악성 세포의 상태를 추정하는 신규 알고리즘 'CDState'를 개발했습니다. CDState 는 비음수 행렬 분해 (NMF) 를 기반으로 하여, 합이 1 이 되는 제약과 코사인 유사도 기반 최적화를 결합함으로써 악성 세포의 다양한 상태를 고정밀도로 복원합니다.

5 가지 암종에 대한 검증에서 CDState 는 기존 비지도 학습 방법보다 우수한 성능으로 세포 상태 특이적 유전자 발현 프로파일과 세포 비율을 추정할 수 있음을 보였습니다. 또한, TCGA(The Cancer Genome Atlas) 의 33 종 암종에 적용한 결과, 상피 - 간엽 전이 (EMT), MYC 타겟, 산화적 인산화 등이 악성 ITTH 의 주요 동인인 것으로 밝혀졌습니다.

중요한 발견으로, 악성 세포 상태의 비율이 환자의 생존율과 치료 반응성과 강하게 연관되어 있으며, TP53, Kras 녹아웃 마우스 모델, Pik3ca 녹아웃 마우스 모델, Sox2 녹아웃 마우스 모델, Satb1 녹아웃 마우스 모델 등의 유전자 변이와 카피 수 변화가 암종을 초월하여 ITTH 를 구동하는 유전적 요인일 가능성이 시사되었습니다.

CDState 알고리즘은 입력된 Bulk RNA-seq 발현 행렬과 종양 순도 추정치를 사용하여 악성 세포와 비악성 세포 (종양 미세환경) 신호를 분리합니다. 최적화 프로세스는 2 단계로 진행되며, 제 1 단계에서는 데이터 재구성 오차를 최소화하고, 제 2 단계에서는 시뮬레이션 어닐링 기법을 사용하여 추정된 세포 상태 간 코사인 유사도를 최소화함으로써 상태 간 분리를 명확하게 합니다.

• 비음수 행렬 분해 (NMF) 에 합 1 의 제약과 코사인 유사도 항을 결합한 독자적인 손실 함수 채택
• 입력된 종양 순도 추정치를 사용하여 악성 컴파트먼트와 비악성 컴파트먼트를 자동으로 식별
• 기존 비지도 학습 방법 (CellDistinguisher, Linseed, Archetype Analysis, debCAM) 과 비교하여 추정 정확도에서 우위를 보임

이 방법은 대규모 암 아틀라스 데이터에서 재발성 유전자 프로그램을 특정하여 치료 결과를 해석하기 위한 새로운 틀을 제공합니다. 특히, 특정 악성 세포 상태가 예후 불량 및 약물 내성과 연관된 것으로 나타났으므로, 이러한 상태를 표적으로 한 치료 전략 개발이 기대됩니다.

또한, 유전적 동인의 동정은 암 이질성 형성 메커니즘에 대한 이해를 깊게 하고, 새로운 바이오마커 및 치료 타겟 발견에 기여합니다. Bulk RNA-seq 데이터라는 널리 활용 가능한 리소스를 사용할 수 있으므로, 대규모 코호트 연구나 임상 샘플 분석에서 비용 효율적인 이질성 분석이 가능해집니다.

CDState 를 통해 동정된 악성 세포 상태나 유전자 프로그램은 전임상 연구 에서 모델 시스템 설계 및 평가에 직접 응용 가능합니다. 예를 들어, 특정 이질성 패턴을 보이는 PDX 모델 이나 CDX 모델 을 선정·구축하는 지표로 활용될 수 있습니다.

또한, 인간화 마우스 나 면역 종양 모델 을 이용한 약물 평가에서, 치료 전후 Bulk RNA-seq 데이터를 CDState 로 분석하면, 약물이 특정 악성 세포 상태에 어떻게 영향을 미치는지 정량적으로 평가할 수 있습니다. 이를 통해 단순한 종양 부피 변화뿐만 아니라 종양 내 세포 상태 변화를 기반으로 한 더 정밀한 약물 효능 평가가 가능해져 신약 개발 프로세스의 효율화가 기대됩니다.

CDState 는 참조 데이터에 의존하지 않고 Bulk RNA-seq 데이터에서 악성 세포의 이질성을 규명하는 획기적인 방법론입니다. TCGA 데이터 분석을 통해 암의 예후 및 치료 반응과 관련된 중요한 생물학적 특징을 특정하고, 대규모 암 연구에서의 새로운 통찰을 제공했습니다. 이 방법은 암 생물학 이해를 심화함과 동시에 더 효과적인 치료 전략 개발과 전임상 모델 최적화에 기여할 가능성이 있습니다.