인간 전사체 데이터의 통합 생물정보학 분석은 폐선암에서 세 가지 주요 진단 및 예후 바이오마커를 규명합니다

Yuhui Lin; Ze Chen; Bin Jia; Zheng Wang; Lihua Zhang; Mingjie Li; Bichen Liu; Lihui Chen; Xiaoting Chen

doi:10.3791/71214

Research Article

인간 전사체 데이터의 통합 생물정보학 분석은 폐선암에서 세 가지 주요 진단 및 예후 바이오마커를 규명합니다

DOI:

10.3791/71214

⸱

June 30th, 2026

Yuhui Lin*¹^,² , Ze Chen*³ , Bin Jia*⁴ , Zheng Wang*⁵ , Lihua Zhang⁶ , Mingjie Li⁶ , Bichen Liu⁶ , Lihui Chen⁷ , Xiaoting Chen⁸^,⁹

¹Department of Laboratory Medicine, The Affiliated People's Hospital of Fujian University of Traditional Chinese Medicine, ²School of Medical Technology and Information Engineering, Zhejiang Chinese Medical University, ³Department of Laboratory Medicine, Fujian Nan'an Hospital, ⁴Department of Laboratory Medicine, Pujiang Tianxian Orthopedic Hospital, ⁵Department of Laboratory Medicine, People's Hospital of Dafang, ⁶Department of Laboratory Medicine, Fujian Medical University Union Hospital, ⁷Department of Laboratory Medicine, Fujian Pingtan Comprehensive Experimental Area Hospital, ⁸Medical Laboratory Center, Jinjiang Municipal Hospital, Shanghai Sixth People's Hospital, ⁹Medical Laboratory Center, Jinjiang Municipal Hospital, Teaching Hospital of Huaqiao University

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 연구는 TCGA-LUAD와 GEO GSE115002 전사체 데이터를 사용하여 폐선암의 진단 및 예후 바이오마커를 규명하였습니다. B3GNT3, FERMT1, SPP1 은 상향 조절되어 종양과 정상 조직을 구분하였습니다. 이 유전자들은 상피-중간엽 전이와 면역 억제와 관련이 있습니다. 유전자 발현과 TNM 단계를 결합한 노모그램은 신뢰할 만한 예측 가치를 보여주었습니다.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

폐선암(LUAD)은 전 세계적으로 암 관련 사망의 주요 원인입니다. 수술, 표적 치료, 면역치료의 발전에도 불구하고, 고급 LUAD의 5년 생존율은 여전히 20% 미만으로 남아 있어 조기 발견과 예후를 위한 신뢰할 수 있는 분자 바이오마커의 긴급한 필요성을 나타냅니다. 이 연구에서 저자들은 세 가지 지속적으로 상향 조절되는 유전자가 LUAD의 효과적인 진단 및 예후 바이오마커로 작용할 수 있다고 가설을 세웠습니다. 저자들은 두 독립 코호트인 TCGA-LUAD(535개의 종양, 59개의 정상 샘플)와 GSE115002(52개의 종양, 52개의 정상 샘플 일치)의 전사체 데이터를 분석하여 차별 발현 유전자를 선별하였습니다. 세 가지 핵심 유전자인 B3GNT3, FERMT1, SPP1은 LUAD 종양에서 두 데이터셋 모두에서 일관되게 과발현되었습니다. 이 유전자들은 TCGA-LUAD에서 AUC 값이 0.95 이상, GSE115002에서 높은 정확도로 우수한 진단 성능을 보였습니다. 생존 분석 결과, 각 유전자의 높은 발현이 전체 생존 기간과 무질병 생존 기간의 단축과 유의한 관련이 있음을 보여주었으며, 다변량 Cox 회귀분석은 이들의 독립적인 예후 가치를 검증하였습니다. 기능 풍부 분석 결과, 이 세 유전자는 상피-중간엽 전이, 세포외 기질 재형성, 면역 억제에 관여하며, 모두 LUAD 침윤 및 전이와 밀접하게 관련되어 있음을 보여주었습니다. 저자들은 세 유전자와 TNM 단계를 결합한 예후 노모그램을 추가로 구축하여 0.743의 일치 지수를 달성하고 우수한 예측 성능을 보였습니다. 이 발견들은 B3GNT3, FERMT1, SPP1 이 LUAD의 진단 및 예후 바이오마커로서 위험 계층화 및 관리에 대한 임상 응용을 뒷받침한다는 것을 확인시켜 줍니다.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

폐암은 전 세계 암 사망의 주요 원인으로, 2020년 약 180만 명의 사망자를 차지했습니다. 폐선암(LUAD)은 전체 폐암 사례의 거의 40%를 차지합니다². 수술, 표적 치료, 면역치료의 발전에도 불구하고, 진행된 LUAD의 5년 생존율은 여전히 20% 미만으로 남아 있습니다^3,4. 조기 발견과 정확한 예후를 위한 신뢰할 수 있는 분자 바이오마커가 시급히 필요합니다. 고처리량 시퀀싱과 암 게놈 아틀라스(TCGA), 유전자 발현 옴니버스(GEO)와 같은 공개 데이터베이스는 암의 체계적인 전사체 프로파일링을 가능하게 합니다 ^5,6. 통합 교차 코호트 생물정보학은 후보 바이오마커 발견의 신뢰성을^{향상시킵니다. 5}.

LUAD에는 세포 증식, EGFR 신호 전달, 면역 탈출⁷ 등 많은 유전자와 경로가 관련되어 있습니다. 하지만 임상 적용에 적용된 것은 거의 없습니다. 유전자 서명과 임상병리학적 특징, 특히 노모그램을 결합한 위험 모델은 LUAD⁸의 예후 정확도를 향상시킵니다. B3GNT3, FERMT1, SPP1 은 개별적으로 암 진행과 연관되어 있으나, LUAD에서의 진단, 예후, 면역-미세환경 조절 가치의 결합은 독립 코호트에서 체계적으로 검증되지 않았습니다. 본 연구는 이 세 유전자를 통합된 크로스 플랫폼 분석으로 통합하여 LUAD의 통합 바이오마커 패널로 제공하며, 임상적으로 적용 가능한 예후 노모그램을 제공합니다.

B3GNT3는 PD-L1을 안정화하고 면역 회피를 촉진하는 글리코실트랜스퍼라제를 암호화합니다 ^9,10. FERMT1(킨들린-1)은 인테그린 활성화를 조절하며 비소세포폐암(NSCLC)에서 전이를 촉진합니다^11,12. SPP1(골세포 세포 기질 재형성, 상피-중간엽 전이(EMT), 화학요법 저항성을 매개합니다 13,14,15. 생체 시계 관련 유전자는 LUAD 예후와 진단을 예측하는 데도 기여했으며¹⁶, LUAD의 성별 차이는 다중 옴믹스 통합 단백질 신호 네트워크를 통해 밝혀졌습니다¹⁷. B3GNT3와 SPP1은 분비되거나 막 국소화되어 최소 침습 바이오마커로서의 잠재적 사용을 지지합니다. 효과적인 LUAD 분류와 바이오마커 식별은 겹치는 특징 선택 방법을 통해서도 달성할 수 있으며(¹⁸), 다중 옴 상호작용은 폐암 진행에 중요한 기능적 역할을 합니다⁽¹⁹). 포괄적인 다체체학적 통합을 통해 확인된 미토콘드리아 유전자 서명은 LUAD 예후와 개인 맞춤형 치료에도 가치를 지닙니다²⁰. B3GNT3와 SPP1은 분비되거나 막 국소화되어 최소 침습 바이오마커로서의 잠재적 사용을 지지합니다. 이 연구는 통합 생물정보학을 이용해 견고한 LUAD 바이오마커를 식별하고, 진단 및 예후 성능을 평가하며, 생물학적 기능과 면역 연관성을 탐구하고, 임상적으로 유용한 예후 노모그램을 구축하는 것을 목표로 했습니다.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. 데이터 소스 및 전처리

R (버전 4.1.3; 윈도우 10 프로).
GSE115002 경우, limma(버전 3.52.3)를 이용한 분위수 정규화를 적용합니다.
TCGA를 위한 저발현 유전자 필터링: CPM > 0.5 유전자를 ≥50% 샘플에서 유지합니다.
GSE115002 발현이 낮은 유전자를 필터링: 평균 신호 >50을 가진 유전자를 유지하세요.
log₂의사 개수를 +1로 변환하는 식의 값.
참고: LUAD 유전자 발현 및 임상 데이터는 TCGA-LUAD(버전 33.0, GDC 포털, 2025년 8월 7일 다운로드)와 GSE115002(Agilent 마이크로어레이, GEO, 2025년 8월 7일 다운로드)에서 수집되었습니다. TCGA-LUAD는 535개의 종양과 59개의 정상 샘플을 포함했습니다. GSE115002 52개의 종양과 52개의 정상 샘플을 포함하였습니다.

2. 차별발현 유전자의 식별

차별 발현 분석에는 TCGA RNA-seq에는 DESeq2(버전 1.36.0)를, 차별 발현 분석에는 GSE115002에 LIMMA(버전 3.52.3)를 사용하세요. 벤자미니-호흐버그 방법을 사용하여 조정 P-값(FDR)을 계산합니다.
데이터셋 간 비교 가능성을 보장하기 위해, 통합된 |log₂FC| ≥ 1.0은 두 학년 모두에 적용되었습니다. DEG는 FDR < 0.05와 |log₂FC| ≥ 1.0. VennDiagram(버전 1.7.3)을 사용하여 겹치는 DEG를 식별하였습니다. B3GNT3, FERMT1, SPP1 은 암과 관련된 것으로 알려진 일관되게 상향 조절된 후보로 선정되었습니다.

3. 진단적 가치 평가

각 후보 유전자에 대해 ROC 곡선을 구성합니다.
유덴 지수를 사용하여 최적의 컷오프 값을 결정합니다.
각 유전자별로 AUC, 민감도, 특이도를 계산하세요.
다변량 로지스틱 회귀분석을 이용해 통합 진단 패널을 구축하세요.
참고: ROC 분석에는 pROC 패키지 v1.18.0이 사용되었습니다. 이항 계열을 가진 glm 함수를 사용하여 진단 모델을 구성하였습니다.

4. 생존 분석

중앙값 발현을 사용하여 환자를 고발현군과 저발현군으로 층화합니다.
각 유전자에 대해 Kaplan–Meier 생존 곡선을 생성합니다.
생존 차이를 비교하기 위해 로그 랭크 검정을 수행하세요.
단변량 콕스 회귀분석을 수행하세요.
다변량 콕스 회귀분석을 수행하세요.
회귀 모델에 임상 공변량을 포함하세요.
Schoenfeld 잔차를 사용하여 비례 위험 가정을 검증합니다.
세 유전자 위험 점수를 계산하세요.
참고: Survival v3.3.1과 survminer v0.4.9가 사용되었습니다. 상변량에는 나이, 성별, T 단계, N 단계, M 단계가 포함되었습니다. 위험 점수는 다음과 같이 계산되었습니다:
위험 점수 = (0.328 × B3GNT3) + (0.331 × FERMT1) + (0.321 × SPP1). (1)

5. 유전자 집합 풍부화 및 기능 주석

DEG를 사용하여 GO 농축 분석을 수행합니다.
DEG를 이용한 KEGG 경로 농축 분석을 수행합니다.
유전자 집합 풍부 분석(GSEA)을 수행하세요.
후보 유전자 발현과 피어슨 상관관계에 따라 유전자를 순위 매깁니다.
조정된 P < 0.05를 사용하여 중요한 용어를 식별합니다.
참고: clusterProfiler v4.6.2는 GO 및 KEGG 분석에 사용되었습니다. GSEA에는 FGSEA v1.22.0과 MSigDB Hallmark v7.5가 사용되었습니다.

6. 상관관계 및 네트워크 분석

참고: 피어슨 상관관계법은 정규 분포 유전자 발현에 사용되었으며; 면역 세포 분획에 대한 스피어먼 상관관계. PPI 네트워크는 STRING(버전 11.5, 신뢰도> 0.7)을 사용하여 생성되었고, Cytoscape(버전 3.9.1)에서 시각화되었습니다. 면역 침윤은 CIBERSORT(절대 모드, 100가지 순열)를 사용해 추정하였다. 단세포 RNA 시퀀싱은 NSCLC 미세환경에서 지위적 전이를 드러내는 것으로 밝혀졌으며, 이는 면역 침윤 분석과 관련이 있습니다^21,22. 통합 단세포 분석은 LUAD 23,24,25에서 CD8+ 메모리 세포와 같은 면역 세포의 역할을 더 해부할 수 있습니다.

7. 노모그램 구성 및 검증

참고: 노모그램 변수는 다변량 Cox 유의성(P < 0.05)을 기준으로 선정되었습니다: T 단계, N 단계, B3GNT3, FERMT1, SPP1. 노모그램은 RMS(버전 6.5.0)를 사용해 구축되었습니다. 내부 검증은 1000 부트스트랩 재샘플링과 교체 방식을 사용했습니다. 보정 곡선과 결정 곡선 분석(DCA)은 rmda(버전 1.7)를 사용하여 수행되었습니다. 계산 환경에는 R 4.1.3, Windows 10 Pro, Bioconductor 3.15가 포함되었습니다. 분석 스크립트는 합리적인 요청 시 https://github.com/[편집]/LUAD-biomarker-2025에서 이용할 수 있습니다.

8. 통계 분석

참고: 모든 통계 검정은 양측 검정이었습니다; P < 0.05는 유의미한 것으로 간주되었습니다.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

LUAD에서의 전역 유전자 발현 변화

폐 선암 조직과 정상 폐 조직 간의 전사체 비교 결과, 광범위한 유전자 발현 변화가 확인되었습니다. 그림 1A는 TCGA-LUAD 데이터셋에서 차등 발현 유전자의 화산 그래프를, 그림 1B는 GSE115002 데이터셋의 유전자를 보여줍니다. TCGA-LUAD 코호트(그림 1A)에서는 1865개의 유전자가 유의하게 상향 조절되었고, 1247개의 유전자가 하향 조절되었습니다. GSE115002 코호트(그림 1B)에서는 645개의 유전자가 상향 조절되었고 609개의 유전자가 하향 조절되었습니다. 두 데이터셋에서 총 421개의 유전자가 일관되게 상향 조절되었습니다. 이 중복 유전자 중 B3GNT3, FERMT1, SPP1은 그림 1A와 그림 1B에서 종양 샘플에서 현저히 과발현된 것으로 표기되어 있습니다. TCGA-LUAD에서는 정상 조직에 비해 B3GNT3 발현이 약 5배, FERMT1 8배, SPP1 10배 증가하였습니다. GSE115002년에도 세 유전자 모두 2배 이상 상승하는 유사한 상향 조절이 확인되었습니다.

B3GNT3, FERMT1, SPP1의 진단 성능

수신자 작동 특성 곡선 분석을 통해 B3GNT3, FERMT1, SPP1의 진단 성능을 평가하였습니다. 그림 2A는 TCGA-LUAD 코호트의 ROC 곡선을, 그림 2B는 GSE115002 코호트의 곡선을 보여줍니다. 세 유전자 모두 두 코호트 모두에서 높은 진단 정확도를 달성했습니다. TCGA-LUAD 코호트(그림 2A)에서는 모든 마커에서 곡선 아래 면적이 0.95를 초과했습니다. 독립 GSE115002 코호트(그림 2B)에서도 곡선 값 아래 유사한 넓은 면적이 관찰되었습니다. 감도와 특이도는 최적 컷오프 값에서 85%에서 95% 사이였습니다. 이 결과는 각 유전자가 종양과 정상 조직을 구별하는 데 탁월한 능력을 제공함을 확인시켜 줍니다.

B3GNT3, FERMT1, SPP1 발현의 예후적 중요성

그림 3의 Kaplan–Meier 생존 곡선은 각 유전자의 높은 발현이 두 집단 모두에서 전체 생존 기간의 짧은 기간과 유의하게 연관되어 있음을 보여줍니다. 그림 3A–3C는 TCGA-LUAD 코호트에서 B3GNT3, FERMT1, SPP1 의 전체 생존 곡선을 보여줍니다. 그림 3D–3F는 GSE115002 코호트 내 해당 곡선을 보여줍니다. B3GNT3, FERMT1 또는 SPP1 발현이 높은 환자는 중간 생존율이 감소하고 5년 생존율이 낮았습니다. 다변량 회귀분석 결과, 높은 SPP1 발현이 독립적인 나쁜 예후 요인임이 확인되었습니다. 세 유전자 모두의 발현 증가는 또한 더 짧은 무질병 생존 기간과도 관련이 있었습니다. 두 코호트 모두에서 일관된 추세는 B3GNT3, FERMT1, SPP1 의 과발현이 폐선암에서 불리한 임상 결과를 예측한다는 것을 보여줍니다.

기능 풍부 분석

기능 풍부도 분석 결과는 그림 4에 요약되어 있습니다. 그림 4A는 TCGA-LUAD 코호트의 GO 및 KEGG 농축을 보여주며, 그림 4B는 GSE115002 코호트의 농축을 보여줍니다. 상향 조절된 유전자는 세포 주기 진행, 세포외 기질 조직, 국소 부착, 종양 유발 신호 전달에서 강하게 풍부해졌습니다. 하향 조절된 유전자는 정상 상피 분화 및 p53 신호와 관련이 있었다. 이 관찰은 세 가지 후보 유전자가 폐선암에서 증식, 침습, 면역 조절 장애를 촉진하는 경로에 관여함을 나타냅니다.

공동표현 네트워크

B3GNT3, FERMT1, SPP1과 관련된 공발현 네트워크는 그림 5에 표시되어 있습니다. 그림 5A는 TCGA-LUAD 코호트의 네트워크를 보여주며, 그림 5B는 GSE115002 코호트의 네트워크를 보여줍니다. 노드는 유전자를, 엣지는 상관계수를 나타냅니다. 세 가지 주요 유전자는 ECM 재형성, 면역 조절, 세포골격 조직 유전자와 집결합니다. 이 발견들은 세 유전자의 과발현이 면역억제 종양 미세환경과 관련이 있음을 시사합니다.

예후 노모그램 수행

예후 노모그램은 그림 6에 제시되어 있습니다. 이 모델은 병리학적 T 단계, 병리적 N 단계, B3GNT3, FERMT1, SPP1 의 발현 수준을 통합하여 LUAD에서 1년, 2년, 3년 전체 생존 기간을 예측하여 구축되었습니다. 각 변수마다 점수가 할당되며, 총 점수는 예측된 생존 확률에 해당합니다. 모델은 0.743의 일치 지수를 달성하여 좋은 예측 성능을 보였습니다. 보정 곡선은 예측된 생존 확률과 실제 생존 확률 사이에 매우 유사한 결과를 보였습니다. 의사결정곡선 분석은 임상적 순이익을 확인했습니다. 이 노모그램은 기존의 TNM 병기 측정을 넘어 개별 생존 예측을 향상시킵니다.

요약하자면, 본 연구는 B3GNT3, FERMT1, SPP1 이 LUAD 발병기전의 핵심 분자 역할을 한다는 점을 강조합니다. 이들의 과발현은 침습성 종양 표현형, 기질 재형성, 면역 회피와 연관되어 있습니다. 다중 오믹스 통합을 통해 이 유전자들의 결합된 가치를 진단, 예후, 환자 층화에 입증합니다. 향후 연구에서는 면역치료 반응에 대한 예측적 관련성을 탐구하고, LUAD에서 치료 표적으로서의 잠재력을 평가해야 합니다.

figure-results-1
그림 1: LUAD 종양과 정상 조직에서 차등 발현 유전자의 화산 그래프. (A) TCGA-LUAD 데이터셋. (B) GSE115002 데이터셋. 빨간색은 유전자가 유전적으로 상향 조절되었음을 나타냅니다; 파란색은 하향 조절된 유전자를 나타냅니다. B3GNT3, FERMT1, SPP1 은 일관되게 상향 조절된 것으로 표시되어 있습니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-2
그림 2: 정상 조직과 LUAD를 구분하는 B3GNT3, FERMT1, SPP1 의 ROC 곡선. (A) TCGA-LUAD 코호트. (B) GSE115002 코호트. AUC 값은 높은 진단 정확도를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-3
그림 3: B3GNT3, FERMT1, SPP1 발현 수준에 따라 층화된 Kaplan-Meier 전체 생존 곡선. (A–C) TCGA-LUAD 코호트. (A) B3GNT3, (B) FERMT1, (C) SPP1. (D–F) GSE115002 코호트. (민주당) B3GNT3, (E) FERMT1, (F) SPP1. 각 유전자의 높은 발현은 두 코호트 모두에서 전체 생존 기간이 짧아지는 것과 유의미하게 연관되어 있습니다. 로그 랭크 검정에서 얻은 심박수와 P 값이 제공됩니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-4
그림 4: DEGs의 GO 및 KEGG 농축 분석이 세 가지 주요 유전자와 상관관계가 있었습니다. (A) TCGA-LUAD 코호트. (B) GSE115002 코호트. 농축 용어에는 생물학적 과정(BP), 세포 성분(CC), 분자 기능(MF), KEGG 경로가 포함됩니다. 상향 조절된 유전자는 증식, ECM 재형성, 종양 유발 신호 전달에 풍부해집니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-5
그림 5: B3GNT3, FERMT1, SPP1과 관련된 유전자 공동 발현 네트워크. (A) TCGA-LUAD 코호트. (B) GSE115002 코호트. 노드는 유전자를, 간선은 상관계수를 나타냅니다. 세 가지 주요 유전자는 ECM 재형성, 면역 조절, 세포골격 조직 유전자와 집결합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

figure-results-6
그림 6: 병리학적 T기, 병리적 N기, B3GNT3, FERMT1, SPP1 발현을 통합하여 LUAD에서 1년, 2년, 3년 전체 생존 예측을 위한 예후 노모그램. 각 변수마다 점수가 할당되며, 총 점수는 예측된 생존 확률에 해당합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

노모그램은 TCGA-LUAD 코호트를 기반으로 한 다변량 Cox 회귀분석을 사용하여 구성되었습니다. 예측 인자로는 병리적 T 단계, 병리적 N 단계, 그리고 B3GNT3, FERMT1, SPP1의 유전자 발현 상태(중간 발현에 따라 높은 /낮은 것으로 분류됨)가 포함됩니다. 각 환자에 대해 각 변수의 개별 점수를 합산하여 "총 점수" 값을 생성하는데, 이는 추정된 1년, 2년, 3년 전체 생존 확률에 해당합니다. 총점이 높을수록 사망 위험이 증가함을 의미합니다. 이 도구는 개별 생존 예측을 제공하며 LUAD 위험 계층화를 지원합니다. 머신러닝은 LUAD 예후^{와 치료에서} 다양한 세포사멸 패턴을 밝혀내는 데 사용되었으며^, 이는 노모그램 모델을 더욱 최적화할 수 있습니다.

이 연구는 통합 생물정보학 분석을 통해 LUAD에서 B3GNT3, FERMT1, SPP1을 강력한 진단 및 예후 바이오마커로 확인하였습니다. 세 유전자 모두 종양에서 일관되게 과발현되며, 종양과 정상 조직을 높은 정확도로 구별하고, 생존율이 낮으며, EMT, 기질 재형성, 면역 회피 관련 경로를 조절합니다. 통합 노모그램은 TNM 병기 분류를 넘어 위험 층화를 개선합니다. B3GNT3는 당화를 통해 PD-L1을 안정화하여 면역 회피를 촉진합니다 ^9,10. FERMT1은 인테그린 신호 전달과 세포 운동성을 증가시켜 침습과 전이를 촉진합니다^11,12. SPP1은 EMT, 혈관신생, M2 대식세포 분비 구동체 역할을 합니다 13,14,15. 이들은 침습성과 면역억제를 특징으로 하는 공격적인 LUAD 아형을 정의합니다.

이전 연구들은 LuAD에서 B3GNT3, FERMT1, 또는 SPP1의 개별 역할을 보고했습니다. 이 연구는 독립적인 전사체 코호트 간 통합 패널로서 이 세 연구를 모두 검증했으며, 진단 및 예후 성능이 TCGA와 GEO 데이터 모두에서 확인되었습니다. 최근 LUAD 바이오마커 연구는 면역 관련 유전자 서명이 예후 및 면역치료 지침을 위한 가치를 지지합니다. 통합 생물정보학과 머신러닝을 이용한 최근 연구들은 LUAD 진단과 예후를 위한 다중 유전자 서명을 확인했습니다^21,22. 이러한 접근법은 3유전자 패널과 유사하게 임상 층화에서 전사체 기반 바이오마커의 가치를 강조합니다.

세포외 기질 재구성은 공격적인 LUAD의 핵심 특징이며, ECM 관련 서명이 독립적인 예후 인자로 검증되었습니다. FERMT1과 SPP1이 국소 부착 및 ECM-수용체 상호작용과 밀접하게 연관되어 있다는 연구 결과는 LUAD 진행에서 매트릭스 재형성의 중요한 역할을 뒷받침합니다. 학제간 의학(IMed)^21,23에서 보고된 CHAF1B 및 유비퀴틴 관련 유전자 서명과 유사하게, 우리 세 유전자는 면역 침윤과 밀접하게 연관되어 있으며 예후 및 예측 지표 역할을 할 수 있습니다. LUAD 바이오마커를 식별하는 대체 전략으로는 단일 세포 RNA 시퀀싱, 공간 전사체학, 머신러닝 기반 특징 선택, 그리고 혈장 단백질체 프로파일링^24,25,26이 있습니다. 랜덤 포레스트나 LASSO와 같은 머신러닝 알고리즘은 바이오마커 선택을 더욱 정교하게 할 수 있습니다. qPCR, IHC, ELISA를 이용한 웻 랩 검증이 임상 번역 27,28,29,30을 확인하는 데 필수적입니다.

이 연구는 후견적 설계, 공개 전사체 데이터에 대한 의존, 외부 임상 검증 부족으로 인해 제한을 받고 있습니다. 노모그램 검증은 내부 부트스트랩 재샘플링에 한정되었습니다. 대량 전사체 데이터는 세포 수준의 발현을 해독할 수 없습니다. 기전적 인과성은 기능적 실험을 필요로 합니다. 면역 침투와의 상관관계는 계산적 디컨볼루션에 기반하므로 신중하게 해석해야 합니다. 향후 연구에서는 IHC, qPCR, 혈청 ELISA를 사용하여 전향적 코호트에서 이러한 바이오마커를 검증할 필요가 있습니다. 단세포 및 공간 전사체학은 세포 출처와 공간 분포를 명확히 할 것입니다. 면역치료와 표적 치료 반응의 예측 가치를 평가해야 합니다. B3GNT3, FERMT1, SPP1 의 치료적 표적화는 LUAD 치료에 새로운 전략을 제공할 수 있습니다.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

저자들은 상충하는 이해관계가 없다고 선언한다.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

이 연구는 푸젠 중의학대학교 부속 인민병원의 Yuhui Lin이 주도한 2024년 푸젠 중의학대학교 대학급 프로젝트(연구비 번호: XB2024012)의 지원을 받았습니다. 푸젠성 과학기술 혁신을 위한 공동 기금(보조금: 2025Y9530)은 진장 시립 병원(상하이 제6인민병원, 푸젠) 소팅 첸이 주도했습니다.

Materials

List of materials used in this article
Name	Company	Catalog Number	Comments
공개 데이터 세트	TCGA-LUAD 데이터셋	암 게놈 아틀라스(TCGA) 포털(https://portal.gdc.cancer.gov/); 535개의 LUAD 종양 샘플, 59개의 인접 정상 폐 조직 샘플(RNA 시퀀싱 수/FPKM 값 + 임상 데이터: 생존, TNM 병기 분류)	차별 발현, 생존 및 노모그램 분석을 위한 전사체 및 임상 데이터; 1차 연구 코호트
	GSE115002 데이터셋	유전자 발현 옴니버스(GEO) (https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE115002); 애질런트 마이크로어레이, 52개의 LUAD 종양 조직, 52개의 인접 정상 폐 조직 (치료-naï 원발성 종양)	차별 발현, 진단 성능 및 면역 침윤 분석에 대한 독립적 검증 코호트
생물정보학 소프트웨어 및 프로그래밍 환경	R 프로그래밍 언어	버전 4.1	모든 전사체, 통계 및 그래픽 분석을 위한 핵심 플랫폼
	R 패키지 (미분식)	DESeq2, limma	DESeq2: TCGA RNA-seq 원시 수치 차별 발현 분석; limma: GSE115002 마이크로어레이 정규화 및 차별 표현 분석 (Benjamini– 호흐버그 FDR 정정)
	R 패키지 (진단 분석)	pROC	ROC 곡선 구성, AUC 계산(95% CI), 최적 컷오프 결정(Youden' 진단 성과 평가를 위한 S 지수)
	R 패키지 (생존 분석)	생존, 생존자	카플란과 대쉬; 마이어 생존 곡선 생성, 로그 랭크 검정, 단변량/다변량 콕스 비례 위험 회귀(HR + 95% CI); 중앙 유전자 발현에 의한 환자 층화
	R 패키지 (기능적 풍부화)	clusterProfiler, fgsea	clusterProfiler: GO (BP/CC/MF) 및 KEGG 경로 풍부도 분석(조정 P & 0.05); fgsea: MSigDB Hallmark/KEGG 유전자 세트(FDR & 0.25)를 위한 GSEA
	R 패키지 (노모그램 구성 및 검증)	RMS	예후 노모그램(유전자 발현 + TNM 단계 통합) 개발; 해럴' s C-지수 계산, 편향 보정을 위한 부트스트랩 재샘플링(1000회 반복), 보정 플롯 생성
	R 패키지 (통계 및 시각화)	ggplot2, ComplexHeatmap, corrplot	화산 플롯, 버블 플롯(농축), 히트맵(면역 침투 상관관계), 산란도(유전자 공동 발현) 생성; 피어슨/스피어먼 상관 분석
생물정보학 데이터베이스 및 도구(네트워크/면역 분석)	STRING 데이터베이스	자신감 점수 > 0.7	단백질 및 ndash 구성; B3GNT3/FERMT1/SPP1 및 1차 상호작용자에 대한 단백질 상호작용(PPI) 네트워크
	사이토스케이프	-	PPI 및 유전자 공동발현 네트워크의 시각화(상관강도에 의한 엣지 가중치, 허브 유전자 식별)
	면역 디컨볼루션 알고리즘	시버소트	LUAD 샘플 내 면역세포 침윤 풍부도(M2 대식세포, CD8⁺ T 세포, 호중구, NK 세포 등) 추정; 후보 유전자 발현과의 상관관계
기타 도구	마이크로소프트 오피스/LaTeX	-	원고 준비, 도면 조립, 표 형식 작성; 통계 결과 집계

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

인간 전사체 데이터의 통합 생물정보학 분석은 폐선암에서 세 가지 주요 진단 및 예후 바이오마커를 규명합니다

In This Article

Summary

Abstract

Introduction

Protocol

Results

Discussion

Disclosures

Acknowledgements

Materials

Reprints and Permissions

Tags

Related Articles