COPD 관련 PANopsosis 유전자는 폐편평세포암에서 예후와 화학요법 민감도를 예측합니다

요약

본 연구는 공개된 전사체 데이터를 통해 COPD 관련 PANopsosis 유전자 집합을 도출하여 폐 편평세포암 코호트에 적용하여 예후 서명을 개발하여 사후적으로 평가합니다. 이 서명은 면역 침윤과 약물 민감도를 계산적으로 예측하는 것과 연관되어 향후 위험층화 연구를 위한 가설 생성 후보 바이오마커를 제공했습니다.

초록

만성 폐쇄성 폐질환(COPD)은 폐 편평세포암(LUSC) 위험을 높이는 진행성 염증성 질환입니다. PAN옵토시스는 피로토시스, 아폽토시스, 네크토시스를 통합하지만, COPD 관련 PAN옵토시스 유전자와 LUSC 예후 간의 관계는 명확하지 않습니다. 본 연구에서는 COPD 관련 차별 발현 유전자를 GSE57148에서 먼저 추출하였으며, COPD 폐 조직과 정상 폐 조직을 비교하고, 이 유전자들을 엄선된 PANopsosis 관련 유전자 목록과 교차시켰습니다. 결과된 유전자 집합은 TCGA-LUSC, GSE30219, GSE37745에 적용되어 확인된 환자 수준의 COPD 동반 질환 주석 없이 LUSC 코호트로 분석되었습니다. 우리는 PANoptosis 유전자 발현 패턴을 평가하고, 감독 없는 군집 분석을 수행했으며, 군집 간 면역 침윤 차이를 특성화하고, 외부 검증을 통해 예후 서명을 구축하였습니다. 조직 유형에 따라 발현이 차별화된 38개의 COPD 관련 PANopsosis 유전자를 확인하였습니다. 두 가지 분자 아형은 뚜렷한 면역 지형, 면역 체크포인트 발현, 그리고 전체 생존율을 보였습니다. 단변량 Cox 및 LASSO Cox 회귀분석을 통해 선정된 12유전자 위험 모델은 환자를 고위험군과 저위험군으로 층화하였으며, TCGA-LUSC, GSE30219, GSE37745 코호트에서 중간에서 중간도의 예측 성과를 보였습니다. 고위험 환자들은 여러 약물에 대해 더 높은 계산 예측 IC50 값을 보였으며, 이는 실험적으로 확인된 화학요법 내성이 아닌 낮은 예측 약물 민감도를 시사합니다. 이 결과는 COPD 관련 PANopsosis 유전자가 LUSC에서 예후, 면역 미세환경 재형성, 약물 민감성 예측과 연관되어 있으며, 향후 검증을 위한 가설 생성 바이오마커를 제공할 수 있음을 시사합니다.

서론

폐 편평세포암(LUSC)은 비소세포폐암(NSCLC)의 아형으로, 폐 내 편평세포가 비정상적으로 증식하는 것이 특징입니다. 수술, 백금 기반 화학요법, 면역치료, 방사선 치료 및 선택된 분자 유도 전략의 발전에도 불구하고, 특히 말기 질환 환자들 사이에서 LUSC의 전반적인 완치율은 여전히 낮습니다 ^1,2. 종양의 이질성과 다중 내성 기전 때문에 치료 효과 최적화는 여전히 어렵습니다 ^3,4.

프로그램된 세포사(PCD)는 조직의 항상성과 전반적인 건강 유지에 매우 중요합니다. PANopsosis는 열사, 세포자사멸사, 그리고^괴사의 특징을 통합한 특정한 염증성 세포사사 프로그램^입니다. PANoptosome 복합체는 흑색종에 부재한 2(AIM2), Z-DNA 결합 단백질 1(ZBP1), 수용체 상호작용 세린/트레오닌 단백질 키나아제 1(RIPK1)과 같은 상류 감지 및 신호 분자로 구성되어 있으며, 이들은 특정 자극을 감지하고 PANoptosome 조립을 촉진하며 다중 PCD 경로를 활성화할 수 있습니다⁸.

미토겐 활성화 단백질 키나아제(MAPK) 경로 활성을 포함한 변화된 종양 신호전달은 LUSC 이질성과 치료 저항성에 기여합니다⁹. 그러나 LUSC에 대한 표적 치료 옵션은 폐선암에 비해 제한적이며, 많은 환자들이 여전히 화학요법, 면역치료, 방사선 치료 또는 복합 요법을 받고 있습니다¹⁰. 조절된 세포 사절의 회피가 치료 내성의 한 메커니즘이기 때문에, PANoptosis 관련 경로에 대한 조정된 분석은 LUSC¹¹의 치료 취약성에 관한 가설 수립에 도움이 될 수 있습니다.

후천성 내성이 LUSC에서 치료 실패의 주요 원인입니다. 이 내성은 유전자 돌연변이, 경로 이상, 세포 사멸 신호 전달 변화, 종양 미세환경 변화와 연관될 수 있습니다¹². 연구에 따르면 세포자멸사가 많은 항암제의 효능에 기여한다는 것이 밝혀졌습니다¹³. 따라서 세포자멸사, 열사혈증, 부사병에 관여하는 유전자는 치료 반응과 관련된 세포사멸 조절 상태를 표시할 수 있습니다. 그러나 본 연구는 계산 중심이며 이 유전자들이 PANopsosis^{14, 15, 16}에 대한 내성을 직접 검사하지는 않습니다.

본 연구에서는 PAN옵토시스 관련 유전자를 'PAN옵토시스-유전자'라는 개념으로 사용하여 apoptosis-, pyroptosis-, necroptosis-, 그리고 PANoptosis 관련 문헌 17,18,19,20,21에서 선별한 유전자를 설명한다. 이 용어는 COPD 관련 LUSC에서 실험적으로 입증된 내성 기능보다는 경로 연관성을 의미합니다. COPD 관련 전사체 변화를 이 PANopsosis 유전자 세트와 통합함으로써, 공개 LUSC 코호트에서 예후, 면역 특징, 약물 민감성 예측과 관련된 후보 유전자와 발현 패턴을 규명하는 것을 목표로 했습니다.

만성 폐쇄성 폐질환(COPD)은 기도 폐색과 폐 기능 저하를 특징으로 하는 만성 폐 질환으로, LUSC²²의 중요한 위험 인자입니다. COPD 환자의 폐 내 만성 염증 환경은 암 발생에 유리한 조건을 제공할 수 있습니다^23,24. COPD는 호흡 기능 장애가 치료 선택을 제한할 수 있기 때문에 치료 선택과 내약성에도 영향을 미칠 수 있습니다^25–27. 또한, COPD 관련 염증은 종양 면역 미세환경을 변화시키고 면역 치료에 대한 반응에 영향을 줄 수 있습니다^28–30. 본 연구는 임상적으로 확진된 COPD 동반 LUSC 사례를 직접 분석하지 않았으며; 대신 비악성 COPD 폐 조직에서 COPD 관련 유전자 서명을 도출하고, 공개 LUSC 코호트에서 예후 및 면역 연관성을 평가했습니다.

프로토콜

이 연구는 공개적으로 이용 가능한 식별 해제된 데이터셋만을 사용했으며, 직접적인 인간 또는 동물 실험은 포함하지 않았습니다; 따라서 추가적인 윤리위원회의 승인과 사전 동의는 필요하지 않았습니다.

데이터 다운로드 및 처리
폐편평세포암(LUSC)에 대한 RNA 시퀀싱 데이터와 관련 임상 정보는 TCGA-LUSC 프로젝트의 Genomic Data Commons 데이터 포털을 통해 암 게놈 지도(TCGA) 데이터베이스에서 획득되었습니다. 본 연구에서 사용된 TCGA-LUSC 표현 행렬은 FPKM 값을 기반으로 하였습니다. 유전자 발현 값은 후속 분석 전에 변환 및 정규화되었습니다. 임상 변수로는 연령, 성별, 종양 병기, 병리학적 TNM 병기, 등급, 생존 기간, 생존 상태 등이 포함되었습니다. 총 489건의 TCGA-LUSC 사례가 처음에 검색되었고, 완전한 발현 프로필과 전체 생존 정보를 가진 381명의 환자가 예후 모델 구축 및 내부 평가에 포함되었습니다.

독립적인 검증 데이터셋은 2026년 1월 3일 유전자 발현 옴니버스(GEO) 데이터베이스에서 다운로드되었습니다. GSE30219 GPL570 플랫폼을 기반으로 하며, 발현 및 전체 생존 정보를 가진 307명의 LUSC 환자를 포함하였습니다. GSE37745 또한 GPL570 플랫폼을 기반으로 했으며, 발현 및 전체 생존 정보를 가진 196명의 LUSC 환자를 포함했습니다. GSE57148 GPL11154 플랫폼을 기반으로 하며, 만성 폐쇄성 폐질환(COPD) 환자 91개의 정상 폐 조직과 98개의 폐 조직을 포함해 총 189개의 샘플을 포함했습니다. GSE57148는 COPD 관련 차별발현 유전자를 식별하는 데 사용되었고, GSE30219와 GSE37745는 독립적인 외부 검증 코호트로 사용되었습니다.

GEO 데이터셋의 경우, 프로브 주석은 해당 R 주석 패키지와 플랫폼 주석 파일을 사용하여 수행되었습니다. 프로브 식별자는 공식 유전자 기호로 변환되었습니다. 여러 프로브가 동일한 유전자에 매핑되었을 때, 평균 발현 값이 가장 높은 프로브가 그 유전자를 대표하도록 유지되었습니다. 유전자-기호 매칭 후 검증 데이터셋에서 누락된 모델 유전자는 발견되지 않았습니다. TCGA-LUSC, GSE30219, GSE37745는 이 분석에 사용된 주석에서 환자 수준의 COPD 동반 질환 상태가 확인되지 않아 일반 LUSC 코호트로 분석되었습니다.

TCGA와 GEO 데이터셋이 서로 다른 표현 플랫폼을 사용해 생성되었기 때문에, 모델 적용 전에 표준 R 기반 전처리 방법으로 크로스 플랫폼 정규화 및 배치 효과 보정이 수행되었습니다. 위험 모델은 TCGA-LUSC 코호트에서 훈련된 후, 모든 코호트를 직접 병합하는 대신 각 외부 GEO 코호트에서 독립적으로 평가되었습니다. 차별표현 분석은 limma R 패키지를 사용하여 수행되었습니다. GSE57148에서 COPD 관련 차별 발현 유전자는 |log2FC| > 0.263, P < 0.05. 이 log2FC 임계값은 약 1.2배 변화에 해당하며, 잠재적으로 관련 PANopsosis 관련 유전자를 유지하기 위한 탐색적 선별 기준으로 사용되었습니다. 총 277개의 PAN옵토시스 관련 유전자가 이전에 발표된 아포토토시스, 파이로토시스, 네크로토시스, PAN옵토시스 관련 연구에서 선별되었으며, 보충표 1에 제공되어 있습니다.

유전자의 기능 풍부 분석
선택된 COPD 관련 PANopsosis 유전자의 기능적 함의를 명확히 하기 위해, clusterProfiler R 패키지와 조직을 사용하여 유전자 온톨로지(GO)와 교토 유전자 및 유전체 백과사전(KEGG) 풍부화 분석이 수행되었습니다. Hs.eg.db 주석 패키지. GO의 생물학적 과정, 세포 구성 요소, 분자 기능 범주가 평가되었습니다. KEGG 경로 풍부화 분석을 수행하여 선택된 유전자와 관련된 신호 전달 경로를 규명하였습니다. P 값은 적용 가능한 경우 Benjamini-Hochberg 거짓 발견률 방법을 사용하여 여러 차례 검사를 위해 조정되었습니다. 이 탐색적 분석에서는 P< 0.05의 농축 항이 통계적으로 유의미하게 고려되었습니다. 풍부 플롯은 ggplot2를 사용하여 생성되었습니다.

PANopsosis 관련 유전자 발현 패턴의 비지도 클러스터링 분석
LUSC에서 PANopsosis 관련 유전자 발현과 관련된 분자 이질성을 탐구하기 위해 ConsensusClusterPlus R 패키지를 사용하여 합의 군집화가 수행되었습니다. LUSC 샘플은 생존 관련 PANopsosis 유전자의 발현 프로필에 따라 군집화되었습니다. 계층적 군집화는 피어슨 상관거리를 적용하여 적용되었습니다. 최대 클러스터 수는 6개로 설정되었고, 클러스터링의 견고성을 평가하기 위해 1,000회의 재샘플링 반복이 수행되었습니다. 최적의 군집 수는 합의 행렬, 누적 분포 함수 곡선, 델타 면적 플롯, 그리고 결과 그룹의 생물학적 해석 가능성을 평가하여 결정되었습니다. 이 기준에 따라 k = 2가 선정되어 후속 분석을 수행하였습니다. 두 분자군 간 생존 차이는 Kaplan-Meier 분석과 로그 랭크 검정을 통해 평가하였다.

아형별 면역 미세환경 차이 분석
분자 하위 유형 간 면역 미세환경 특징을 비교하기 위해, LM22 백혈구 서명 기초를 이용한 CIBERSORT 디컨볼루션 알고리즘을 사용해 면역 세포 침투를 추정하였습니다. 분석은 e1071과 preprocessCore 패키지를 사용하여 R에서 수행되었습니다. 디컨볼루션 추정치의 신뢰성을 평가하기 위해 CIBERSORT 순열 P 값이 기록되었습니다. 이 연구는 탐색적이고 후고적 전사체 데이터에 기반했기 때문에, 면역세포 간 차이는 직접적인 세포 측정보다는 계산적으로 추론된 면역-침윤 패턴으로 해석되었습니다.

ESTIMATE 알고리즘을 사용하여 각 종양 샘플에 대해 기질 점수, 면역 점수, ESTIMATE 점수 및 종양 순도를 계산하였습니다. GSVA는 선택된 유전자 집합을 기반으로 경로 수준 풍부도 점수를 추정하는 데 적용되었습니다. 면역세포 분획, 면역 체크포인트 유전자, HLA 가족 유전자, ESTIMATE 유출 점수의 그룹 간 차이를 비모수 검정을 사용하여 평가하였다. 다중 면역 관련 비교의 경우, 적절한 경우 벤자미니-호흐버그 보정이 적용되었습니다; 명목 P 값을 사용한 분석은 탐색적 분석으로 해석되었습니다. Spearman 순위 상관관계 분석을 사용하여 유전자 발현과 면역 관련 마커 간의 연관성을 평가했으며, 해당 시 상관계수와 P 값이 모두 보고되었습니다. HLA 전사체 차이는 항원 제시 능력 향상의 직접적인 기능적 증거보다는 항원 제시 관련 전사 변화로 해석되었습니다.

PANopsosis 관련 유전자와 관련된 예후 서명 확립
완전한 발현 프로필과 전체 생존 정보를 갖춘 TCGA-LUSC 코호트를 예후 모델 구축에 사용하였습니다. 처음 채취된 489건의 TCGA-LUSC 사례 중 381명이 전체 생존 데이터를 완전히 가진 환자가 예후 분석에 포함되었습니다. 이 환자들은 7:3 비율로 무작위로 훈련 코호트와 내부 검사 코호트로 나뉘었습니다. 생존 상태에 따라 계층화된 무작위 배분을 수행하여 훈련 코호트와 시험 코호트 간 생존 사건의 비교 가능한 분포를 유지하였다.

훈련 코호트에서는 단변량 Cox 비례 위험 회귀분석을 처음으로 사용하여 각 후보 PANoptosis 관련 유전자와 전체 생존율 간의 연관성을 평가하였습니다. P < 0.05 유전자는 후보 예후 유전자로 간주되어 glmnet R 패키지를 사용하여 LASSO Cox 회귀분석에 입력되었습니다. 최적 페널티 매개변수를 선택하고 과적합을 줄이기 위해 10배 교차 검증을 사용하였습니다. LASSO 콕스 회귀 계수와 이에 대응하는 정규화된 유전자 발현 값을 기반으로 각 환자별로 개별 위험 점수가 다음과 같은 공식으로 계산되었습니다:

위험 점수 = Σ(coefi × Xi)

여기서 coefi는 선택된 각 유전자의 회귀 계수를, Xi는 해당 유전자의 정규화된 발현 값을 나타냅니다. 최종 예후 모델에는 GSDMD, IL18, NFKBIA, PIK3CA, IL1B, BIRC3, MCL1, PSMB10, LMNA, CFLAR, IL1R1, AKT3 등 12개의 유전자가 포함되었습니다. 완전한 계수 기반 위험 점수 방정식은 보충 표 2에 제공되어 있습니다.

훈련 코호트의 중간 위험 점수를 기준으로 사용하여 환자를 고위험군과 저위험군으로 분류하였습니다. 동일한 위험 점수 공식이 내부 테스트 코호트와 외부 검증 코호트 GSE30219 및 GSE37745에도 적용되었습니다. Kaplan-Meier 생존 분석, 로그 랭크 검정, 시간 의존 수신자 작동 특성 곡선 분석을 통해 모델 성능을 평가하였습니다. 검증 데이터셋이 마이크로어레이 플랫폼을 사용해 생성되었고 COPD 동반 질환 확인 주석이 없었기 때문에, 외부 검증은 임상적으로 확진된 COPD 동반 질환 LUSC 환자에 대한 검증이 아니라 독립적인 LUSC 코호트에서의 후견적 평가로 해석되었습니다.

약물 민감성 예측 분석
약물 민감도는 pRRophetic R 패키지를 사용하여 추정되었으며, 이 패키지는 암 약물 민감성 유전체 데이터베이스의 약물유전체 참조 데이터를 기반으로 종양 유전자 발현 프로필에서 약물 반응을 예측합니다. 각 환자 샘플에 대해 예측된 최대 절반 최대 억제 농도(IC50) 값을 계산하였다. 표현 행렬은 pRRophetic 입력 요구사항에 따라 처리되었고, 배치 효과 보정은 표준 pRRophetic 호환 워크플로우를 사용하여 수행되었습니다. 예측된 IC50 값은 pRRophetic 출력 척도로 보고되었습니다.

소라페닙, 게피티닙, 블레오마이신, 보수티닙, 에토포사이드, 레날리도마이드, 캄프토테신, 메토트렉세이트 등 8가지 후보 약물이 탐색적 약물 감수성 패널로 평가되었습니다. 고위험군과 저위험군 간 예측 IC50 값의 차이는 Wilcoxon 랭크합 검정을 사용하여 비교하였습니다. 이 결과는 임상 화학요법 반응이나 실험적으로 확인된 약물 내성보다는 계산적 약물 민감도 추정치로 해석되었습니다.

통계 분석
모든 통계 분석은 R 소프트웨어를 사용하여 수행되었습니다. 두 그룹 간의 연속 변수는 윌콕슨 랭크합 검정을 사용해 비교했으며, 두 그룹 이상의 비교는 적절할 경우 크루스칼-월리스 검정을 사용했습니다. 전체 생존 기간이 주요 생존 종말점으로 정의되었습니다. 카플란-마이어 생존 곡선을 생성하여 그룹 간 생존 차이를 비교하고, 통계적 유의성은 로그 랭크 검정을 사용하여 평가하였다. 단변량과 다변량

Cox 비례 위험 회귀분석을 사용하여 임상 변수, 위험군, 전체 생존 기간 간의 예후 연관성을 평가하였습니다. 다변량 콕스 회귀분석에서는 임상적 관련성 또는 통계적 유의성이 있는 변수를 고려하였다. 비례 위험 가정은 쇤펠드 잔차를 사용하여 평가하였다. 누락된 임상 변수는 Cox 회귀 및 노모그램 구성에 대해 완전 사례 분석을 통해 처리하였다. 다변량 모델링 전에 임상 변수 간 공선성을 평가하였다.

시간 의존적 ROC 곡선을 사용하여 1년, 3년, 5년 전체 생존 기간의 위험 모델 예측 성능을 평가하였다. 노모그램은 다변량 모델에 저장된 변수 또는 임상적 가용성이 충분한 변수를 사용하여 구성되었습니다. 보정 플롯을 사용하여 예측된 생존 확률과 관찰된 생존 확률을 비교하였다. 결정곡선 분석은 선택된 임계값 확률 전반에 걸쳐 잠재적 순이익을 탐색적으로 평가하기 위해 수행되었습니다.

스피어먼 순위 상관관계 분석을 통해 유전자 발현과 면역 관련 특징 간의 연관성을 평가하였습니다. 상관계수와 P 값이 해당되는 경우 보고되었습니다. 다중 비교를 위해서는 적절한 경우 Benjamini-Hochberg 거짓 발견률 보정이 적용되었습니다. 명목상 P 값을 사용한 분석은 탐색적 분석으로 간주되었습니다. 양측 P 값 0.05< 통계적으로 유의한 것으로 간주되었습니다.

결과

LUSC에서 PANoptosis 관련 유전자의 발현 패턴 및 기능적 주석
정상 폐 조직 91개와 COPD 폐 조직 98개를 포함한 GSE57148의 전사체 데이터를 분석하여 COPD 관련 차별 발현 유전자를 규명하였습니다. 총 2,182개의 COPD 관련 유전자가 확인되었으며, 38개의 유전자가 엄선된 PANopsosis 관련 유전자 세트와 겹쳤습니다(그림 1A 및 1B). 이 38개 유전자의 염색체 분포는 그림 1C에 나타난다. 이후 TCGA-LUSC 종양과 정상 조직에서 발현 패턴을 평가했으며, 여러 유전자에서 종양과 정상 샘플 간에 유의미한 차별적 발현이 나타났습니다(그림 1D). 단백질-단백질 상호작용 분석을 통해 STAT3, NFKBIA...

토론

COPD와 LUSC는 염증, 흡연 관련 및 기도 손상 관련 병원성 과정을 공유하여 임상적·생물학적으로 연결되어 있습니다. 면역 체크포인트 억제제와 기타 전신 치료법이 LUSC의 치료 옵션을 개선했음에도 불구하고, 종양 이질성, 불완전한 바이오마커 층화, 치료 저항성 등으로 인해 많은 환자에게 지속적인 이점은 제한적입니다 31,32,33.

PANopsosis는 공유 신호 전달 기구를 통해 열세포사멸, 세포자멸사, 부사조직을 통합하여 세포사멸 조절을 해석하는 데 유용한 틀을^{제공합니다.} 본 연구에서는 COPD 관련 PANopsosis 유전자가 공개 LUSC 코호트에서 생존 이질성, 아형 층화, 면역 미세환경 특성과 연...

재료

```html

이 논문에 사용된 재료 목록

이름	회사	카탈로그 번호	댓글
AnnotationDbi R 패키지	Bioconductor	N/A	유전자 주석 및 식별자 변환에 사용됨. 출처: https://bioconductor.org/packages/AnnotationDbi/
caret R 패키지	CRAN	N/A	TCGA-LUSC 코호트의 재현 가능한 계층화된 무작위 분할을 학습 및 테스트 하위 집합으로 사용. 출처: https://cran.r-project.org/package=caret
CIBERSORT 알고리즘	CIBERSORT 리소스	N/A	LM22 시그니처 매트릭스를 사용한 면역 세포 분해에 사용됨. 접근 및 라이선스는 원본 리소스 제공자에 따라 다름. 출처: https://cibersortx.stanford.edu/
clusterProfiler R 패키지	Bioconductor	N/A	GO 및 KEGG 풍부화 분석에 사용됨. 출처: https://bioconductor.org/packages/clusterProfiler/
ConsensusClusterPlus R 패키지	Bioconductor	N/A	PANoptosis-관련 유전자 발현 패턴의 합의 클러스터링에 사용됨. 출처: https://bioconductor.org/packages/ConsensusClusterPlus/
e1071 R 패키지	CRAN	N/A	CIBERSORT 기반 분해 분석의 종속성으로 사용됨. 출처: https://cran.r-project.org/package=e1071
edgeR R 패키지	Bioconductor	N/A	카운트 기반 정규화가 필요할 때 RNA-seq 카운트 처리에 사용됨. 출처: https://bioconductor.org/packages/edgeR/
ESTIMATE R 패키지	MD Anderson Cancer Center / SourceForge	N/A	섬유질 점수, 면역 점수, ESTIMATE 점수 및 종양 순도를 계산하는 데 사용됨. 출처: https://sourceforge.net/projects/estimateproject/
Genomic Data Commons 데이터 포털	국립 암 연구소	TCGA-LUSC	TCGA-LUSC RNA-시퀀싱 데이터 및 임상 주석의 출처. 출처: https://portal.gdc.cancer.gov/
암 약물 민감성 게놈학 데이터베이스	GDSC 프로젝트	N/A	pRRophetic 호환 참조 데이터를 통해 사용된 약물 반응 참조 데이터 세트. 출처: https://www.cancerrxgene.org/
GEOquery R 패키지	Bioconductor	N/A	GEO Series Matrix 파일을 다운로드하고 구문 분석하는 데 사용됨. 출처: https://bioconductor.org/packages/GEOquery/
ggplot2 R 패키지	CRAN	N/A	시각화 및 그림 생성에 사용됨. 출처: https://cran.r-project.org/package=ggplot2
ggpubr R 패키지	CRAN	N/A	출판 스타일 플로팅 및 그룹 비교에 사용됨. 출처: https://cran.r-project.org/package=ggpubr
glmnet R 패키지	CRAN	N/A	LASSO Cox 회귀 및 예후 모델 구성에 사용됨. 출처: https://cran.r-project.org/package=glmnet
GSE30219 데이터 세트	NCBI 유전자 발현 오므니버스	GSE30219	발현 및 생존 정보를 가진 외부 LUSC 검증 코호트. 출처: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE30219
GSE37745 데이터 세트	NCBI 유전자 발현 오므니버스	GSE37745	발현 및 생존 정보를 가진 외부 LUSC 검증 코호트. 출처: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE37745
GSE57148 데이터 세트	NCBI 유전자 발현 오므니버스	GSE57148	COPD 관련 차등 발현 유전자를 유도하는 데 사용된 COPD 대 정상 폐 전사체 데이터 세트. 출처: https://www.ncbi.nlm.nih.gov/geo/query/acc.cgi?acc=GSE57148
limma R 패키지	Bioconductor	N/A	차등 발현 분석에 사용됨. 출처: https://bioconductor.org/packages/limma/
org.Hs.eg.db 주석 패키지	Bioconductor	N/A	풍부화 분석에서 인간 유전자 주석에 사용됨. 출처: https://bioconductor.org/packages/org.Hs.eg.db/
preprocessCore R 패키지	Bioconductor	N/A	발현 전처리 및 CIBERSORT 호환 워크플로에 사용됨. 출처: https://bioconductor.org/packages/preprocessCore/
pRRophetic R 패키지	CRAN	N/A	유전자 발현 데이터에서 약물 IC50 값의 탐색적 예측에 사용됨. 출처: https://cran.r-project.org/package=pRRophetic
R 소프트웨어	통계 컴퓨팅을 위한 R 재단	버전 4.1.0	모든 통계 분석 및 그림 생성에 사용됨. 출처: https://www.r-project.org/
STRINGdb R 패키지	Bioconductor