이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

연구 논문

진단 바이오마커로서의 UPP1: COPD의 통합 생물정보학 및 면역 침윤 분석을 통한 통찰

98 조회수

⸱

DOI:

10.3791/72242

⸱

2026년 9월 3일

 ,  ,  ,  ,  ,  , 
1Shenzhen Luohu Hospital of Traditional Chinese Medicine, 2Tianbei Community Health Service Center of Shenzhen Luohu Hospital Group, 3Guangdong Provincial Hospital of Chinese Medicine

* These authors contributed equally

이 논문에서

요약

본 연구는 만성 폐쇄성 폐질환(COPD)의 잠재적 진단 바이오마커와 조절 네트워크를 식별하기 위해 전사체학, 머신러닝 및 면역 침윤 분석을 통합한 재현 가능한 생물정보학 파이프라인을 제시합니다.

초록

COPD는 지속적인 기류 제한과 만성 염증을 특징으로 하는 진행성 호흡기 질환이지만, 그 발병 기전에서 N4-acetylcytidine (ac4C) RNA 수식의 역할은 여전히 상당 부분 규명되지 않은 상태입니다. 본 연구는 공개된 데이터베이스로부터 ac4C 관련 유전자(ac4C-RGs)를 체계적으로 스크리닝하고 COPD에서의 조절 네트워크를 조사함으로써, 특정 유전자와 ac4C 수식 간의 직접적인 조절 관계를 가정하지 않고 추가적인 기전 연구를 위한 잠재적 바이오마커를 식별하는 것을 목표로 하였습니다. 전사체 프로파일링을 통해 차등 발현 유전자(DEGs)를 식별하였으며, 가중 유전자 공발현 네트워크 분석(WGCNA)을 적용하여 핵심 공발현 모듈을 찾아냈습니다. DEGs, 유의미한 모듈 및 ac4C-RGs 간의 교차 분석을 수행하였습니다. 핵심 유전자는 LASSO 회귀, XGBoost 및 랜덤 포레스트 알고리즘을 사용하여 스크리닝하였으며, 이어서 로지스틱 회귀 기반의 진단 모델을 구축하였습니다. 모델 성능은 수신자 조작 특성(ROC) 곡선 분석, 95% 신뢰 구간을 포함한 곡선 아래 면적(AUC), 보정 곡선 평가 및 결정 곡선 분석(DCA)을 통해 평가되었습니다. 총 160개의 중복 유전자가 식별되었으며, 6개의 허브 유전자(PTRF, PRKCDBP, UPP1, TOR3A, FAM168B, B4GALT2)가 세 가지 머신러닝 알고리즘 모두에 의해 일관되게 선택되었습니다. 진단 모델은 훈련 세트, 내부 테스트 세트, 외부 검증 세트에서 각각 0.766, 0.759, 0.723의 AUC를 나타내며 우수한 판별 성능을 보였습니다. 조절 네트워크 분석을 통해 잠재적인 ceRNA 축과 전사 인자 상호작용을 제시하였으며, 면역 침윤 프로파일링을 통해 핵심 유전자와 여러 면역 세포 서브셋 간의 유의미한 상관관계를 확인하였습니다. 약물-유전자 상호작용 분석 및 분자 도킹 결과, fluorouracil, capecitabine 및 5-benzylacyclouridine이 UPP1과 양호한 예측 결합 친화도를 보일 수 있음을 나타냈습니다. 결론적으로, PTRF, PRKCDBP, UPP1, TOR3A, FAM168B 및 B4GALT2가 COPD의 잠재적인 ac4C 관련 바이오마커로 식별되었으며, 이들은 면역 및 대사 조절에 관여할 가능성이 있어 향후 기능적 연구 및 치료적 탐색을 위한 기초를 제공합니다.

서론

COPD는 폐포 및 기도 구조의 이상으로 인해 진행성 기류 제한이 나타나는 만성적이고 이질적인 호흡기 질환입니다1,2. 프로테아제-항프로테아제 불균형, 산화 스트레스, 만성 염증 및 세포 노화는 COPD의 핵심 병태생리학적 기전을 구성하며, 이는 폐 조직의 구조적 파괴와 기능적 손상으로 이어집니다3,4. 또한, COPD는 장기 흡연, 환경 오염, 직업적 노출, 호흡기 감염 및 유전적 감수성을 포함한 여러 위험 요인의 영향을 받습니다5,6. COPD는 세계 경제에 상당한 부담을 초래해 왔으며, 2020년부터 2050년까지 매년 전 세계 GDP의 0.111%를 차지할 것으로 예측됩니다7. 기관지 확장제, 흡입성 코르티코스테로이드, 폐 재활 및 장기 산소 요법과 같은 현재의 치료 전략으로 증상을 완화할 수는 있지만, 질병의 진행을 중단시키는 것은 여전히 어려운 과제입니다. 뚜렷한 임상적 이질성으로 인해 환자의 예후는 매우 다양하게 나타납니다8. 따라서 COPD 관리를 강화하고 환자의 생존율을 높이기 위해 새로운 진단 바이오마커와 예후 지표가 시급히 필요합니다.

RNA 변형은 RNA 분자의 화학적 변화를 의미하며, 이는 RNA의 구조와 기능을 변화시켜 유전자 발현을 조절할 수 있습니다.9,10일반적인 RNA 수식에는 N6-메틸아데노신(m6A), 슈도유리딘(Ψ), 5-메틸시토신 (m5C) 및 ac4C11ac4C 수식은 mRNA 안정성을 유지하고 mRNA 번역을 촉진하는 데 중요한 역할을 합니다.12,13NAT10은 ac4C 수식을 촉매하는 것으로 알려진 유일한 진핵생물 효소이며, 그 활성은 이 수식의 형성에 필수적입니다.14연구들에 따르면 산화적 스트레스, 세포 노화, 염증 및 ac4C 수식 사이에 강한 상관관계가 있음이 밝혀졌습니다. 예를 들어, 염증성 장질환(IBD) 환자의 결장 조직 내 CD4+ T 림프구에서는 NAT10 수치가 현저히 상승되어 나타납니다.15NAT10은 케모카인 CCL2 및 CXCL1의 ac4C 아세틸화를 강화하여 대식세포와 호중구의 침윤을 촉진하고 염증성 손상을 악화시킨다16산화적 스트레스에 대한 세포 반응에는 ac4C 수식(modification)이 관여할 수 있으며, 이는 산화적 스트레스 하에서 ac4C 수준이 현저히 증가한다는 점에서 입증됩니다. 또한, NAT10은 PM을 촉진하며2.5ac4C 수식을 통해 TGFB1 mRNA를 안정화함으로써 상피-간엽 이행을 유발하여 유도된 폐섬유화증17그러나 COPD에서 ac4C 수식의 역할은 여전히 상당 부분 밝혀지지 않았으며, 이는 해당 분야의 추가적인 연구 필요성을 강조합니다.

본 연구에서는 COPD 환자와 대조군 사이의 DEG를 식별하기 위해 GEO 데이터베이스를 활용하였습니다. 그 다음, 멀티오믹스 데이터18로부터 수집되어 발표된 ac4C-RG 목록을 DEG와 통합하여 중첩되는 후보 유전자를 식별하였습니다. ac4C 수식화가 COPD의 핵심 과정인 염증 및 산화 스트레스에 영향을 미치는 것으로 알려져 있으므로, ac4C 조절 네트워크와 연관된 유전자들이 COPD에서 비정상적으로 조절될 것이라고 가설을 세웠습니다. 다만, 중첩된 유전자들을 NAT10의 직접적인 기질이나 ac4C에 의해 직접 조절되는 유전자로 간주한 것이 아니라, ac4C 관련 네트워크와 연관된 후보군으로 간주하였습니다. 여러 머신러닝 알고리즘을 사용하여 핵심 유전자를 스크리닝한 후, 진단 모델을 구축하고 검증하였습니다. 이어서 COPD 병생리에 관여하는 관련 경로를 결정하고, 잠재적인 표적 약물을 예측하였습니다. 마지막으로, RT-qPCR 분석을 수행하여 핵심 유전자의 발현 수준을 확인함으로써 COPD 병태생리에 대한 기초적인 통찰을 얻고 치료적 탐색을 위한 잠재적 방안을 제시하였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

기관생명윤리위원회 성명서

본 연구는 헬싱키 선언을 준수하여 수행되었습니다. 연구 프로토콜은 심천 루허 중의병원 윤리위원회(승인 번호 2024-LHQZYYYXLL-KY-039)의 승인을 받았으며, 등록 전 모든 참여자로부터 서면 동의서를 얻었습니다. 본 프로토콜에 사용된 연구 도구 및 재료의 상세 내용은 재료 표에 제공되어 있습니다.

데이터 소스 및 처리

COPD 관련 유전자 발현 데이터셋을 Gene Expression Omnibus (GEO)에서 확보하였다. GSE54837 데이터셋을 전사체 데이터셋으로 사용하였으며, GSE112811 데이터셋을 검증 세트로 활용하였다(표 1). ac4C-RG는 기존 문헌18에서 수집하였다. COPD 그룹과 대조군 사이의 DEG는 R 패키지 limma를 사용하여 식별하였다. |log2FC| > 0 및 p < 0.05인 경우 DEG가 통계적으로 유의미한 것으로 간주하였다. 유전자 발현 변화의 전반적인 분포를 시각화하기 위해 화산 플롯(Volcano plot)을 생성하였다.

WGCNA 구축

COPD 관련 모듈을 식별하기 위해 R을 사용하여 GSE54837 데이터셋에 대해 WGCNA를 수행하였습니다. 네트워크 구축에 앞서, average linkage 방법과 Euclidean 거리 측정법을 적용한 hclust 함수 기반의 계층적 군집 분석을 통해 이상치 샘플을 식별하고 제거하였습니다. 최적의 soft-thresholding power(β 척도 없는 위상 적합 지수 R = 10)을 달성하기 위해 선택되었다.2 ≥ 0.85로 설정하여 척도 없는 위상(scale-free topology)과 평균 연결성을 조율하였다. 인접 행렬(adjacency matrix)을 구축한 후 이를 위상학적 중첩 행렬(topological overlap matrix, TOM)로 변환하였다. 동적 트리 절단 알고리즘(dynamic tree-cutting algorithm, deepSplit = 2, minClusterSize = 50)을 사용하여 유전자 모듈을 식별하였다. 고유유전자(eigengene) 상관관계가 있는 모듈들은 > 0.75의 값으로 이후 mergeCloseModules 함수를 사용하여 병합하였다. 그 다음, Pearson 상관계수를 이용하여 모듈 고유유전자(eigengenes)와 임상적 특성(COPD 상태, 연령, 성별, 흡연 상태) 간의 상관관계를 분석함으로써, 후속 분석을 위한 COPD 관련 모듈을 식별하였다.

중첩 유전자의 스크리닝, 농축 분석 및 PPI 네트워크 분석

DEGs, MEsalmon 모듈 유전자 및 ac4C-RGs 간에 중복되는 유전자를 식별하기 위해 R 패키지 ggvenn을 사용하여 벤 다이어그램을 생성하였습니다. 중복 유전자의 기능적 풍부도 분석은 R 패키지 clusterProfiler를 사용하여 Gene Ontology (GO) 및 Kyoto Encyclopedia of Genes and Genomes (KEGG) 데이터베이스를 통해 수행하였습니다. 중복 유전자 간의 단백질 수준 상호작용을 분석하기 위해 STRING 데이터베이스(https://string-db.org/)에서 단백질-단백질 상호작용(PPI) 정보를 확보하였습니다. 결과로 도출된 PPI 네트워크를 시각화하기 위해 Cytoscape 소프트웨어를 사용하였습니다.

머신 러닝을 통한 핵심 유전자 식별

세 가지 머신러닝 기법인 최소 절대 수축 및 선택 연산자(LASSO) 회귀, 익스트림 그라디언트 부스팅(XGBoost), 랜덤 포레스트(RF)를 적용하였습니다. LASSO 회귀는 glmnet 패키지를 사용하여 구현하였으며, 최적의 페널티 매개변수 λ를 결정하기 위해 10-겹 교차 검증을 수행하였습니다. type.measure 매개변수는 "deviance"로, family 매개변수는 "binomial"로 설정하였습니다. 교차 검증된 deviance를 최소화하는 λmin 기준을 사용하여 최적의 λ를 선택하였으며, 이를 통해 17개의 유전자를 도출하였습니다. XGBoost는 xgboost 패키지를 사용하여 수행하였으며, 하이퍼파라미터는 nrounds = 100, max_depth = 6, eta = 0.3, subsample = 0.8, colsample_bytree = 0.8, eval_metric = "logloss"로 설정하였습니다. 특성 중요도는 gain 지표로 순위를 매겨 상위 30개 유전자를 선택하였습니다. 랜덤 포레스트는 randomForest 패키지를 사용하여 ntree = 200으로 구현하였습니다. 특성 중요도는 Gini 지수의 평균 감소량으로 순위를 매겨 상위 30개 유전자를 선택하였습니다. 세 가지 머신러닝 방법으로 선택된 유전자들의 교집합을 구해 후속 분석을 위한 핵심 유전자를 식별하였습니다.

위험 예측을 위한 로지스틱 회귀 모델 구축 및 평가

GSE54837 데이터셋을 훈련 세트(70%)와 테스트 세트(30%)로 무작위로 나누었습니다. 핵심 유전자의 발현 수준을 입력 특성으로 하여 MASS 패키지의 glm 함수를 이용해 훈련 세트에서 로지스틱 회귀 모델을 구축했습니다. 모델 성능은 pROC 패키지로 생성한 ROC 곡선을 사용하여 평가했습니다. AUC의 95% 신뢰 구간은 2,000회의 부트스트랩 반복을 통해 계산했습니다. 모델 보정은 1,000회의 부트스트랩 재표집(rms 패키지)으로 생성한 보정 곡선을 사용하여 평가했습니다. 다양한 임계 확률 범위에서 순 임상 이득을 평가하기 위해 dca 패키지를 사용하여 DCA를 수행했습니다. 개별화된 위험 추정을 용이하게 하기 위해 rms 패키지의 nomogram 함수를 사용하여 노모그램을 구축했습니다.

회귀 방정식은 다음과 같습니다:

logit(P) = 0.5823 + 0.6010 × UPP1 - 0.6563 × PTRF + 0.3853 × B4GALT2 - 0.3972 × FAM168B + 0.1848 × PRKCDBP - 0.4787 × TOR3A.   (1)

여기서 P는 COPD의 예측 확률을 나타내며, 각 계수는 해당 유전자 발현 값이 COPD의 로그 오즈(log odds)에 기여하는 정도를 나타냅니다.

발현 분석, GeneMANIA 네트워크 및 분자 조절 네트워크

GSE54837 데이터셋에서 COPD 그룹과 대조군 간의 유전자 발현 수준을 Wilcoxon rank-sum 검정을 사용하여 비교하였다. 발현 수준의 분포를 시각화하기 위해 ggplot2 패키지를 사용하여 박스 플롯을 생성하였으며, 중앙값, 사분위 범위(IQR) 및 개별 데이터 포인트를 겹쳐서 표시하였다. GeneMANIA를 사용하여 유전자 네트워크를 구축하고 기능적 상호작용을 예측하였다. 검색은 기본 파라미터(종 = Homo sapiens, 최대 관련 유전자 수 = 20)로 수행하였다. 생성된 네트워크를 다운로드하여 시각화하였으며, 엣지 색상으로 상호작용 유형을 나타냈다. 전사 후 조절 기전을 조사하기 위해 경쟁적 내인성 RNA(ceRNA) 네트워크를 구축하였다. 6개의 핵심 유전자를 표적으로 하는 miRNA를 DIANA-microT(점수 ≥ 0.8)와 miRanda(점수 ≥ 140, 에너지 ≤ −20 kcal/mol)라는 두 개의 독립적인 데이터베이스를 사용하여 예측하였다. 두 데이터베이스 모두에서 확인된 miRNA의 교집합을 사용하여 miRNA-mRNA 쌍을 구축하였다. 이어서, 이들 miRNA를 표적으로 하는 lncRNA를 StarBase 데이터베이스를 사용하여 예측하였다. lncRNA-miRNA-mRNA 조절 네트워크를 구축하고 Cytoscape를 사용하여 시각화하였다. 전사 조절 관계는 ChIP-X Enrichment Analysis Version 3 (ChEA3)를 사용하여 예측하였다. TF가 예측된 각 핵심 유전자에 대해 농축 점수가 가장 높은 상위 10개의 전사 인자를 선택하였다. TF-표적 조절 네트워크를 Cytoscape에서 구축하였다.

유전자 세트 농축 분석 및 면역 세포 침윤 평가

각 핵심 유전자의 생물학적 기능을 조사하기 위해 clusterProfiler 패키지를 사용하여 유전자 세트 풍부성 분석(GSEA)을 수행하였다. 각 핵심 유전자에 대해, 중앙값을 기준으로 샘플을 고발현 군과 저발현 군으로 나누었다. 두 군 간의 차별 발현 분석은 limma를 사용하여 수행하였으며, 도출된 유전자 목록을 signed log₂ fold-change 순으로 정렬하였다. GSEA는 GO 생물학적 프로세스 용어에 대해서는 gseGO 함수를, KEGG 경로에 대해서는 gseKEGG 함수를 사용하였으며, 파라미터는 minGSSize = 10, maxGSSize = 500, pvalueCutoff = 0.05, nPerm = 1,000으로 설정하였다. 28가지 면역 세포 유형의 상대적 풍부도는 GSVA 패키지에 구현된 단일 샘플 유전자 세트 풍부성 분석(ssGSEA)을 사용하여 추정하였다. 28가지 면역 세포 유형의 마커 유전자로 구성된 큐레이션된 유전자 세트 시그니처 행렬은 기존 문헌19에서 얻었다. 각 샘플에 대해 gsva 함수를 method = "ssgsea", ssgsea.norm = TRUE, kcdf = "Gaussian"으로 적용하였다. ssGSEA 풍부성 점수와 6가지 핵심 유전자의 발현 수준 사이의 Spearman 상관 계수는 cor.test 함수를 사용하여 계산하였다. p 값은 Benjamini-Hochberg 방법을 사용하여 다중 검정에 대해 보정하였다. 상관 행렬은 pheatmap 패키지를 사용하여 히트맵으로 시각화하였다.

약물 예측, 분자 도킹 및 질병 연관성 분석

DrugBank 데이터베이스를 사용하여 주요 유전자를 표적으로 하는 잠재적 치료 화합물을 식별하였습니다. 예측된 약물-유전자 상호작용을 시각화하기 위해 Cytoscape에서 "주요 유전자 표적 약물" 상호작용 네트워크를 구축하였습니다. 결합 친화도를 평가하기 위해 CB-Dock2 플랫폼을 사용하여 분자 도킹을 수행하였습니다. 인간 UPP1의 3D 단백질 구조는 Protein Data Bank(PDB ID: 7B8T)에서 검색하였습니다. 약물 분자 구조(SMILES 형식)는 PubChem에서 확보하였습니다. 도킹은 AutoDock Vina 엔진을 사용하여 수행되었으며, 결과물은 결합 자유 에너지(ΔG, kcal/mol 단위)에 따라 순위를 매겼습니다. 도킹 복합체는 PyMOL을 사용하여 시각화하였습니다. 주요 유전자와 환경 노출 관련 인간 질환 간의 연관성은 Comparative Toxicogenomics Database(CTD)를 사용하여 조사하였습니다. 각 유전자를 개별적으로 쿼리하여 가장 강력하게 연관된 상위 10개 질환을 추출하고 레이더 차트를 통해 시각화하였습니다.

RT-qPCR 프로토콜

심천 루허 중의병원을 통해 8명의 COPD 환자와 8명의 건강한 대조군으로부터 말초 정맥혈 샘플을 수집하였습니다. COPD는 기관지 확장제 투여 후 FEV1/FVC < 0.70으로 정의되는 만성 폐쇄성 폐질환 글로벌 전략(GOLD) 기준에 따라 진단되었습니다. 대조군은 호흡기 질환 병력이 없고 폐 기능 검사 결과가 정상(FEV1% 예측치 ≥ 80% 및 FEV1/FVC ≥ 0.70)인, 연령과 성별이 일치하는 건강한 지원자로 구성되었습니다. 환자의 기초 정보는 표 2에 나타나 있습니다. 혈액 RNA 추출 키트를 사용하여 COPD 혈액 샘플에서 총 RNA를 추출하였습니다. cDNA 합성을 위해, 제공된 프로토콜에 따라 게놈 DNA 제거 기능이 포함된 cDNA 합성 키트를 사용하여 500 ng의 총 RNA를 역전사하였습니다. 생성된 cDNA는 150 ng/μL로 희석하였습니다.

실시간 PCR 시스템에서 SYBR Green 기반 qPCR 마스터 믹스를 사용하여 RT-qPCR을 수행하였습니다. 각 10 μL 반응액에는 2x SYBR Green 마스터 믹스 5 μL, 정방향 및 역방향 프라이머(10 μM) 각각 0.5 μL, 희석된 cDNA(15 ng/μL) 1 μL, 그리고 nuclease-free water 3 μL가 포함되었습니다. 사이클 조건은 95 °C에서 5분간 초기 변성을 거친 후, 95 °C에서 10초, 60 °C에서 30초를 40회 반복하였으며, 증폭 특이성을 확인하기 위해 60 °C에서 95 °C까지 최종 멜팅 커브 분석을 수행하였습니다. 모든 반응은 기술적 3반복으로 진행되었습니다. 내부 참조 유전자로 β-actin을 사용하였습니다. 각 표적 유전자의 프라이머 효율은 표준 곡선 희석 시리즈를 통해 검증하였으며, 90%에서 110% 범위였습니다. 유전자 발현 수준은 β-actin으로 정규화하였으며, 상대적 발현량은 2-ΔΔCt법을 사용하여 계산하였습니다. COPD군과 대조군 간의 통계적 비교는 Mann-Whitney U 검정을 통해 수행하였습니다.

통계 분석

네트워크 시각화는 Cytoscape를 사용하여 생성하였으며, 통계 분석은 R 소프트웨어를 사용하여 수행하였습니다. 별도의 언급이 없는 한, 비정규 분포 데이터에는 Mann-Whitney U 검정을 사용하였고, 정규 분포 데이터의 두 그룹 간 비교에는 Student's t-검정을 사용하였습니다. p < 0.05인 값을 통계적으로 유의미한 것으로 간주하였습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

중첩 유전자 식별, 풍부도 분석 및 PPI 네트워크 구축

GSE54837 데이터셋에서 발현이 증가한 1,675개의 유전자와 발현이 감소한 1,696개의 유전자를 포함하여 총 3,371개의 차등 발현 유전자(DEG)가 확인되었다. 가장 유의미하게 발현이 증가하거나 감소한 상위 10개 유전자는 다음에서 확인할 수 있다. 그림 1AGSE54837 데이터의 계층적 군집 분석을 수행하였습니다 (부록 그림 1A), 그리고 척도 없는 네트워크 토폴로지를 보장하기 위해 10의 소프트 임계값 거듭제곱(soft-thresholding power)이 적용되었습니다 (그림 1B). 유전자 공발현 모듈은 최소 모듈 크기를 50개 유전자로 설정한 동적 트리 컷(dynamic tree cut) 방법을 사용하여 구축하였으며, 각 모듈에 서로 ...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

주로 메신저 RNA(mRNA)와 운반 RNA(tRNA)에서 발생하는 보존된 RNA 변형인 ac4C는 mRNA의 안정성과 번역 효율을 향상시킵니다20. NAT10은 ac4C 변형을 매개하는 것으로 알려진 유일한 RNA 아세틸전이효소입니다21. 연구 결과, COPD 환자의 폐 상피 세포에서 NAT10이 상향 조절되는 것으로 나타났습니다. NAT10의 넉다운은 미토콘드리아 기능과 전사체 반응을 방해합니다22. 통합 멀티오믹스 분석을 기반으로, 본 연구에서는 COPD와 밀접하게 연관된 6개의 핵심 유전자를 식별하고 진단 모델을 개발하였으며, 이는 적절한 진단 성능과 추가 조사를 위한 잠재적 가치를 보여주었습니다. 추가 분석을 통해 전사 조절, ceRNA 네트워크 및 면역 미세환경에서 이들 유전자의 핵심적인 역할이 밝혀졌습니다. 또한, 잠재적인 표적 약물을 예측하여 COPD의 병인에 대한 통찰력을 제공하고 개인...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 이해관계의 충돌이 없음을 밝힙니다. 연구에 참여한 모든 피험자로부터 고지된 동의를 얻었습니다.

감사의 글

본 연구에 필수적인 임상 시설과 행정적 지원을 제공해 주신 심천 루오후 중의병원을 통해 감사의 마음을 전합니다. 마지막으로, 본 연구에 참여해 주신 모든 환자와 건강한 자원봉사자분들께 감사드립니다. 이분들의 기여는 본 연구에 없어서는 안 될 중요한 부분이었습니다. 본 연구는 심천시 산밍 의학 프로젝트(No. SZZYSM202401018), 루오후 구 우선 전문 기금(No. LX202402021) 및 루오후 구 우선 전문 기금(No. LX202302064)의 지원을 받아 수행되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
β$\beta$-actin 프라이머칭커입력된 소스 텍스트가 없습니다. 번역할 내용을 제공해 주시기 바랍니다.정방향: 5’-CATGTACGTTGCTATCCAGGC-3’
역전: 5’-CTCCTTAATGTCACGCACGAT-3’
B4GALT2 프라이머칭케제공된 소스 텍스트가 없습니다. 번역할 내용을 입력해 주세요.정방향: 5’-GGGCAGACTGCTGATCGAG-3’
역전: 5’-CCGGTGTCTAAAGGGGATGAT-3’
CB-Dock2랩셰어(LabShare)온라인분자 도킹
clusterProfilerBioconductorv4.14.6농축 분석
CytoscapeCytoscape 컨소시엄v3.8.3네트워크 시각화
DrugBank앨버타 대학교온라인약물 예측
FAM168B 프라이머칭커(Tsingke)제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.정방향: 5’-TCTGGGGTTCCCTATGCAAAT-3'’
역전: 5’-GTAGGATTCGCTCCAGGATACA-3’
glmnetCRANv4.1LASSO 회귀 분석
유전자 세트 변이 분석(GSVA)Bioconductorv1.52.3ssGSEA 분석
Hifair III 1차 가닥 cDNA 합성 슈퍼믹스YEASEN11141EScDNA 합성
Hieff RTPCR SYBR Green Master MixYEASEN11201ESqPCR 증폭
limmaBioconductorv3.54.0차등 발현
LightCycler 480 II 시스템RocheLightCycler 480 II실시간 PCR
PTRF 프라이머칭케해당 사항 없음정방향: 5’-GGGCCGTAGACCAGATCCA-3’
역전: 5’-CTTGCTCACCGTATTGCTCGT-3’
PRKCDBP 프라이머칭케제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.정방향: 5’-CACGTTCTGCTCTTCAAGGAG-3’
역전: 5’-TGTACCTTCTGCAATCCGGTG-3’
R 소프트웨어R 재단v4.4.2통계 컴퓨팅
랜덤 포레스트CRANv4.7랜덤 포레스트
RNA 분리 장치 MolPure Blood RNA Kit이스트라디올(estradiol)19241ES50RNA 추출
STRING 데이터베이스EMBL온라인단백질-단백질 상호작용 네트워크
TOR3A 프라이머칭케제시된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.정방향: 5’-CCCTTGCTCTGTCGTTCCAC-3’
역전: 5’-CCCGTCCCGATACAGGTTC-3’
UPP1 프라이머칭커제공된 텍스트가 없습니다. 번역할 내용을 입력해 주세요.정방향: 5’-CTGTCAGTCATGGTATGGGCA-3’
역전: 5’-GAGCACCGGGCATAGTACA-3’
가중치 유전자 공발현 네트워크 분석(WGCNA)CRANv1.72공발현 네트워크
XGBoostCRANv1.7XGBoost 알고리즘

참고문헌

  1. Hogg JC. Pathophysiology of airflow limitation in chronic obstructive pulmonary disease. Lancet. 2004;364(9435):709-21.
  2. Baraldo S, Turato G, Saetta M. Pathophysiology of the small airways in chronic obstructive pulmonary disease. Respiration. 2012;84(2):89-97.
  3. Fischer BM, Pavlisko E, Voynow JA. Pathogenic triad in COPD: oxidative stress, protease-antiprotease imbalance, and inflammation. Int J Chron Obstruct Pulmon Dis. 2011;6:413-21.
  4. Pandey KC, De S, Mishra PK. Role of proteases in chronic obstructive pulmonary disease. Front Pharmacol. 2017;8:512.
  5. Wang L, Xie J, Hu Y, Tian Y. Air pollution and risk of chronic obstructed pulmonary disease: the modifying effect of genetic susceptibility and lifestyle. EBioMedicine. 2022;79:103994.
  6. Elonheimo HM, et al. Environmental substances associated with chronic obstructive pulmonary disease-a scoping review. Int J Environ Res Public Health. 2022;19(7):3945.
  7. Chen S, et al. The global economic burden of chronic obstructive pulmonary disease for 204 countries and territories in 2020-50: a health-augmented macroeconomic modelling study. Lancet Glob Health. 2023;11(8):e1183-e93.
  8. Rutten-van Mölken MP, et al. Costs and effects of inhaled corticosteroids and bronchodilators in asthma and chronic obstructive pulmonary disease. Am J Respir Crit Care Med. 1995;151(4):975-82.
  9. Ontiveros RJ, Stoute J, Liu KF. The chemical diversity of RNA modifications. Biochem J. 2019;476(8):1227-45.
  10. Roundtree IA, Evans ME, Pan T, He C. Dynamic RNA modifications in gene expression regulation. Cell. 2017;169(7):1187-200.
  11. Wang C, et al. RNA modification in cardiovascular disease: implications for therapeutic interventions. Signal Transduct Target Ther. 2023;8(1):412.
  12. Zhang W, et al. ac4C acetylation regulates mRNA stability and translation efficiency in osteosarcoma. Heliyon. 2023;9(6):e17103.
  13. Qiu L, Jing Q, Li Y, Han J. RNA modification: mechanisms and therapeutic targets. Mol Biomed. 2023;4(1):25.
  14. Luo J, Cao J, Chen C, Xie H. Emerging role of RNA acetylation modification ac4C in diseases: current advances and future challenges. Biochem Pharmacol. 2023;213:115628.
  15. Li H, et al. RNA cytidine acetyltransferase NAT10 maintains T cell pathogenicity in inflammatory bowel disease. Cell Discov. 2025;11(1):19.
  16. Wang JN, et al. NAT10 exacerbates acute renal inflammation by enhancing N4-acetylcytidine modification of the CCL2/CXCL1 axis. Proc Natl Acad Sci U S A. 2025;122(17):e2418409122.
  17. Shenshen W, et al. NAT10 accelerates pulmonary fibrosis through N4-acetylated TGFB1-initiated epithelial-to-mesenchymal transition upon ambient fine particulate matter exposure. Environ Pollut. 2023;322:121149.
  18. Liu J, et al. Unveiling ac4C modification pattern: a prospective target for improving the response to immunotherapeutic strategies in melanoma. J Transl Med. 2025;23(1):287.
  19. Su F, et al. Multimodal single-cell analyses outline the immune microenvironment and therapeutic effectors of interstitial cystitis/bladder pain syndrome. Adv Sci (Weinh). 2022;9(18):e2106063.
  20. Schiffers S, Oberdoerffer S. ac4C: a fragile modification with stabilizing functions in RNA metabolism. RNA. 2024;30(5):583-94.
  21. Jiao L, et al. Emerging role of N-acetyltransferase 10 in diseases: RNA ac4C modification and beyond. Mol Biomed. 2025;6(1):46.
  22. Zheng N, et al. Regulatory roles of NAT10 in airway epithelial cell function and metabolism in pathological conditions. Cell Biol Toxicol. 2023;39(4):1237-56.
  23. Du J, et al. PTRF-IL33-ZBP1 signaling mediating macrophage necroptosis contributes to HDM-induced airway inflammation. Cell Death Dis. 2023;14(7):432.
  24. Lai K, et al. Uridine alleviates sepsis-induced acute lung injury by inhibiting ferroptosis of macrophage. Int J Mol Sci. 2023;24(6):5093.
  25. Kumari R, Jat P. Mechanisms of cellular senescence: cell cycle arrest and senescence associated secretory phenotype. Front Cell Dev Biol. 2021;9:645593.
  26. Ogrodnik M, Salmonowicz H, Jurk D, Passos JF. Expansion and cell-cycle arrest: common denominators of cellular senescence. Trends Biochem Sci. 2019;44(12):996-1008.
  27. Kumar M, Seeger W, Voswinckel R. Senescence-associated secretory phenotype and its possible role in chronic obstructive pulmonary disease. Am J Respir Cell Mol Biol. 2014;51(3):323-33.
  28. Pérez-Rubio G, et al. Role of genetic susceptibility in nicotine addiction and chronic obstructive pulmonary disease. Rev Invest Clin. 2019;71(1):36-54.
  29. Liu Y, Wang R, Jiang T. RNA-binding proteins as a molecular link between COPD and pulmonary hypertension. Int J Med Sci. 2025;22(8):1979-91.
  30. Marques TM, Gama-Carvalho M. Network approaches to study endogenous RNA competition and its impact on tissue-specific microRNA functions. Biomolecules. 2022;12(2):332.
  31. Wang J, Xia B, Ma R, Ye Q. Comprehensive analysis of a competing endogenous RNA co-expression network in chronic obstructive pulmonary disease. Int J Chron Obstruct Pulmon Dis. 2023;18:2417-29.
  32. Zhang J, et al. Construction of a ceRNA network and screening of potential biomarkers and molecular targets in male smokers with chronic obstructive pulmonary disease. Front Genet. 2024;15:1376721.
  33. Celikoğlu F, Celikoğlu SI. Intratumoural chemotherapy with 5-fluorouracil for palliation of bronchial cancer in patients with severe airway obstruction. J Pharm Pharmacol. 2003;55(10):1441-8.
  34. Chan AK, Choo BA, Glaholm J. Pulmonary toxicity with oxaliplatin and capecitabine/5-fluorouracil chemotherapy: a case report and review of the literature. Onkologie. 2011;34(8-9):443-6.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

UPP1 바이오마커COPD 진단ac4C RNA 수식유전자 공발현머신러닝 바이오마커조절 네트워크 분석면역 세포 프로파일링약물-유전자 상호작용
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.