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

연구 논문

비강 및 혈액 호스트 반응 모듈을 위한 호흡기 바이러스 전사체 벤치마킹의 구획 인식 분석: 계산 과학적 연구

85 조회수

⸱

DOI:

10.3791/73334

⸱

2026년 9월 18일

 , 
1Comprehensive Rehabilitation Department, Beidahuang Industry Group General Hospital, 2Department of Pathology, First Affiliated Hospital of Harbin Medical University

이 논문에서

요약

본 계산 연구는 공공 호흡기 바이러스 전사체 분석의 벤치마킹을 위한 구획 인식 워크플로우를 제시하며, 비강 및 혈액 내 숙주 반응이 유전자 수준에서는 제한적인 일치성을 보이지만, 독립적인 데이터셋, 임상 비교, 종단적 회복 및 강건성 분석 전반에 걸쳐 재현 가능하고 생물학적으로 해석 가능한 구획 특이적 모듈을 생성함을 입증합니다.

초록

공개된 호흡기 바이러스 전사체 데이터는 숙주 반응 연구에 매우 가치 있지만, 조직 출처, 대조군 정의 및 연구 설계의 차이가 통합 분석에 혼란을 줄 수 있습니다. 본 연구에서는 비강 및 혈액의 생물학적 맥락을 유지하면서 재현 가능한 숙주 반응 활성을 식별할 수 있는지 결정하기 위해 구획 인식(compartment-aware) 계산 워크플로우를 개발했습니다. 쌍을 이룬 GSE17827 소아 코호트를 앵커 데이터셋으로 활용하였으며, 여기에는 증상이 있는 picornavirus 감염, 증상이 있는 respiratory syncytial virus 감염, 증상이 없는 picornavirus 검출 및 바이러스 음성 대조군의 비강 면봉 및 전혈 전사체가 포함되었습니다. HUGO Gene Nomenclature Committee (HGNC) 필터링 후 27,685개의 유전자를 분석했습니다. 상위 양성 반응으로부터 각각 50개의 유전자로 구성된 단백질 코딩 비강 및 혈액 모듈을 정의하고 외부 평가 전에 이를 고정했습니다. 유전자 수준의 비강 및 혈액 효과는 거의 독립적이었으며(Pearson r = 0.015), 두 모듈은 6개의 탐색적 순위 중첩 유전자(Jaccard index = 0.064)를 공유했습니다. 그럼에도 불구하고, 비강 모듈은 독립적인 상기도 코호트에서 감염군과 대조군을 구분하였으며, 수신자 조작 특성 곡선 아래 면적(AUROCs)은 각각 0.749, 0.693, 0.609였습니다. 반면, 혈액 모듈은 외부 혈액 코호트에서 0.832, 0.924, 0.870의 AUROCs를 달성했습니다. 종단적 자연 감염 데이터에서 매칭된 점수는 급성 질환 시기부터 퇴원 시까지 감소했으며, 쌍을 이룬 델타 값은 비강 샘플의 경우 0.436, 혈액의 경우 0.330이었습니다. 6개의 외부 샘플로 구성된 3개의 추가 벤치마크 데이터셋과 함께 무작위 유전자 널(null) 분석, 모듈 크기 스윕, 부트스트랩 안정성, 마커-프로그램 상관관계 및 분산 분할을 통해 워크플로우의 견고성과 한계를 정의했습니다. Pandya 3-messenger ribonucleic acid (mRNA) 세트는 바이러스 대 세균 구분에 더 강력하게 유지된 반면, 혈액 모듈은 세균성 폐렴에서도 증가했습니다. 이러한 결과는 구획 특이적 모듈이 보편적인 범조직 바이오마커나 독립적인 병원체 분류기라기보다, 코호트 비교 및 회복 추적을 위한 재사용 가능한 숙주 반응 활성 점수로 유용함을 뒷받침합니다.

서론

숙주 전사체 시그니처는 감염성 증후군을 분류하고 병원체 간의 면역 반응을 비교하는 데 널리 사용됩니다1,2,3,4,5. 호흡기 바이러스는 종종 중첩되는 인터페론 자극 유전자(ISGs), 염증 매개체 및 항원 제시 경로를 활성화합니다6,7,8,9,10. 최근의 쌍체 및 종단적 연구들은 국소 기도 반응과 전신 반응이 타이밍, 세포 구성 및 강도 면에서 다를 수 있음을 보여줍니다1. 이러한 문제는 인플루엔자, 호흡기 세포 융합 바이러스(RSV), 라이노바이러스 및 SARS-CoV-2를 넘어섭니다. 휴먼 메타뉴모바이러스는 호흡기 질환의 중요한 원인으로 남아 있으나, 이에 대한 숙주 반응 및 중재 문헌은 여전히 발전 단계에 있습니다12,13. 호흡기 바이러스 감염 전반에 걸친 이러한 관찰 결과는 국소 기도 반응과 전신 숙주 반응 사이의 차이를 더욱 부각시킵니다14. 따라서 계산적 숙주-바이러스 연구에서 실질적인 질문은 단순히 반응의 존재 여부만이 아닙니다. 조직의 맥락을 보존하고 재현 가능한 숙주 반응 점수를 산출하는 투명한 워크플로우를 통해 공개 데이터를 재사용할 수 있는지 여부입니다.

대부분의 공개 호흡기 바이러스 전사체 데이터세트는 바이러스 간 또는 조직 간의 명확한 추론을 위해 설계되지 않았습니다. 조직의 기원, 시점, 중증도, 연령, 대조군 정의 및 플랫폼이 서로 함께 변화하는 경우가 많습니다. 또한 고처리량 발현 데이터세트는 원치 않는 기술적 및 연구 수준의 변동에 취약합니다15,16. 따라서 통합 분석을 수행하면 강력한 인터페론 또는 염증 시그니처를 찾아낼 수는 있으나, 그 기원을 모호하게 만들 수 있습니다. 비강 샘플은 상피 및 점막 면역 생물학을 포착하는 반면, 전혈은 전신 백구 반응을 반영합니다. 이러한 구획들을 상호 교환 가능한 것으로 취급하면 점수 계산은 쉬워지지만 해석은 어려워집니다.

우리는 사용 가능한 가장 큰 발견 컬렉션17 대신, 동일 연구의 쌍을 이룬 비강-혈액 코호트인 GSE17827을 중심으로 분석을 구축했습니다. 이 코호트는 규모가 작지만, 비강과 혈액의 효과 크기를 비교할 때 연구 간 교란 요인을 줄여줍니다. 여기에는 증상이 있는 picornavirus 감염, 증상이 있는 RSV 감염, 무증상 picornavirus 검출 및 바이러스 음성 대조군이 포함됩니다. 따라서 우리는 이를 별도의 구획 특이적 모듈을 위한 앵커로만 사용했습니다. 모듈 멤버십은 외부 테스트 전에 고정되었습니다. 소규모 코호트 선택의 안정성은 층화 부트스트랩 재표집, 무작위 유전자 널 모델 및 모듈 크기 민감도 분석을 통해 검토되었습니다.

우리는 박테리아 및 비감염성 비교군을 포함한 벤치마킹 레이어를 추가했습니다. GSE6390은 바이러스성, 박테리아성 또는 비감염성으로 분류된 전혈 급성 호흡기 질환 샘플을 포함하고 있습니다18. GSE4012는 중증 지역사회 획득성 폐렴, 전신성 염증 반응 증후군(SIRS) 및 건강한 대조군을 포함합니다19. 이러한 코호트는 특정 모듈이 일반적인 숙주 반응 활성을 반영하는지 아니면 병원체 클래스 특이성을 반영하는지를 테스트합니다. GSE53543은 ex vivo 말초혈액 단핵구(PBMC) 라이노바이러스 섭동 벤치마크로서 별도로 분석되었습니다. 이는 제어된 자극 하에서 백혈구의 반응성을 측정하지만, 자연 감염과 동일하지는 않습니다.

우리의 전제는 의도적으로 보수적입니다. 우리는 이질적인 공공 데이터로부터 보편적인 항바이러스 시그니처를 증명하려 하지 않습니다. 대신, 구획 인식(compartment-aware) 워크플로우가 외부 검증 후에도 유용한 모듈 점수를 생성할 수 있는지 확인하고자 합니다. 본 방법의 의도된 용도는 Pandya 3-mRNA와 같은 진단 분류기의 보완적 수단입니다. 이 모듈들은 코와 혈액에서의 숙주 반응 활성도를 코호트, 회복 정도 및 증상 구배에 따라 점수화합니다. 이는 병원체 분류를 할당하기 위해 설계된 것이 아닙니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

본 연구는 비식별화된 공개 데이터를 재분석하였으며, 새로운 피험자 모집, 중재 또는 검체 수집을 포함하지 않았습니다. 따라서 본 2차 분석을 위한 기관 윤리 승인 및 새로운 고지된 동의는 필요하지 않았습니다. 원본 연구에 대한 윤리 승인 및 고지된 동의는 각각의 데이터 생성자에 의해 보고되었습니다.

연구 설계 및 워크플로 논리
본 연구는 Gene Expression Omnibus20,21에 등록된 데이터셋을 이용한 회고적 공공 데이터 생물정보학 연구로 수행되었습니다. 새로운 환자 샘플, 세포 배양 실험, 동물 모델 또는 습식 실험실 검증은 생성되지 않았습니다. 워크플로는 앵커 우선(anchor-first) 설계를 사용하였습니다. GSE17827은 효과 크기 추정, 모듈 구축, 구획 간 일치성 및 증상 구배 분석에 사용되었습니다. 독립적인 데이터셋은 모듈 멤버십이 확정된 이후에만 도입되었습니다. 워크플로는 쌍을 이룬 구획 앵커링, HGNC 매핑 및 단백질 코딩 필터링, 개별 비강 및 혈액 모듈 구축, 조직 일치 및 종단적 검증, 임상 벤치마킹, 그리고 강건성 분석으로 구성되었습니다. 확증 분석에는 고정된 조직 일치 및 종단적 테스트가 포함되었습니다. 중첩 유전자, 증상 구배, 마커 프로그램 및 분산 분석은 탐색적 또는 기술적 분석으로 수행되었습니다.

앵커 코호트 및 기본 대조군
GSE17827에는 26명의 아동으로부터 얻은 비강 스왑 및 전혈 발현 프로파일이 포함되어 있으며, 여기에는 유증상 picornavirus 사례 9명, 무증상 picornavirus 검출 5명, 유증상 RSV 사례 6명, 그리고 무증상 바이러스 음성 대조군 6명이 포함됩니다17. RSV 사례 중 2명은 혈액 검체가 없었습니다. 따라서 전체 앵커 설계에는 50개의 샘플이 포함되었으며, 모듈 구축 시 무증상 picornavirus 검출 샘플을 제외한 후 기본 감염군 대조군 대조에는 40개의 샘플이 포함되었습니다. 기본 대조를 위해 유증상 picornavirus 및 유증상 RSV 샘플은 감염군으로, 무증상 바이러스 음성 샘플은 대조군으로 분류되었습니다. 무증상 picornavirus 검출 사례는 증상 없는 바이러스 검출이 바이러스 음성 건강 상태와 생물학적으로 구별되기 때문에 대조군으로 처리하지 않았습니다. 이 샘플들은 모듈 구축에서 제외되었으며 이후 증상 구배 분석에 사용되었습니다.

프로브 매핑 및 전처리
GSE117827은 GPL23126에서 프로파일링되었습니다. 전사체 클러스터 식별자는 GEO 플랫폼 GPL24539를 통해 배포된 Clariom D Human na36, hg38 주석 파일을 사용하여 유전자 기호로 매핑되었습니다. HGNC 승인 기호만 유지되었습니다2. 컨트롤 프로브, ERCC 프로브, 매핑되지 않은 전사체 클러스터 및 미승인 기호는 제거되었습니다. 동일한 승인 기호로 매핑되는 여러 전사체 클러스터는 발현값의 중앙값을 사용하여 통합되었습니다. 필터링 및 통합 후, 앵커 분석에 사용할 수 있는 유전자는 27,685개였습니다. 발현 행렬의 95번째 백분위수가 50을 초과하여 로그 변환되지 않은 강도 척도임이 확인된 경우에만 log₂(x + 1) 변환을 적용하였습니다. 결측값이 20% 이상인 유전자는 제거되었으며, 나머지 결측값은 해당 유전자 내의 중앙값으로 대체되었습니다. 이후 각 유전자는 해당 데이터 세트의 모든 샘플에 대해 z = (x − 평균)/샘플 표준 편차 (ddof = 1)로 표준화되었습니다. 분산이 0인 유전자는 표준화 값 0으로 할당되었습니다. 모듈 구축은 HGNC 전체 세트에서 단백질 코딩 유전자로 분류된 항목으로 제한되었습니다.

효과 크기 분석 및 모듈 구축
비강 및 혈액 구획을 각각 별도로 분석하였다. 증상이 있는 바이러스 샘플과 바이러스 음성 대조군을 Hedges g 표준화 평균 차이 및 양측 Welch 검정을 사용하여 비교하였다23. Hedges g는 감염군과 대조군의 평균 차이를 통합 표준 편차로 나눈 후, 소표본 보정 값인 1 − 3/(4df − 1)을 곱하여 계산하였으며, 여기서 df = ninfected + ncontrol − 2이다. Welch 검정은 등분산을 가정하지 않고 수행되었다. 각 구획 내에서 테스트된 모든 유전자에 대해 Benjamini–Hochberg 허위 발견율(FDR)을 계산하였다24. 소규모 앵커 코호트에서 FDR < 0.05 및 Hedges g > 0.8이라는 사전 지정된 엄격한 조합 조건을 충족하는 단백질 코딩 유전자가 없었기 때문에, 양성 효과 유전자를 먼저 양측 Welch P 값의 오름차순으로, 그다음 Hedges g의 내림차순으로 순위를 매겼으며, 최종 동점자 처리 기준으로는 유전자 기호를 사용하였다. 상위 50개 유전자가 각각의 기본 모듈을 형성하였다. 50개 유전자는 플랫폼 간 유전자 누락 손실을 제한하면서 생물학적 폭을 유지할 수 있는 적절한 모듈 크기로 사전 선정되었다. 이 모듈 크기는 외부 AUROC에 맞추어 조정되지 않았다. 10, 25, 50, 10, 20개 유전자를 사용한 민감도 분석 결과, 동일한 질적 앵커 분리 결과가 도출되었다. 분석의 목적은 단일 유전자 발견이 아니라 모듈 수준의 재현성이었다.

구획 간 일치성
비강 및 혈액의 Hedges g 추정치를 유전자별로 정렬하고 Pearson 및 Spearman 상관분석을 사용하여 비교하였다. 비강 상위 50개 모듈과 혈액 상위 50개 모듈 간의 중복 정도는 중복 수와 Jaccard 지수로 요약하였다. 중복 유전자는 검증된 보존 바이오마커라기보다 탐색적인 구획 간 순위 중복 후보로 해석하였다.

외부 조직 일치 검증
모듈 점수 검증에는 해석 가능한 소스 그룹이 포함된 독립적인 공공 데이터셋이 사용되었습니다. 상기도 검증에는 GSE41374 RSV 비강 세척 샘플과 SARS-CoV-2 데이터셋인 GSE152075 및 GSE156063이 포함되었습니다. 혈액 검증에는 GSE1710과 별도로 정규화된 두 개의 GSE3890 단위인 GPL1058 (샘플 36개; RSV 28개 및 대조군 8개) 및 GPL6884 (샘플 138개; RSV 107개 및 대조군 31개)가 포함되었습니다. 모든 외부 데이터셋에 대해 프로브를 HGNC 기호로 매핑하였으며, 중복 기호는 발현값의 중앙값으로 통합하였습니다. 앵커 데이터셋에 사용된 것과 동일한 변환, 결측값 필터링, 중앙값 대체 및 유전자별 z-표준화 규칙이 각 데이터셋 내에 적용되었습니다. 모듈 점수는 해당 모듈 유전자들의 표준화된 발현값의 비가중 평균으로 계산되었습니다. AUROC, 평균 정밀도 및 Welch-test FDR은 임상적 진단 성능의 추정치가 아니라 이식성 지표로 보고되었습니다.

대규모 임상 벤치마크 및 ex vivo 섭동 데이터 세트
두 개의 전혈 데이터 세트가 발견 코호트가 아닌 임상 벤치마크로 사용되었습니다. GSE6390의 경우, 기탁된 감염 상태 메타데이터에 따라 샘플을 바이러스성 호흡기 감염(n = 17), 세균성 호흡기 감염(n = 73) 또는 비감염성 질환(n = 90)으로 분류하였으며, 이러한 명확한 라벨이 없는 샘플은 제외되었습니다18. GSE4012에서는 기탁된 진단 필드를 인플루엔자 A 폐렴(n = 39), 인플루엔자를 동반하지 않은 세균성 폐렴(n = 61), 폐렴이 없는 SIRS(n = 40), 건강한 대조군(n = 36) 또는 세균/인플루엔자 혼합 폐렴(n = 14)으로 매핑하였습니다19. 세균/인플루엔자 혼합 샘플은 기술되었으나 이진 벤치마크 대조군에서는 제외되었습니다.

GSE53543에는 98명의 개인으로부터 얻은 196개의 ex vivo PBMC 프로파일이 포함되어 있습니다. 각 개인은 배지만 사용한 샘플 하나와 rhinovirus 16에 24 h 동안 노출시킨 샘플 하나를 제공했으며, 피험자 식별자를 통해 98쌍의 완전한 쌍이 확인되었습니다. AUROC는 순위 분리 지표이므로, 주요 벤치마크에서는 98개의 자극 샘플과 98개의 비자극 샘플 전체에 대한 AUROC를 보고했습니다. 피험자 쌍 정보는 메타데이터에 유지되었으며, 점수 차이에 대한 쌍체 민감도 분석에 사용되었습니다. 이 실험은 자연 임상 감염과는 별도로 분석되었으며, 임상 진단 주장을 뒷받침하는 데 사용되지 않았습니다.

GSE6390, GSE4012 및 GSE53543에 대한 Raw GEO 시리즈 행렬을 다운로드하였다. GSE63990에는 GPL571, GSE4012에는 GPL6947, GSE53543에는 GPL1058이 사용되었다. 프로브는 HGNC 승인 심볼로 매핑되었으며, 중복 매핑된 항목은 중앙값 발현량으로 통합하였다. 기탁된 정규화 행렬을 사용하였다. 일반적인 95 백분위수 규칙에 따라 로그 변환이 되지 않은 척도의 행렬에 대해서만 log₂(x + 1) 변환을 수행하였다. GSE53543은 이미 원 저자에 의해 log₂ 변환, 순위 불변 정규화 및 처리 일자 보정이 완료되었으므로 추가적인 로그 변환을 적용하지 않았다. 결측값이 20%를 초과하는 유전자를 제거하고 남은 결측값을 중앙값으로 대체한 후, 각 유전자를 해당 데이터 세트 내의 모든 샘플에 대해 z-표준화하였다. 벤치마크 레이어에는 470개의 임상 전혈 샘플과 196개의 ex vivo PBMC 샘플이 포함되었다.

참조 시그니처 벤치마킹
앵커 비강 및 혈액 모듈을 가중치를 적용하지 않은 세 가지 참조 세트와 비교하여 벤치마킹하였다. 공식 Pandya 3-mRNA 세트는 원본 분류기 보고서의 Supplementary Table 15에서 전사하였다. Andres-Terre 비교군은 보고된 다중 바이러스 시그니처3에서 큐레이션한 3개의 인터페론 지향 유전자로 구성되었다. Hallmark 비교군은 MSigDB HALLMARK_INTERFERON_ALPHA_RESPONSE 세트25,26와 연결된 33개 유전자의 인터페론-알파 핵심 하위 집합으로 구성되었다. 세 가지 참조 세트의 전체 유전자 목록은 Supplementary Data 1에 제공된다. 이러한 참조 점수는 원래의 가중 분류기를 재현한 것이 아니다. 각 데이터셋에 대해 점수는 사용 가능한 유전자별 z 점수의 비가중 평균으로 계산되었으며, 최소 3개의 대표 유전자가 필요했으며 대표 유전자의 수를 보고하였다. 벤치마크 대조군은 필요한 그룹이 있는 경우 바이러스 대 박테리아, 바이러스 대 비감염성, 바이러스 대 박테리아 또는 비감염성, 바이러스 대 건강/대조군, 그리고 박테리아 대 건강/대조군으로 설정하였다. AUROC 및 평균 정밀도를 벤치마킹 지표로 해석하였다. Welch-test P 값은 벤치마크 표의 모든 유효한 데이터셋-대조군-모듈 조합에 대해 Benjamini–Hochberg 절차를 사용하여 조정되었다.

독립적 종단적 검증
쌍을 이룬 급성기 대 퇴원 시 데이터 세트인 GSE9741 및 GSE9742는 종단적 검증용으로만 사용되었다27. 제출된 메타데이터에서 RSV 단독 감염(RSVsi) 또는 라이노바이러스(hRV)로 표시된 샘플이 기본 분석 대상이 되었으며, RSV 공동 감염(RSVco)은 보충 결과에만 유지되었다. 급성기 및 퇴원 라벨은 샘플 제목에서 파싱되었다. 샘플은 데이터 세트, 구획, 바이러스 그룹 및 피험자 식별자를 기준으로 매칭되었으며, 두 시점의 데이터가 모두 있는 피험자만 유지되었다. 기본 결합 그룹은 38쌍의 RSVsi와 30쌍의 hRV로 구성되었다(구획당 68쌍).

GSE9741 또는 GSE9742 데이터셋은 유전자 선택, 모듈 정제 또는 임계값 조정에 사용되지 않았으며, 이 데이터셋들은 외부 검증용으로 예약되었습니다. 프로브 식별자는 승인된 HGNC 심볼로 매핑되었으며, 중복된 심볼은 중앙값 발현량으로 통합되었습니다. 고정된 GSE17827 모듈 점수를 계산하기 전에 동일한 95백분위수 로그 변환 규칙, 결측값 필터링, 중앙값 대체 및 데이터셋 내 유전자별 z-표준화 절차가 적용되었습니다.

각 조직 및 모듈에 대해, 급성기 및 회복기 점수를 피험자와 바이러스 그룹별로 짝지었습니다. 각 쌍에 대해 급성기 점수에서 회복기 점수를 뺀 차이값을 계산했습니다. Cohen dz는 짝지은 차이의 평균을 해당 표본 표준 편차로 나누어 계산했습니다. 양측 짝지은 t 검정과 양측 Wilcoxon 부호 순위 검정 결과가 보고되었으며, 급성기 대 회복기 점수 구분능력을 나타내는 AUROC가 함께 제시되었습니다. 전체 종단적 결과(두 개의 데이터 세트, 두 개의 모듈 소스 및 다섯 개의 사전 지정된 바이러스 그룹 요약)에서 수행된 20개의 유효한 짝지은 t 검정 전체에 대해 Benjamini–Hochberg FDR 값을 계산했습니다.

증상 구배 및 사후 분석
모듈 멤버십이 확정된 후, GSE17827의 홀드아웃 무증상 피코르나바이러스 검출 사례는 증상 구배 분석에만 사용되었습니다. 서열 임상 점수는 바이러스 음성 대조군의 경우 0점, 무증상 피코르나바이러스 검출의 경우 1점, 유증상 감염의 경우 2점으로 설정하였습니다. Spearman 상관 분석을 통해 서열 추세를 평가하였으며, Kruskal–Wallis 검정으로 세 그룹 간의 전반적인 차이를 평가하였습니다. 양측 Mann–Whitney U 사후 검정을 사용하여 세 그룹의 쌍별 비교를 수행하였습니다. Benjamini–Hochberg 보정은 각 구획 내의 세 가지 쌍별 비교군에 대해 개별적으로 적용되었습니다.

기능적 풍부도 분석
비강 및 혈액 모듈 유전자는 gseapy를 통해 MSigDB Hallmark 2020, Reactome 202 및 GO Biological Process 2023 라이브러리를 사용하여 Enrichr로 분석되었습니다.25,26,28,29,30,31Enrichr는 피셔 정확 검정(Fisher's exact test)에 기반한 표준 과잉 표현(over-representation) 프레임워크를 사용하였습니다. 라이브러리에서 보고된 벤자민-호치버그(Benjamini–Hochberg) 보정값은 P 값 < 0.05를 유의미한 것으로 간주하였다. 조회를 수행한 3개 라이브러리 전반에 걸쳐 모듈당 가장 유의미한 8개 용어를 보정된 값으로 순위를 매겼다. P 값. 농축 결과는 해석 용도로만 사용되었다.

강건성, 마커 프로그램 및 분산 분석
강건성 분석을 통해 결과가 모듈 크기나 무작위 선택에 의존하는지 테스트했습니다. 10, 25, 50, 10, 200개 유전자로 구성된 모듈 크기를 평가했습니다. 무작위 유전자 널 분석(null analysis)을 위해, 처리된 GSE17827 매트릭스에 포함된 HGNC 단백질 코딩 유전자 전체를 대상군으로 설정했습니다. NumPy 무작위 시드 2026062를 사용하여 중복 없이 50개의 유전자로 구성된 세트를 50회 샘플링했습니다. 부트스트랩 재선택은 각 구획의 원래 앵커 분석에서 가장 높게 순위가 매겨진 상위 1,0개의 양성 효과 단백질 코딩 유전자로 제한했습니다. 각 재샘플링에서 양성 단백질 코딩 유전자는 양측 Welch P 값의 오름차순으로, 그 다음 평균 차이의 내림차순으로 순위를 매겼습니다. 상위 50개 유전자가 선택되었습니다. 유전자 안정성은 선택 횟수를 10으로 나누어 계산했습니다. 각 구획에서 선택 빈도가 가장 높은 20개 유전자를 표시했습니다.

마커 프로그램 점수는 세포 분획 추정치가 아니라 기술적 보조 지표로 사용되었습니다. 상피 세포(EPCAM, KRT8, KRT18, KRT19, MUC1, KRT5, KRT14, SCGB1A1, FOXJ1), 단핵구/대식세포(LYZ, LST1, S10A8, S10A9, FCGR3A, FCGR1A, CD14, MS4A7, CTSS), 호중구(S10A8, S10A9, MPO, ELANE, CEACAM8, FCGR3B, OLFM4, MMP8), T/NK 세포(CD3D, CD3E, TRAC, NKG7, GNLY, PRF1, GZMB, KLRD1, IL7R), B/형질 세포(MS4A1, CD79A, CD79B, MZB1, JCHAIN, IGHG1, SDC1), 그리고 골수성 인터페론(SIGLEC1, IFI27, IFI4L, ISG15, MX1, OAS1, RSAD2, IFIT3)의 6가지 큐레이션된 프로그램을 평가하였습니다. 각 프로그램 점수는 가용한 유전자별 z 점수의 평균으로 계산되었으며, 최소 3개의 대표 유전자가 포함되어야 했습니다. Spearman P 값은 전체 데이터셋-모듈-프로그램 상관관계 패밀리에 대해 Benjamini–Hochberg 절차를 사용하여 보정되었습니다. 일원 분산 분석의 eta-squared는 각 모듈-요인 쌍에 대해 집단 간 제곱합을 총 제곱합으로 나누어 계산하였습니다. 관련 요인이 누락된 행은 해당 계산에서 제외되었습니다. 본 분석은 기술적인 분석이며 상호 상관관계가 있는 요인들에 대해 보정하지 않았습니다.

재현성
모든 분석은 Python 3.12.13의 스크립트 워크플로우를 사용하여 수행되었으며, 사용된 소프트웨어 패키지 및 버전은 재료 표에 기재되어 있습니다. 무작위 절차에는 2026062의 고정 시드(seed)가 사용되었습니다. 공개 GEO 발현 행렬은 원본 입력 데이터, 처리된 데이터, 통계 출력값, 표 및 그림을 분리한 일관된 프로젝트 구조를 사용하여 처리되었습니다. 독립적인 검증을 지원하기 위해 모듈 정의, 샘플 큐레이션 기록, 효과 크기 추정치, 검증 통계, 농축 분석 결과, 강건성 분석 및 그림 소스 데이터가 보존되었습니다. 분석 코드, 종속성 사양 및 지원 파생 데이터는 데이터 가용성 성명서에 기술된 대로 이용 가능합니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

앵커 단계 벤치마킹을 통해 조직 특이적 유전자 효과와 범조직적 유전자 효과를 분리함
큐레이션된 GSE117827 앵커 매트릭스에는 27,685개의 HGNC 승인 유전자가 포함되었습니다. 주요 비강 대조군에는 증상이 있는 감염 샘플 15개와 바이러스 음성 대조군 샘플 6개가 포함되었으며, 혈액 대조군에는 증상이 있는 감염 샘플 13개와 대조군 6개가 포함되었습니다(표 1). 이 소규모 코호트는 안정적인 단일 유전자 발굴을 지원할 수 없으므로, 쌍을 이룬 구획 앵커로 사용되었습니다. 안정성은 부트스트랩 리샘플링, 무작위 유전자 널 테스트, 외부 검증 및 모듈 크기 민감도 분석을 통해 모듈 수준에서 평가되었습니다.

제공해주신 소스 텍스트가 없습니...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

주요 교훈은 운영상의 관점에 있습니다. 즉, 가장 큰 풀링된 매트릭스가 아니라 샘플링된 구획부터 시작하는 것입니다. GSE17827은 규모가 작지만, 쌍을 이룬 설계 덕분에 한 연구 내에서 비강과 혈액을 직접 비교할 수 있었습니다. 유전자 수준의 효과 상관관계가 거의 0에 가깝다는 점은, 조직 전체를 풀링한 순위 목록이 상당한 구획 구조를 가릴 수 있음을 보여줍니다. 따라서 개별 모듈을 사용하는 것이 더 타당한 설계였습니다. 이러한 모듈의 외부 및 종단적 성능은 보편적인 유전자 목록이 아니라, 모듈 수준에서 재현 가능한 호스트 반응 활성이 존재함을 뒷받침합니다.

유전자 수준의 이식성과 모듈 수준의 이식성은 서로 다릅니다. 개별 비강 및 혈액 효과 크기 사이의 일치도가 낮았음에도 불구하고, 혈액 모듈은 비인두 종단적 샘플에서 우수한 성능(AUROC 0.845)을 보였습니다. 쌍을 이룬 궤적에서 라벨 반전은 나타나지 않았습니다. 더 가능성 있는 설명은 경로 중복성입니다. 즉, 조정된...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 본 연구와 관련하여 재정적 또는 비재정적 이해관계의 충돌이 없음을 밝힙니다.

감사의 글

저자들은 본 연구에서 재분석된 공개 GEO 연구의 조사자들과 참여자들에게 감사를 표합니다. 저자 자격 기준을 충족하는 추가 인원은 없었습니다. 본 연구는 공공, 상업 또는 비영리 부문의 어떠한 지원 기관으로부터도 특정 보조금을 지원받지 않았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Andres-Terre 다중 바이러스 인터페론 자극 유전자 세트Andres-Terre et al.3-유전자 비교군; Supplementary Data 1보고된 다중 바이러스 시그니처로부터 큐레이션된 가중치 없는 인터페론 중심 비교군이며, 전체 유전자 목록은 Supplementary Data 1에 제공됨.
EnrichrMa'ayan Laboratory2026년 8월 18일 접속; RRID:SCR_01575gseapy를 통해 접속한 유전자 세트 과잉 표현 리소스.
Gene Expression OmnibusNational Center for Biotechnology InformationGEO; RRID:SCR_05012분석 데이터 세트에 접속하는 데 사용된 공공 전사체 저장소.
Gene OntologyGene Ontology ConsortiumGO Biological Process 2023; RRID:SCR_0281Enrichr를 통해 사용된 기능적 주석 라이브러리.
GPL1058NCBI GEOGPL1058GSE53543 및 36개 샘플 GSE3890 검증 유닛을 위한 플랫폼.
GPL23126NCBI GEOGPL23126GSE17827을 위한 발현 플랫폼.
GPL24539NCBI GEOClariom_D_Human.na36.hg38.
probeset.csv		GSE117827 전사체 클러스터 매핑에 사용된 Clariom D Human na36, hg38 주석.
GPL571NCBI GEOGPL571GSE63990에 적용된 플랫폼 주석.
GPL6884NCBI GEOGPL684138개 샘플 GSE3890 RSV 전혈 검증 유닛을 위한 플랫폼.
GPL6947NCBI GEOGPL6947GSE4012에 적용된 플랫폼 주석.
GSE17827NCBI GEOGSE17827기본 쌍을 이룬 비강 스왑 및 전혈 앵커 데이터 세트.
GSE152075NCBI GEOGSE152075외부 SARS-CoV-2 상기도 검증 데이터 세트.
GSE156063NCBI GEOGSE156063외부 SARS-CoV-2 상기도 검증 데이터 세트.
GSE1710NCBI GEOGSE17110외부 SARS-CoV-2 전혈 검증 데이터 세트.
GSE3890NCBI GEOGSE3890; GPL1058 및 GPL684별도로 정규화된 36개 및 138개 샘플 플랫폼 유닛으로 분석된 외부 RSV 전혈 검증 데이터.
GSE4012NCBI GEOGSE4012임상 인플루엔자 A 폐렴, 세균성 폐렴, SIRS 및 건강 대조군 벤치마크.
GSE41374NCBI GEOGSE41374외부 RSV 비강 세척 검증 데이터 세트.
GSE53543NCBI GEOGSE5354398명의 대상자와 196개 샘플이 포함된 쌍을 이룬 ex vivo PBMC 라이노바이러스 섭동 벤치마크.
GSE6390NCBI GEOGSE6390임상 바이러스성, 세균성 및 비감염성 전혈 벤치마크.
GSE9741NCBI GEOGSE9741종단적 전혈 급성기 대 퇴원 검증 데이터 세트.
GSE9742NCBI GEOGSE9742종단적 비인두 급성기 대 퇴원 검증 데이터 세트.
gseapygseapy 개발자Version 1.3.1Enrichr 쿼리에 사용된 Python 인터페이스.
HGNC 유전자 기호 리소스HUGO Gene Nomenclature Committee2026년 8월 18일 접속; RRID:SCR_02827승인된 유전자 기호 정규화 및 단백질 코딩 분류 리소스.
MatplotlibMatplotlib 개발 팀Version 3.11.1그림 생성.
MSigDB Hallmark 유전자 세트Broad InstituteHallmark 2020; RRID:SCR_016863Enrichr를 통해 접속한 Hallmark 농축 라이브러리.
MSigDB Hallmark 인터페론-알파 반응 유전자 세트Broad InstituteHALLMARK_INTERFERON_ALPHA_
RESPONSE; Supplementary Data 1의 3-유전자 핵심 서브셋		가중치 없는 인터페론-알파 비교군이며, 정확한 서브셋은 Supplementary Data 1에 제공됨.
NumPyNumPy 개발자Version 2.5.2수치 계산 및 시드 기반 무작위 샘플링.
pandaspandas 개발 팀Version 3.0.5표 형식 데이터 처리.
Pandya 3-mRNA 호스트 반응 유전자 세트Pandya et al.Supplementary Table 1; Supplementary Data 1가중치 없는 비교군으로 점수가 매겨진 공식 3-유전자 세트.
PythonPython Software FoundationVersion 3.12.13컴퓨팅 분석 환경.
ReactomeReactomeReactome 202; RRID:SCR_03485Enrichr를 통해 접속한 경로 농축 라이브러리.
scikit-learnscikit-learn 개발자Version 1.9.0AUROC 및 평균 정밀도 계산.
SciPySciPy 개발자Version 1.18.0Welch, paired t, Wilcoxon, Mann–Whitney 및 상관관계 테스트.
SeabornSeaborn 개발 팀Version 0.13.2통계 그래픽.
statsmodelsstatsmodels 개발자Version 0.14.6통계 유틸리티.

참고문헌

  1. Zaas AK, et al. Gene expression signatures diagnose influenza and other symptomatic respiratory viral infections in humans. Cell Host Microbe. 2009;6(3):207-17.
  2. Woods CW, et al. A host transcriptional signature for presymptomatic detection of infection in humans exposed to influenza H1N1 or H3N2. PLoS One. 2013;8(1):e52198.
  3. Andres-Terre M, et al. Integrated, multi-cohort analysis identifies conserved transcriptional signatures across multiple respiratory viruses. Immunity. 2015;43(6):1199-211.
  4. Herberg JA, et al. Diagnostic test accuracy of a 2-transcript host RNA signature for discriminating bacterial vs viral infection in febrile children. JAMA. 2016;316(8):835-45.
  5. Pandya R, et al. A machine learning classifier using 33 host immune response mRNAs accurately distinguishes viral and non-viral acute respiratory illnesses in nasal swab samples. Genome Med. 2023;15(1):64.
  6. Ioannidis I, et al. Plasticity and virus specificity of the airway epithelial cell immune response during respiratory virus infection. J Virol. 2012;86(10):5422-36.
  7. Mejias A, et al. Whole blood gene expression profiles to assess pathogenesis and disease severity in infants with respiratory syncytial virus infection. PLoS Med. 2013;10(11):e1001549.
  8. Blanco-Melo D, et al. Imbalanced host response to SARS-CoV-2 drives development of COVID-19. Cell. 2020;181(5):1036-45.e9.
  9. Hadjadj J, et al. Impaired type I interferon activity and inflammatory responses in severe COVID-19 patients. Science. 2020;369(6504):718-24.
  10. Mick E, et al. Upper airway gene expression reveals suppressed immune responses to SARS-CoV-2 compared with other respiratory viruses. Nat Commun. 2020;11(1):5854.
  11. Yoshida M, et al. Local and systemic responses to SARS-CoV-2 infection in children and adults. Nature. 2022;602(7896):321-7.
  12. Jamali MC, et al. Respiratory infections by human metapneumovirus: epidemiological evidence and treatment prospects. Res J Pharm Technol. 2026;19(8):3905-12. doi:10.52711/0974-360X.2026.00549.
  13. Gao G, Lin R, Ma D. Human metapneumovirus: pathogenesis, epidemiology, diagnostic technologies, and potential intervention strategies. Virol J. 2025;22(1):376.
  14. Lim FY, et al. homeRNA self-blood collection enables high-frequency temporal profiling of presymptomatic host immune kinetics to respiratory viral infection: a prospective cohort study. EBioMedicine. 2025;112:105531.
  15. Johnson WE, Li C, Rabinovic A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics. 2007;8(1):118-27.
  16. Leek JT, et al. The sva package for removing batch effects and other unwanted variation in high-throughput experiments. Bioinformatics. 2012;28(6):882-3.
  17. Yu J, et al. Host gene expression in nose and blood for the diagnosis of viral respiratory infection. J Infect Dis. 2019;219(7):1151-61.
  18. Tsalik EL, et al. Host gene expression classifiers diagnose acute respiratory illness etiology. Sci Transl Med. 2016;8(322):322ra11.
  19. Parnell GP, et al. A distinct influenza infection signature in the blood transcriptome of patients with severe community-acquired pneumonia. Crit Care. 2012;16(4):R157.
  20. Edgar R, Domrachev M, Lash AE. Gene Expression Omnibus: NCBI gene expression and hybridization array data repository. Nucleic Acids Res. 2002;30(1):207-10.
  21. Barrett T, et al. NCBI GEO: archive for functional genomics data sets-update. Nucleic Acids Res. 2013;41(D1):D991-5.
  22. Tweedie S, et al. Genenames.org: the HGNC and VGNC resources in 2021. Nucleic Acids Res. 2021;49(D1):D939-46.
  23. Welch BL. The generalization of Student's problem when several different population variances are involved. Biometrika. 1947;34(1-2):28-35.
  24. Benjamini Y, Hochberg Y. Controlling the false discovery rate: a practical and powerful approach to multiple testing. J R Stat Soc Series B Stat Methodol. 1995;57(1):289-300.
  25. Subramanian A, et al. Gene set enrichment analysis: a knowledge-based approach for interpreting genome-wide expression profiles. Proc Natl Acad Sci U S A. 2005;102(43):15545-50.
  26. Liberzon A, et al. The Molecular Signatures Database Hallmark Gene Set Collection. Cell Syst. 2015;1(6):417-25.
  27. Do LAH, et al. Host transcription profile in nasal epithelium and whole blood of hospitalized children under 2 years of age with respiratory syncytial virus infection. J Infect Dis. 2018;217(1):134-46.
  28. Ashburner M, et al. Gene Ontology: tool for the unification of biology. Nat Genet. 2000;25(1):25-9.
  29. The Gene Ontology Consortium. The Gene Ontology resource: enriching a GOld mine. Nucleic Acids Res. 2021;49(D1):D325-34.
  30. Gillespie M, et al. The Reactome pathway knowledgebase 2022. Nucleic Acids Res. 2022;50(D1):D687-92.
  31. Kuleshov MV, et al. Enrichr: a comprehensive gene set enrichment analysis web server 2016 update. Nucleic Acids Res. 2016;44(W1):W90-7.
  32. Schoggins JW, et al. A diverse range of gene products are effectors of the type I interferon antiviral response. Nature. 2011;472(7344):481-5.
  33. Schneider WM, Chevillotte MD, Rice CM. Interferon-stimulated genes: a complex web of host defenses. Annu Rev Immunol. 2014;32:513-45.
  34. Perng YC, Lenschow DJ. ISG15 in antiviral immunity and beyond. Nat Rev Microbiol. 2018;16(7):423-39.
  35. Schioppa T, et al. Molecular basis for CCRL2 regulation of leukocyte migration. Front Cell Dev Biol. 2020;8:615031.
  36. Avila Cobos F, et al. Benchmarking of cell type deconvolution pipelines for transcriptomics data. Nat Commun. 2020;11(1):5650.
  37. Maden SK, et al. Challenges and opportunities to computationally deconvolve heterogeneous tissue with varying cell sizes using single-cell RNA-sequencing datasets. Genome Biol. 2023;24(1):288.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

더 많은 논문 탐색

비강 전사체혈액 전사체계산 워크플로유전자 발현 분석바이러스 감염 코호트바이오마커 검증모듈 강건성
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.