KR20180119522A - 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템 - Google Patents
암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템 Download PDFInfo
- Publication number
- KR20180119522A KR20180119522A KR1020180047936A KR20180047936A KR20180119522A KR 20180119522 A KR20180119522 A KR 20180119522A KR 1020180047936 A KR1020180047936 A KR 1020180047936A KR 20180047936 A KR20180047936 A KR 20180047936A KR 20180119522 A KR20180119522 A KR 20180119522A
- Authority
- KR
- South Korea
- Prior art keywords
- gene
- cancer
- information
- survival
- nucleotide sequence
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B20/00—ICT specially adapted for functional genomics or proteomics, e.g. genotype-phenotype associations
-
- G06F19/18—
-
- G06F19/24—
-
- G06F19/28—
-
- G06F19/709—
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B50/00—ICT programming tools or database systems specially adapted for bioinformatics
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/90—Programming languages; Computing architectures; Database systems; Data warehousing
Abstract
본 발명은 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템에 관한 것으로, 보다 구체적으로 환자의 암 유전체 염기서열 변이 정보 및 전사체 발현 분석을 통해 선정된 정량 합성암생존(Synthetic Dosage Cancer Survival) 유전자 쌍을 이용한 맞춤형 항암 치료 약물 선택 방법 및 시스템에 관한 것이다. 본 발명의 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템은 정량 합성암생존 유전자 쌍의 분석을 통하여 개인별로 치료 효과 및 예후가 좋은 항암 치료 약물을 선택할 수 있는 기술로서 신뢰도가 높으며 신속하고 간단하게 관련 정보를 제공할 수 있다.
Description
본 발명은 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템에 관한 것으로, 보다 구체적으로 환자의 암 유전체 염기서열 변이 정보 및 전사체 발현 분석을 통해 선정된 정량 합성암생존(Synthetic Dosage Cancer Survival) 유전자 쌍을 이용한 맞춤형 항암 치료 약물 선택 방법 및 시스템에 관한 것이다.
생명공학 기술의 발전으로 인해 현재는 인간의 전 유전체 염기서열(whole genome sequence)을 분석하여 개개인의 질병을 예측하고 맞춤형 질병 예방 및 치료를 제공하는 단계까지 도달하였다.
유전체학의 급속한 발전으로 암의 병인론으로 유전체의 불안정성과 누적된 변형이 정설로 정립되었으며, 유전체의 고속대용량 분석 및 정보처리 신기술의 급속한 발전으로 선진국에서는 실제 임상적용이 빠르게 실현되고 있다.
한편, 원발성 종양을 가진 암환자의 치료에서 중요한 부분 중 하나는 정확한 예후의 예측이며, 이러한 예후(prognosis)는 나이, 병리학적 단계 등 일반적인 임상 변수에 기초하여 판단될 뿐만 아니라, 최근에는 유전학적 변이나 증폭과 같은 분자적 변수들을 이용하여 암환자의 예후를 확인하고 있다. 대표적으로 ER, PR, HER2의 단백질 발현 수준이 유방암에서의 중요한 예후인자로 확인되었으며, 이는 실제적인 치료에도 사용되고 있다. 또한, 2011년에는 난소암에서 분자적 프로파일을 가지고 예후를 예측한 연구가 소개되었으며, 이 연구에서는 BRCA1 유전자와 BRCA2 유전자에 존재하는 돌연변이의 여부에 따라 환자의 그룹을 나눈 후, 각 그룹에서 예후의 차이를 보임을 확인하였다. 이 연구는 임상적 변인 외에 분자적 프로파일로도 암환자의 예후를 측정할 수 있음을 확인한 초기의 연구이다.
최근, 일반적인 암유전체 연구들과 관련된 많은 논문들이 TCGA(The Cancer Genome Atlas), ICGC(International Cancer Genome Consortium) 등에 의해 발표되었다. TCGA는 약 30개의 암종에 대해 유전체, 전사체, 후성유전체적 프로파일에 대한 연구 결과를 출간하였으며, 이 연구에는 암에서 원인 유전자를 찾는 것, 암의 분자적인 분류 및 암에서의 이질성(heterogeneity) 등에 관한 내용이 포함되었다.
현재까지 발표된 대부분의 연구는 한 개의 유전자에 대해 집중되어있고 그 중 암의 예후와 관련된 연구들 역시 한 개의 유전자와 한 개의 암종에 대해서만 한정적으로 개시하고 있다. 그러나 이렇게 확인된 원인 유전자들이 직접적으로 약이 될 수 있는 것은 아니기 때문에 임상적 적용이 어려운 한계가 있다.
따라서 단일 암 관련 마커 유전자를 이용한 항암 치료 연구를 넘어서서, 암 유전체학 정보와 개인 유전체 염기서열 변이 및 전사체 발현정보를 직접 활용하여 맞춤형 항암제를 선별함으로써 항암 치료 효율을 높이고 부작용을 줄일 수 있는 방법론 도입의 필요성이 강하게 제기된다.
본 발명은 상기와 같은 점을 감안하여 안출된 것으로, 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보로부터 도출된 정량 합성암생존 유전자 쌍을 선정하였으며, 상기 선정된 정량 합성암생존 유전자 쌍을 구성하는 하나 이상의 과발현 유전자와 쌍을 이루는 하나 이상의 대응 유전자를 억제하는 약물을 선택함으로써, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법 및 시스템을 제공하고자 한다.
한 양태에서 본 발명은 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 구성하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 대응 유전자를 검출하는 단계; 및 상기 대응 유전자를 억제하는 약물을 선정하는 단계를 포함하는, 암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법을 제공한다.
다른 양태에서 본 발명은 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Cancer Survival) 유전자 쌍을 구성하는 과발현 후보 유전자 및 염기서열 변이 후보 유전자의 수를 산출하는 단계;를 포함하는, 암 환자의 예후 예측을 위한 정보를 제공하는 방법을 제공한다.
또 다른 양태에서 본 발명은 암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택 시스템에 있어서, 상기 시스템은 암 환자에 대해 적용대상이 되는 항암 치료 약물 및 상기 약물이 조절할 수 있는 유전자와 관련된 정보 검색 또는 추출이 가능한 데이터베이스; 상기 데이터베이스에 접근 가능한 통신부; 암 유전체 염기서열 분석부; 암 전사체 발현량 분석부; 약물 선택 정보 제공부; 및 표시부를 포함하며, 상기 암 유전체 염기서열 분석부는 정량 합성암생존 유전자 쌍에 속하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 염기서열 변이 후보 유전자를 선정하는 정량 합성암생존 유전자쌍 선정부 및 상기 과발현 후보 유전자와 함께 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이며, 손상되지 않은 하나 이상의 대응 유전자를 선정하는 대응 유전자 선정부를 포함하고, 상기 약물 선택 정보 제공부는 상기 하나 이상의 대응 유전자를 억제하는 약물 정보를 제공하거나, 상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 약물 정보를 제공하는 것인, 맞춤형 항암 치료 약물 선택 시스템을 제공한다.
또 다른 양태에서 본 발명은 암 유전체 염기서열 변이 정보 및 전사체 발현 정보로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 선별하는 단계; 및 과발현 후보 유전자와 함께 상기 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이고, 손상되지 않은 하나 이상의 대응 유전자를 억제하는 하나 이상의 약물을 선별하거나, 상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 하나 이상의 약물을 선별하는 단계를 포함하는 동작을 수행하는 프로세서를 실행시키는 실행모듈을 포함하는 컴퓨터 판독 가능한 매체를 제공한다.
본 발명의 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템은 정량 합성암생존 유전자 쌍의 분석을 통하여 개인별로 치료 효과 및 예후가 좋은 항암 치료 약물을 선택할 수 있는 기술로서 신뢰도가 높으며 신속하고 간단하게 관련 정보를 제공할 수 있다. 본 발명에 따른 방법 및 시스템을 이용할 경우, 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자와 과발현 후보 유전자를 선정하고, 해당 과발현 유전자와 쌍을 이루며 손상되지 않은 대응 유전자의 선정을 통해, 상기 대응 유전자를 표적으로 조절하는 항암 치료 약물을 선택함으로써, 여러 개의 비교 대상 약물 중에서 개인별 맞춤형 항암제 선택이 가능하며, 약물의 효과 또는 부작용 등을 사전에 예측함으로써 개인에 적용되는 항암제 간의 우선순위 또는 사용 여부를 결정할 수 있다. 또한, 정량 합성암생존 유전자 쌍에 속하는 유전자의 조합 중, 특정 암종별로 다수의 환자에서 발견되는 하나 이상의 변이 및 과발현 유전자의 조합을 선정하여, 개별 환자의 유전체 염기서열 분석결과와는 독립적으로, 다수의 환자에서 치료 효과 및 예후가 좋을 것으로 예측되는 하나 이상의 항암 치료 약물의 조합을 선택하여 각 암종별로 특화된 복합항암요법(combination chemotherapy)의 개발 및 임상적용에 활용할 수 있는 기술의 제공이 가능하며, 이는 신뢰도가 높으며 신속하고 간단하게 관련 정보를 제공할 수 있다. 또한, 본 발명에 따른 방법 및 시스템은 정량 합성암생존 유전자 쌍의 빈도 및 분포 분석을 통해 암의 예후를 예측하는데 사용될 수 있고, 약물 치료 반응성을 예측하는 데에도 효과적으로 사용될 수 있다.
도 1은 폐선암(LUAD)과 대장선암(COAD)에서 검출된 정량 합성암생존 유전자 쌍을 구성하는 유전자의 네트워크를 나타낸 도이다. 도 1(a)는 폐선암(LUAD)에서 검출된 정량 합성암생존 유전자 쌍을 네트워크로 나타낸 것이며, 변이를 가진 노란색 정점과 과발현을 일으키는 파란색 정점으로 구성되어있다. 도 1(b)는 대장선암(COAD)에서 검출된 정량 합성암생존 유전자 쌍을 네트워크로 나타낸 것이며, 변이를 가진 보라색 정점과 과발현을 일으키는 초록색 정점으로 구성되어 있다.
도 2는 폐선암(LUAD)과 대장선암(COAD)에서 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 유전자와 과발현 유전자의 빈도를 나타낸 도이다.
도 3은 (a) 폐선암(LUAD) 및 (b) 대장선암(COAD)에서 각각 4가지 정량 합성암생존 유전자 쌍의 변이와 과발현의 유무에 따른 암 환자의 생존 곡선을 나타낸 도이다.
도 4는 폐선암(LUAD) 환자군에서 정량 합성암생존 유전자 쌍의 개수에 따라 암 환자를 두 군으로 나누어 Kaplan Meier 생존 곡선을 나타낸 도이다((a) 정량 합성암생존 유전자 쌍을 가지고 있는 경우 / 그렇지 않은 경우, (b) 5개 이상 가진 경우 / 그렇지 않은 경우, (c) 10개 이상 가진 경우 / 그렇지 않은 경우, (d) 15개 이상 가진 경우 / 그렇지 않은 경우).
도 5는 대장선암(COAD) 환자군에서 정량 합성암생존 유전자 쌍의 개수에 따라 암 환자를 두 군으로 나누어 Kaplan Meier 생존 곡선을 나타낸 도이다((a) 정량 합성암생존 유전자 쌍을 1개 이상 가지고 있는 경우 / 그렇지 않은 경우, (b) 5개 이상 가진 경우 / 그렇지 않은 경우, (c) 10개 이상 가진 경우 / 그렇지 않은 경우, (d) 15개 이상 가진 경우 / 그렇지 않은 경우).
도 2는 폐선암(LUAD)과 대장선암(COAD)에서 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 유전자와 과발현 유전자의 빈도를 나타낸 도이다.
도 3은 (a) 폐선암(LUAD) 및 (b) 대장선암(COAD)에서 각각 4가지 정량 합성암생존 유전자 쌍의 변이와 과발현의 유무에 따른 암 환자의 생존 곡선을 나타낸 도이다.
도 4는 폐선암(LUAD) 환자군에서 정량 합성암생존 유전자 쌍의 개수에 따라 암 환자를 두 군으로 나누어 Kaplan Meier 생존 곡선을 나타낸 도이다((a) 정량 합성암생존 유전자 쌍을 가지고 있는 경우 / 그렇지 않은 경우, (b) 5개 이상 가진 경우 / 그렇지 않은 경우, (c) 10개 이상 가진 경우 / 그렇지 않은 경우, (d) 15개 이상 가진 경우 / 그렇지 않은 경우).
도 5는 대장선암(COAD) 환자군에서 정량 합성암생존 유전자 쌍의 개수에 따라 암 환자를 두 군으로 나누어 Kaplan Meier 생존 곡선을 나타낸 도이다((a) 정량 합성암생존 유전자 쌍을 1개 이상 가지고 있는 경우 / 그렇지 않은 경우, (b) 5개 이상 가진 경우 / 그렇지 않은 경우, (c) 10개 이상 가진 경우 / 그렇지 않은 경우, (d) 15개 이상 가진 경우 / 그렇지 않은 경우).
본 발명은 종래 공지된 합성치사(synthetic lethality)의 개념에서 벗어나, 특정 두 개의 유전자 중 하나의 유전자의 기능이 손상되는 경우, 하나의 유전자의 기능이 과활성화 되는 경우, 두 유전자의 기능이 모두 정상일 경우에는 환자의 생존이 나쁜데, 두 유전자의 기능에 각각 변이와 과발현이 발생한 경우 그 환자의 생존이 좋아지는 형태인 “정량 합성암생존”의 개념에 근거한 것으로, 이를 이용하여 맞춤형 항암 치료 약물 선택 및 암 환자의 예후를 예측하는데 활용할 수 있는 새로운 방법을 제공하고자 한다.
한 양태에서 본 발명은 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 구성하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 대응 유전자를 검출하는 단계; 및 상기 대응 유전자를 억제하는 약물을 선정하는 단계를 포함하는, 암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법을 제공한다.
본 발명에서 사용된 용어, “염기서열 또는 뉴클레오타이드 서열 (base sequence or nucleotide sequence)”이란 핵산 DNA 또는 RNA 구성의 기본단위인 뉴클레오타이드의 구성성분 중 하나인 염기들을 순서대로 나열한 순서 배열이다.
본 발명에서 사용된 용어, “염기서열 변이 정보”는 핵산 염기서열이 비교대상인 참조군의 염기서열과 서열상의 차이를 나타낼 때 그 차이를 보이는 부분을 의미하는 것으로, 유전자의 엑손을 구성하는 염기의 치환, 부가 또는 결실에 관한 정보를 의미한다. 이러한 염기의 치환, 부가, 또는 결실은 여러 가지 원인에 의해 발생할 수 있으며, 예를 들면 염색체의 돌연변이, 절단, 결실, 중복, 역위 및/또는 전좌를 포함하는 구조적 이상에 의할 수 있다. 구체적으로, 염기서열 변이는 기능상실변이(Loss of Function Variant)의 보유 여부와 그 분포를 기준으로 산출될 수 있다. 상기 기능상실변이에는 nonsense mutation, frameshift insertion and deletion, nonstop mutation and splice site mutation이 포함될 수 있으며, 이에 제한되지 않는다.
상기 참조군 염기서열 또는 참조군 유전체 (Reference base (or nucleotide) sequence or Reference genome)란 염기서열 비교 시에 기준이 되는 염기서열로 표준 염기서열이라고도 한다.
본 발명에서 사용된 용어, “전사체 발현량 (Transcriptome gene expression level)”이란 단백질이 생산되기 전의 산물인 mRNA가 유전체로부터 얼마나 많이 복사되었는지를 나타내는 값을 뜻한다. 전사체 발현량은 질병이나 상태에 따라 유전자들의 활성도가 어떻게 달라지는지 볼 수 있는 척도가 될 수 있다.
본 발명에서 사용되는 암 유전체 염기서열 정보는 공지된 염기서열분석법을 이용하여 결정될 수 있으며, 또한 상용화된 서비스를 제공하는 Complete Genomics, BGI (Beijing Genome Institute), Knome, Macrogen, DNALink 등의 서비스를 이용할 수 있고, 이에 제한되지 않는다.
본 발명에서 암 유전체 염기서열에 존재하는 유전자 염기서열 변이 정보는 다양한 방법을 이용하여 추출될 수 있으며, 참조군, 예를 들면 HG19의 유전체 염기서열과의 서열 비교 프로그램, 예를 들어, ANNOVAR(Wang et al., Nucleic Acids Research, 2010; 38(16): e164), SVA(Sequence Variant Analyzer) (Ge et al., Bioinformatics. 2011; 27(14): 1998-2000), BreakDancer(Chen et al., Nat Methods. 2009 Sep; 6(9):677-81) 등을 이용한 염기서열 비교 분석을 통해 수득될 수 있다.
본 발명에서 사용되는 전사체 발현 정보는 공지된 다양한 방법을 이용하여 추출될 수 있으며, 또한 상용화된 서비스를 제공하는 Affymetrix, Illumina, Macrogen, DNALink 등의 서비스를 이용할 수 있으며 이에 제한되지 않는다.
상기 유전자 염기서열 변이 정보와 전사체 발현 정보는 컴퓨터 시스템을 통하여 접수/수득될 수 있으며, 이런 측면에서 본 발명의 방법은 유전자 변이 정보와 전사체 발현 정보를 컴퓨터 시스템으로 접수하는 단계를 추가로 포함할 수 있다. 본 발명에서 사용되는 컴퓨터 시스템은 암 환자에 대해 적용대상이 되는 항암 치료 약물 및 상기 약물이 억제할 수 있는 유전자와 관련된 정보 검색 또는 추출이 가능한 데이터베이스를 포함하는 하나 이상의 데이터베이스를 포함하거나 데이터베이스에 접근 가능하다.
본 발명에서 사용된 용어, “정량 합성암생존 (Synthetic Dosage Cancer Survival, SDCS)”은 암 세포 또는 암 조직에 포함된 염기서열 변이 유전자와 (전사체) 과발현 유전자의 조합이 해당 암 환자의 생존률 향상을 유발하는 현상으로, 이들 염기서열 변이 및 과발현 유전자 중 일부, 즉, 염기서열 변이 유전자와 과발현 유전자 각각의 존재는 해당 암 환자의 생존률 향상을 유발하지 않지만, 염기서열 변이 유전자와 과발현 유전자의 동시적 조합이 해당 암 환자의 생존률 향상을 유발하는 경우, 그 현상을 정량 합성암생존이라 한다. 본 발명의 일 실시예에서는 암 유전체 염기서열 변이, 전사체 발현량 및 환자 생존 정보를 이용한 생존 분석을 통해 정량 합성암생존 후보 유전자를 선정하였으며, 그 예시를 표 2에 나타내었다.
본 발명에서 사용된 용어, “합성용량치사 (Synthetic Dosage Lethality)”는 염기서열 변이 유전자와 전사체 과발현 유전자의 조합이 세포 사망을 유발하는 현상으로, 염기서열 변이 유전자와 과발현 유전자 각각은 세포 사망을 유발하지 않는 생존 가능한 염기서열 변이 (viable mutation/variant) 유전자와 과발현 (Over-expression) 유전자이지만, 이들 두 개 이상의 생존 가능한 염기서열 변이와 과발현의 조합이 세포 사망을 유발하는 경우 그 현상을 합성용량치사라 한다.
상기 합성용량치사는 암 질환에 적용하면, 염기서열 변이 유전자와 전사체 과발현 유전자의 조합이 암 세포의 사망을 유발하는 현상을 지칭한다. 암 질환의 경우, 암 세포 사망이 해당 암 환자의 생존률에 다소간의 영향을 미칠 수는 있으나, 그 영향 정도는 제한적이며, 암 전이가 세포 사망 보다 암 환자의 생존률에 더 큰 영향을 미치는 것으로 알려져 있다. 또한 합성용량치사의 평가 지표는 세포사망일뿐 환자의 생존률은 아니어서, 본 발명에서 개시하고 있는 정량 합성암생존과 합성용량치사는 차별화되는 개념이다.
또한 본 발명에 따른 실시예 1과 실시예 2에 나타낸 바와 같이, 실제 다수의 정량 합성암생존 유전자 쌍이 다양한 암종의 조직, 세포주 또는 오가노이드 등에서 발견된다. 그러나 이들 암 조직, 세포주 또는 오가노이드가 세포 사망에 이르지 않고 생존하는 것에서 확인할 수 있듯이 정량 합성암생존과 합성용량치사는 차별화되는 개념이다.
또한 본 발명에 따른 실시에 3에 나타낸 정량 합성암생존 부담 (Synthetic Dosage Cancer Survival Burden) 개념과 같이, 정량 합성암생존 유전자 쌍을 더 많이 가질수록 환자의 예후가 좋아지는 선형상관관계를 확인하였다. 반면 합성용량치사 개념에서는 이와 같은 선형상관관계가 논의된 바 없다. 합성용량치사 개념에서는 한 쌍의 합성용량치사 유전자 쌍의 손상만으로도 해당 세포는 비가역적으로 사망하는 것으로 정의된다. 그러므로 두 쌍, 또는 세 쌍, 또는 그 이상의 합성용량치사 유전자 쌍이 더 발견된다고 하여 더 많거나 크거나 강한 사망이 유발된다는 개념은 유효하지 않다. 따라서 합성용량치사 부담 (Synthetic Dosage Lethality Burden)의 개념은 성립하지 않거나 입증된 바 없다. 정량 합성암생존 부담의 신개념에서 확인할 수 있듯이 정량 합성암생존과 합성용량치사는 차별화되는 개념이다.
본 발명에서 사용된 용어 정량 합성암생존은 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 유전자와 과발현 유전자의 조합이 반드시 한 개의 암세포 내에서 발생한 경우만을 지칭하는 것은 아니다. 두 개 이상의 유전자 염기서열 변이 유전자 및 과발현 유전자의 조합이 동일한 암조직 내의 서로 다른 암세포에서 각각 발생하여 조합을 이룬 경우에도 이를 정량 합성암생존이라 한다.
본 발명에 따른 정량 합성암생존 유전자 쌍은 암 환자의 염기서열 변이 정보, 전사체 발현량 정보 및 생존 정보로부터 생존 분석을 수행하거나, 암 세포주, 암 오가노이드(organoid), 또는 암 조직에서의 유전체 염기서열 변이 분석, 또는 침윤능 및/또는 전이능 동정을 통해 선정될 수 있다. 상기 정량 합성암생존 유전자 쌍은 암종별 또는 암종별 인구집단 자료 분석을 통해 획득할 수 있으며, 개인에 따라 그 분포가 크게 다를 수 있다.
구체적으로, 본 발명에서 사용된 용어, “정량 합성암생존 유전자 쌍 (SDCS pair of genes)”은 염기서열 변이 후보 유전자와 전사체 과발현 후보 유전자에 해당하는 두 개의 유전자로 구성된 쌍을 의미한다.
본 발명에서 사용된 용어, “대응 유전자”는 과발현 후보 유전자와 함께 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이고, 손상되지 않은 유전자를 의미하는 것으로, 상기 대응 유전자를 억제하는 약물을 사용하여 해당 암 환자의 생존률을 향상시킬 수 있다.
본 발명에서, 대응 유전자는 유전자가 보유한 유전자 염기서열 변이 점수 또는 유전자 손상 점수에 의해 결정될 수 있으며, 기능상실변이(Loss of Function Variant)의 보유 여부를 기준으로 결정될 수 있다. 즉, 대응 유전자는 기능상실변이가 없거나 유전자 손상 점수가 특정 역치 이하여서 손상되지 않았다고 판단되는 유전자를 의미한다.
본 발명에서 사용된 용어 “유전자 염기서열 변이 점수”란 유전체 염기서열 변이가 단백질을 코딩하는 유전자의 엑손 부위에서 발견되었을 때, 이러한 개별 변이가 해당 유전자가 코딩하는 단백질의 아미노산 서열 변이 (치환, 부가 또는 결실) 또는 전사 조절 변이 등을 초래하여, 해당 단백질의 구조 및/또는 기능에 유의한 변화 혹은 손상을 유발하는 정도를 수치화한 점수를 말하며, 상기 유전자 염기서열 변이 점수는 유전체 염기서열 상에서 아미노산의 진화론적 보존 정도, 변형된 아미노산의 물리적 특성에 따른 해당 단백질의 구조나 기능의 변화에 미치는 정도 등을 고려하여 산출할 수 있다.
본 발명에 의한 유전자 손상 점수 산출 방법에 사용되는 유전자 염기서열 변이 점수를 산출하는 것은 당업계에 공지된 방법을 이용하여 수행될 수 있다. 예를 들면, SIFT (Sorting Intolerant From Tolerant, Pauline C et al., Genome Res. 2001 May; 11(5): 863-874; Pauline C et al., Genome Res. 2002 March; 12(3): 436-446; Jing Hul et al., Genome Biol. 2012; 13(2): R9), PolyPhen, PolyPhen-2 (Polymorphism Phenotyping, Ramensky V et al., Nucleic Acids Res. 2002 September 1; 30(17): 3894-3900; Adzhubei IA et al., Nat Methods 7(4):248-249 (2010)), MAPP (Eric A. et al., Multivariate Analysis of Protein Polymorphism, Genome Res. 2005;15:978-986), Logre (Log R Pfam E-value, Clifford R.J et al., Bioinformatics 2004;20:1006-1014), Mutation Assessor (Reva B et al., Genome Biol. 2007;8:R232, http://mutationassessor.org/), Condel (Gonzalez-Perez A et al.,The American Journal of Human Genetics 2011;88:440-449, http://bg.upf.edu/fannsdb/), GERP (Cooper et al., Genomic Evolutionary Rate Profiling, Genome Res. 2005;15:901-913, http://mendel.stanford.edu/SidowLab/downloads/gerp/), CADD (Combined Annotation-Dependent Depletion, http://cadd.gs.washington.edu/), MutationTaster, MutationTaster2 (Schwarz et al., MutationTaster2: mutation prediction for the deep-sequencing age. Nature Methods 2014;11:361-362, http://www.mutationtaster.org/), PROVEAN (Choi et al., PLoS One. 2012;7(10):e46688), PMuit (Ferrer-Costa et al., Proteins 2004;57(4):811-819, http://mmb.pcb.ub.es/PMut/), CEO (Combinatorial Entropy Optimization, Reva et al., Genome Biol 2007;8(11):R232), SNPeffect (Reumers et al., Bioinformatics. 2006;22(17):2183-2185, http://snpeffect.vib.be), fathmm (Shihab et al., Functional Analysis through Hidden Markov Models, Hum Mutat 2013;34:57-65, http://fathmm.biocompute.org.uk/), MSRV (Jiang, R. et al. Sequence-based prioritization of nonsynonymous single-nucleotide polymorphisms for the study of disease mutations. Am J Hum Genet 2007;81:346-360, http://msms.usc.edu/msrv/), Align-GVGD (Tavtigian, Sean V., et al. Comprehensive statistical study of 452 BRCA1 missense substitutions with classification of eight recurrent substitutions as neutral. Journal of medical genetics 2006:295-305., http://agvgd.hci.utah.edu/), DANN (Quang, Daniel, Yifei Chen, and Xiaohui Xie. DANN: a deep learning approach for annotating the pathogenicity of genetic variants. Bioinformatics 2014: btu703., https://cbcl.ics.uci.edu/public_data/DANN/), Eigen (Ionita-Laza, Iuliana, et al. A spectral approach integrating functional genomic annotations for coding and noncoding variants. Nature genetics (2016):214-220., http://www.columbia.edu/~ii2135/eigen.html), KGGSeq (Li MX, Gui HS, Kwan JS, Bao SY, Sham PC. A comprehensive framework for prioritizing variants in exome sequencing studies of Mendelian diseases.Nucleic Acids Res. 2012 Apr;40(7):e53., http://grass.cgs.hku.hk/limx/kggseq/), LRT (Chun, Sung, and Justin C. Fay. Identification of deleterious mutations within three human genomes. Genome Res. 2009:1553-1561., http://www.genetics.wustl.edu/jflab/lrt_query.html), MetaLR (Dong, Chengliang, et al. Comparison and integration of deleteriousness prediction methods for nonsynonymous SNVs in whole exome sequencing studies. Human molecular genetics 2015;24(8):2125-2137), MetaSVM (Dong, Chengliang, et al. Comparison and integration of deleteriousness prediction methods for nonsynonymous SNVs in whole exome sequencing studies. Human molecular genetics 2015;24(8):2125-2137), MutPred (Mort, Matthew, et al. MutPred Splice: machine learning-based prediction of exonic variants that disrupt splicing. Genome Biology 2014;(15)1:1, http://www.mutdb.org/mutpredsplice/about.htm), PANTHER (Mi, Huaiyu, et al. The PANTHER database of protein families, subfamilies, functions and pathways. Nucleic Acids Research 2005;(33)suppl 1:D284-D288., http://www.pantherdb.org/tools/csnpScoreForm.jsp), Parepro (Tian, Jian, et al. Predicting the phenotypic effects of non-synonymous single nucleotide polymorphisms based on support vector machines. BMC bioinformatics 2007; 8.1, http://www.mobioinfor.cn/parepro/contact.htm), phastCons (Siepel, Adam, et al. Evolutionarily conserved elements in vertebrate, insect, worm, and yeast genomes. Genome Res. 2005;915)8:1034-1050, http://compgen.cshl.edu/phast/), PhD-SNP (Capriotti, E., Calabrese, R., Casadio, R. Predicting the insurgence of human genetic diseases associated to single point protein mutations with support vector machines and evolutionary information. Bioinformatics 2006;22:2729-2734., http://snps.biofold.org/phd-snp/), phyloP (Pollard, Katherine S., et al. Detection of nonneutral substitution rates on mammalian phylogenies._Genome Res. 2010;(20)1:110-121., http://compgen.cshl.edu/phast/background.php), PON-P (Niroula, Abhishek, Siddhaling Urolagin, and Mauno Vihinen. PON-P2: prediction method for fast and reliable identification of harmful variants. PLoS One 2015;(10)2:e0117380., http://structure.bmc.lu.se/PON-P2/), SiPhy (Garber, Manuel, et al. Identifying novel constrained elements by exploiting biased substitution patterns. Bioinformatics 2009;(25)12:i54-i62, http://portals.broadinstitute.org/genome_bio/siphy/documentation.html), SNAP (Bromberg,Y. and Rost,B. SNAP: predict effect of non-synonymous polymorphisms on function. Nucleic Acids Res. 2007;35:3823-3835,w http://www.rostlab.org/services/SNAP), SNPs&GO (Remo Calabrese, Emidio Capriotti, Piero Fariselli, Pier Luigi Martelli, and Rita Casadio. Functional annotations improve the predictive score of human disease-related mutations in proteins. Human Mutatation 2009;30:1237- 1244, http://snps.biofold.org/snps-and-go/), VEP (McLaren W, Pritchard B, Rios D, Chen Y, Flicek P and Cunningham F. Deriving the consequences of genomic variants with the Ensembl API and SNP Effect Predictor. Bioinformatics 2010;26:2069-70 http://www.ensembl.org/info/docs/tools/vep/), VEST (Carter H, Douville C, Stenson P, Cooper D, Karchin R Identifying Mendelian disease genes with the Variant Effect Scoring Tool BMC Genomics 2013;14(Suppl 3):S3), SNAP2 (Yana Bromberg, Guy Yachdav, and Burkhard Rost. SNAP predicts effect of mutations on protein function. Bioinformatics 2008;24:2397-2398, http://www.rostlab.org/services/SNAP), CAROL (Lopes MC, Joyce C, Ritchie GR, John SL, Cunningham F et al. A combined functional annotation score for non-synonymous variants, http://www.sanger.ac.uk/science/tools/carol), PaPI (Limongelli, Ivan, Simone Marini, and Riccardo Bellazzi. PaPI: pseudo amino acid composition to score human protein-coding variants. BMC bioinformatics 2015;(16)1:1, http://papi.unipv.it/), Grantham (Grantham, R. Amino acid difference formula to help explain protein evolution. Science 1974;(185)4154:862-864, https://ionreporter.thermofisher.com/ionreporter/help/GUID-D9DFB21C-652D-4F95-8132-A0C442F65399.html), SInBaD (Lehmann, Kjong-Van, and Ting Chen. Exploring functional variant discovery in non-coding regions with SInBaD. Nucleic Acids Research 2013;(41)1:e7-e7, http://tingchenlab.cmb.usc.edu/sinbad/), VAAST (Hu, Hao, et al. VAAST 2.0: Improved variant classification and disease_]gene identification using a conservation_]controlled amino acid substitution matrix. Genetic epidemiology 2013;(37)6:622-634, http://www.yandell-lab.org/software/vaast.html), REVEL (Ioannidis, Nilah M., et al. REVEL: an Ensemble Method for Predicting the Pathogenicity of Rare Missense Variants._AGHG 2016, https://sites.google.com/site/revelgenomics/), CHASM (Carter H, Chen S, Isik L, Tyekucheva S, Velculescu VE, Kinzler KW, Vogelstein B, Karchin R Cancer-specific high-throughput annotation of somatic mutations: computational prediction of driver missense mutations Cancer Res 2009;69(16):6660-7, http://www.cravat.us), mCluster (Yue P, Forrest WF, Kaminker JS, Lohr S, Zhang Z, Cavet G: Inferring the functional effects of mutation through clusters of mutations in homologous proteins. Human mutation. 2010;31(3):264-271. 10.1002/humu.21194.), nsSNPAnayzer (Lei Bao, Mi Zhou, and Yan Cui nsSNPAnalyzer: identifying disease-associated nonsynonymous single nucleotide polymorphisms. Nucleic Acids Res 2005;33:480-482, http://snpanalyzer.uthsc.edu/), SAAPpred (Nouf S Al-Numair and Andrew C R Martin. The SAAP pipeline and database: tools to analyze the impact and predict the pathogenicity of mutations. BMC Genomics 2013;14(3):1-11, www.bioinf.org.uk/saap/dap/), HanSa (Acharya V. and Nagarajaram H.A. Hansa An automated method for discriminating disease and neutral human nsSNPs. Human Mutation 2012;2:332-337, hansa.cdfd.org.in:8080/), CanPredict (Kaminker,J.S. et al. CanPredict: a computational tool for predicting cancer-associated missense mutations. Nucleic Acids Res., 2007;35:595:598, http://pgws.nci.nih.gov/cgi-bin/GeneViewer.cgi_), FIS (Boris Reva, Yevgeniy Antipin, and Chris Sander. Predicting the functional impact of protein mutations: Application to cancer genomics. Nucleic Acids Res 2011;39:e118-e118.), BONGO (Cheng T.M.K., Lu Y-E, Vendruscolo M., Lio P., Blundell T.L. Prediction by graph theoretic measures of structural effects in proteins arising from non-synonymous single nucleotide polymorphisms. PLoS Comp Biology 2008;(4)7:e1000135, http:// www.bongo.cl.cam.ac.uk/Bongo2/Bongo.htm) 등과 같은 알고리즘을 각 해당 유전자가 보유한 유전자 염기서열 변이에 적용하여 유전자 염기서열 변이 정보에서 유전자 염기서열 변이 점수를 산출할 수 있으며, 이에 제한되지 않는다. 예를 들어, SIFT 점수를 이용하여 유전자 염기서열 변이 점수를 부여할 때, SIFT 점수 0.7점 이상의 변이는 해당 유전자의 기능에 의미있는 변화를 유발하지 않는다는 가정을 적용하여, 0.7점 이상의 변이를 변이가 존재하지 않는 것으로 환산하는 등의 필터링 과정이 적용될 수 있으며, 이러한 변형은 본 발명의 범위에 속하는 것이다. 예를 들어, SIFT 점수를 이용하여 유전자 염기서열 변이 점수를 부여할 때, 해당 SIFT 점수를 임의의 함수를 통해 변형(transform)한 값을 산출하여 적용한 점수도 본 발명의 범위에 속하는 것이다.
상술된 알고리즘들의 목적은 각각의 유전자 염기서열 변이가 해당 단백질의 발현 또는 기능에 얼마나 영향을 미치고, 이 영향이 단백질에 얼마나 손상을 주게 되는지, 혹은 별다른 영향이 없는지 등을 가려내기 위함이다. 이들은 기본적으로 개별 유전자 염기서열 변이가 초래할 해당 유전자가 코딩하는 단백질의 아미노산 서열 및 관련 변화를 판단함으로써 해당 단백질의 발현, 구조 및/또는 기능에 미칠 영향을 판단한다는 점에서 공통점이 있다.
본 발명에 따른 일 구현예에서는 개별 유전자 염기서열 변이 점수를 산출하기 위하여, SIFT (Sorting Intolerant From Tolerant) 알고리즘을 이용하였다. SIFT 알고리즘의 경우, 예를 들면, VCF (Variant Call Format) 형식 파일로 유전자 염기서열 변이 정보를 입력받아, 각각의 유전자 염기서열 변이가 해당 유전자를 손상시키는 정도를 점수화 한다. SIFT 알고리즘의 경우 산출 점수가 0에 가까울수록 해당 유전자가 코딩하는 단백질의 손상이 심해서 해당 기능이 손상됐을 것으로 판단하고, 1에 가까울수록 해당 유전자가 코딩하는 단백질이 정상 기능을 유지하고 있을 것으로 판단한다.
또 다른 알고리즘인 PolyPhen-2의 경우, 산출 점수가 높을수록 해당 유전자가 코딩하는 단백질의 기능적 손상 정도가 큰 것으로 판단한다.
최근에는 SIFT, Polyphen2, MAPP, Logre, Mutation Assessor를 서로 비교하고 종합하여 Condel 알고리즘을 제시한 연구(Gonzalez-Prez, A. & Lpez-Bigas, N. Improving the assessment of the outcome of nonsynonymous SNVs with a consensus deleteriousness score, Condel. The American Journal of Human Genetics, 2011;88(4):440-449)가 발표되었으며, 상기 연구에서는 단백질에 손상을 주는 유전자 염기서열 변이 및 영향이 적은 유전자 염기서열 변이와 관련하여 공지된 데이터의 집합인 HumVar와 HumDiv(Adzhubei, IAet al., A method and server for predicting damaging missense mutations. Nature Methods, 2010;7(4):248-249)를 사용하여 상기 다섯 개의 알고리즘을 비교하였다. 그 결과, HumVar의 97.9%의 단백질 손상을 일으키는 유전자 염기서열 변이와 97.3%의 영향이 적은 유전자 염기서열 변이가 상기 다섯 개의 알고리즘 중 최소 세 개의 알고리즘에서 동일하게 감지되었으며, HumDiv의 99.7%의 단백질 손상을 일으키는 유전자 염기서열 변이와 98.8%의 영향이 적은 유전자 염기서열 변이가 상기 다섯 개의 알고리즘 중 최소 세 개의 알고리즘에서 동일하게 감지되었다. 또한, 상기 HumDiv와 HumVar에 대하여 상기 다섯 개의 알고리즘과 각 알고리즘을 통합하여 계산한 결과들의 정확도를 나타내는 ROC (Reciever Operating Curve) 곡선을 그려본 결과, 상당히 높은 수준(69%~88.2%)에서 AUC(Area Under the Reciever Operating Curve)의 일치도를 보이는 것을 확인하였다. 즉 상술한 다양한 알고리즘들은 그 산출 방법은 달라도 산출된 유전자 염기서열 변이 점수들은 서로 유의하게 상관된 것이다. 따라서 상술한 알고리즘들 또는 알고리즘들을 응용한 방법을 적용하여 유전자 염기서열 변이 점수를 산출하는 서로 다른 알고리즘의 종류에 상관없이 본 발명의 범위에 속하는 것이다. 유전자 염기서열 변이가 단백질을 코딩하는 유전자의 엑손 부위에 발생할 경우, 단백질의 발현, 구조 및/또는 기능에 직접적인 영향을 미칠 수 있다. 따라서 상기 유전자 염기서열 변이 정보를 단백질 기능 손상 정도와 관련시킬 수 있다. 이런 측면에서 본 발명의 방법은 유전자 염기서열 변이 점수를 기반으로 “유전자 손상 점수”를 산출하는 개념을 포함한다. 보다 구체적으로, 변이 유전자와 대응 유전자는 상술한 알고리즘을 각 해당 유전자가 보유한 유전자 염기서열 변이에 적용하여 산출된 유전자 염기서열 변이 점수로부터 산출되는 유전자 손상 점수에 의해 결정될 수 있다.
본 발명에 있어서, 해당 유전자가 보유한 유전자 염기서열 변이가 두 개 이상인 경우, 각 유전자 염기서열 변이 점수들의 평균값으로 유전자 손상 점수가 산출될 수 있다.
본 발명에서 사용된 용어 “유전자 손상 점수(Gene Deleteriousness Score, GDS)”란 하나의 단백질을 코딩하는 유전자 부위에 두 개 이상의 유의한 염기서열 변이가 발견되어, 하나의 단백질이 두 개 이상의 유전자 염기서열 변이 점수를 갖게 되는 경우, 상기 유전자 염기서열 변이 점수를 종합하여 계산된 점수를 말하며, 만약 단백질을 코딩하는 유전자 부위에 유의한 염기서열 변이가 한 개인 경우에는 유전자 손상 점수를 해당 유전자 염기서열 변이 점수와 동일하게 산출할 수 있다. 이때, 단백질을 코딩하는 유전자 염기서열 변이가 두 개 이상인 경우, 유전자 손상 점수는 각 변이 별로 계산된 유전자 염기서열 변이 점수들의 평균값으로 계산되며, 이러한 평균값은 예를 들면 기하평균, 산술평균, 조화평균, 산술기하평균, 산술조화평균, 기하조화평균, 피타고라스 평균, 사분평균, 이차평균, 절삭평균, 윈저화 평균, 가중평균, 가중기하평균, 가중산술평균, 가중조화평균, 함수의 평균, 멱평균, 일반화된 f-평균, 백분위수, 최대값, 최소값, 최빈값, 중앙값, 중앙범위, 또는 중심경향도(measures of central tendency), 단순 곱 또는 가중곱, 또는 상기 산출값들의 함수 연산으로 계산될 수 있으나, 이에 제한되지 않는다.
본 발명에 따른 일 구현예에서는 하기 수학식 1에 의해 유전자 손상 점수를 산출하였으며, 하기 수학식 1은 다양한 변형이 가능하므로, 이에 제한되지 않는다.
[수학식 1]
상기 수학식 1에서 Sg는 유전자 g가 코딩하는 단백질의 유전자 손상점수, n은 상기 유전자 g의 염기서열 변이 중 분석대상 염기서열 변이의 수, vi는 i 번째 분석대상 염기서열 변이의 상기 염기서열 변이 점수이며, p는 0이 아닌 실수이다. 상기 수학식 1에서 상기 p의 값이 1일 때는 산술평균, 상기 p의 값이 -1일 때는 조화평균이 되며, 상기 p의 값이 0에 가까워지는 극한의 경우에는 기하평균이 된다.
본 발명에 따른 또 다른 일 구현예에서는 하기 수학식 2에 의해 유전자 손상 점수를 산출하였다.
[수학식 2]
상기 수학식 2에서 Sg는 유전자 g가 코딩하는 단백질의 유전자 손상점수, n은 상기 유전자 g의 염기서열 변이 중 분석대상인 염기서열 변이의 수, vi는 i 번째 분석대상 염기서열 변이의 상기 유전자 염기서열 변이 점수이며, wi는 상기 i 번째 염기서열 변이의 상기 유전자 염기서열 변이 점수 vi에 부여되는 가중치이다. 모든 가중치 wi가 같은 값을 갖는 경우 상기 유전자 손상점수 Sg는 상기 유전자 염기서열 변이 점수 vi의 기하평균값이 된다. 상기 가중치는 해당 단백질의 종류, 해당 단백질의 약동학적 또는 약력학적 분류, 해당 약물 효소 단백질의 약동학적 파라미터, 인구 집단 또는 인종별 분포를 고려하여 부여될 수 있다.
본 발명에 따른 방법은 상기 정량 합성암생존 유전자 쌍 정보를 이용하여 상기 암 환자에 대해 적용되는 약물 간의 우선순위를 결정하는 단계; 또는 상기 정량 합성암생존 유전자 쌍 정보를 이용하여 상기 암 환자에 적용되는 약물의 사용 여부를 결정하는 단계를 추가로 포함할 수 있다.
본 발명에 따른 방법은 추가적으로 암종별로 유의한 생물학적 마커를 기준으로 두 개 이상의 아군으로 구분한 후, 각 아군에서의 유전체 염기서열 변이정보, 전사체 발현정보와 환자 생존 정보를 이용한 생존 분석을 통해 정량 합성암생존 유전자 쌍을 선정할 수 있다.
상기 생물학적 마커는 암과 관련된 진단, 치료 및 예후에 관여하는 것으로 당업계에 알려진 공지된 마커를 모두 포함하는 개념이다. 예를 들어, 대장암의 진단, 치료 및 예후에 중요한 생물학적 마커로 알려진 MSI(Microsatellite instability)를 비롯하여 각 암종 별로 공지된 마커를 제한 없이 이용할 수 있다.
본 발명에 있어서, 후보 약물의 선정은 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 선별된 정량 합성암생존 유전자 쌍의 개수를 산출하여, 그 산출된 개수를 기준으로 후보 약물의 우선순위 또는 조합을 결정하는 단계에 의해 수행될 수 있다.
본 발명의 일 실시예에서는 정량 합성암생존 유전자 쌍을 선별하고, 이를 구성하는 과발현 유전자가 존재할 때, 이와 쌍을 이루며 손상되지 않은 대응 유전자를 표적으로 이를 억제함으로써 암 환자의 생존률을 증진시킬 수 있음을 확인하였다. 따라서 암 유전체 염기서열 및 전사체 발현량 분석을 통해 여러 개의 비교 대상 약물 중에서 개인별 맞춤형 항암제 선택이 가능하며, 약물의 효과 또는 부작용 등을 사전에 예측함으로써 개인에 적용되는 항암제 간의 우선순위 또는 사용여부를 결정할 수 있다. 또한, 정량 합성암생존 유전자 쌍에 속하는 유전자의 조합 중, 특정 암종별로 다수의 환자에서 발견되는 하나 이상의 변이 및 과발현 유전자의 조합을 선정하여, 개별 환자의 유전체 염기서열 분석결과와는 독립적으로, 다수의 환자에서 치료 효과 및 예후가 좋을 것으로 예측되는 하나 이상의 항암 치료 약물의 조합을 선택하여 각 암종별로 특화된 복합항암요법(combination chemotherapy)의 개발 및 임상적용에 활용할 수 있는 기술의 제공이 가능하다.
다른 양태에서 본 발명은 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Cancer Survival) 유전자 쌍을 구성하는 과발현 후보 유전자 및 염기서열 변이 후보 유전자의 수를 산출하는 단계;를 포함하는, 암 환자의 예후 예측을 위한 정보를 제공하는 방법을 제공한다.
본 발명의 일 실시예에서는 정량 합성암생존 유전자 쌍을 많이 가질수록 암환자의 생존률이 통계학적으로 유의하게 높아짐을 확인하였는바, 암환자의 유전체 분석을 통해 정량 합성암생존 유전자 쌍의 개수로 표현되는 합성암생존 부담을 확인함으로써 해당 암환자의 생존 예후를 효과적으로 예측할 수 있다.
또 다른 양태에서 본 발명은 암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택 시스템에 있어서, 상기 시스템은 암 환자에 대해 적용대상이 되는 항암 치료 약물 및 상기 약물이 조절할 수 있는 유전자와 관련된 정보 검색 또는 추출이 가능한 데이터베이스; 상기 데이터베이스에 접근 가능한 통신부; 암 유전체 염기서열 분석부; 암 전사체 발현량 분석부; 약물 선택 정보 제공부; 및 표시부를 포함하며, 상기 암 유전체 염기서열 분석부는 정량 합성암생존 유전자 쌍에 속하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 염기서열 변이 후보 유전자를 선정하는 정량 합성암생존 유전자쌍 선정부 및 상기 과발현 후보 유전자와 함께 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이며, 손상되지 않은 하나 이상의 대응 유전자를 선정하는 대응 유전자 선정부를 포함하고, 상기 약물 선택 정보 제공부는 상기 하나 이상의 대응 유전자를 억제하는 약물 정보를 제공하거나, 상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 약물 정보를 제공하는 것인, 맞춤형 항암 치료 약물 선택 시스템을 제공한다.
본 발명에 따른 시스템은 암 환자에 대해 적용대상이 되는 항암 치료 약물 및 상기 약물이 억제할 수 있는 유전자와 관련된 정보 검색 또는 추출이 가능한 데이터베이스에 접근하여 관련 정보를 추출하고, 이에 따라 상기 맞춤형 약물 선택 정보를 사용자에게 제공하는 사용자 인터페이스를 추가로 포함할 수 있다.
본 발명에 따른 시스템에서 상기 데이터베이스 또는 그 접근 정보를 포함하는 서버, 산출된 정보 및 이와 연결된 사용자 인터페이스 장치는 서로 연계되어 사용될 수 있다.
본 발명에 따른 시스템에서 사용자 인터페이스 또는 단말은 서버로부터 암 유전체 염기서열 변이와 전사체 발현량을 이용한 맞춤형 항암 치료 약물 선택 처리를 요청, 결과 수신 및/또는 저장할 수 있으며, 스마트 폰, PC(Personal Computer), 태블릿 PC, 개인 휴대 정보 단말기(Personal Digital Assistant, PDA), 웹 패드 등과 같이 메모리 수단을 구비하고 마이크로프로세서를 탑재하여 연산 능력을 갖춘 이동 통신 기능을 구비한 단말기로 구성될 수 있다.
본 발명에 따른 시스템에서 서버는 데이터베이스에 대한 접근을 제공하는 수단으로, 통신부를 통해 사용자 인터페이스 또는 단말)과 연결되어 각종 정보를 교환할 수 있도록 구성된다. 여기서, 통신부는 동일한 하드웨어에서의 통신은 물론, 구내 정보 통신망(local area network, LAN), 도시권 통신망(metropolitan area network, MAN), 광역 통신망(wide area network, WAN), 인터넷, 2G, 3G, 4G 이동 통신망, 와이파이(Wi-Fi), 와이브로(Wibro) 등을 포함할 수 있으며, 통신 방식도 유선, 무선을 가리지 않으며 어떠한 통신 방식이라도 상관없다. 데이터베이스 또한 서버에 직접 설치된 것뿐 아니라 목적에 따라 인터넷 등을 통해 접근 가능한 다양한 생명과학 데이터베이스에 연결될 수 있다.
본 발명에 따른 방법은 하드웨어, 펌웨어, 또는 소프트웨어 또는 이들의 조합으로 구현될 수 있다. 소프트웨어로 구현되는 경우 저장매체는 컴퓨터와 같은 장치에 의해 판독 가능한 형태의 저장 또는 전달하는 임의의 매체를 포함한다. 예를 들면 컴퓨터 판독 가능한 매체는 ROM(read only memory); RAM(random access memory); 자기디스크 저장 매체; 광저장 매체; 플래쉬 메모리 장치 및 기타 전기적, 광학적 또는 음향적 신호 전달 매체 등을 포함한다.
이러한 양태에서 본 발명은 암 유전체 염기서열 변이 정보 및 전사체 발현 정보로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 선별하는 단계; 및 과발현 후보 유전자와 함께 상기 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이고, 손상되지 않은 하나 이상의 대응 유전자를 억제하는 하나 이상의 약물을 선별하거나, 상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 하나 이상의 약물을 선별하는 단계를 포함하는 동작을 수행하는 프로세서를 실행시키는 실행모듈을 포함하는 컴퓨터 판독 가능한 매체를 제공한다.
본 발명에서 이용되는 컴퓨터 판독 가능한 매체에 대해서는 이미 상술하였으므로, 과도한 중복을 피하기 위하여 그 기재를 생략한다.
이하 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시한다. 그러나 하기의 실시예는 본 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐, 실시예에 의해 본 발명의 내용이 한정되는 것은 아니다.
실시예
1. 실험 방법
1-1. 대상 데이터 선정
분석을 위한 데이터를 TCGA 데이터 포탈에서 2015년 10월 6일을 기준으로 다운로드하였다. 상기 데이터는 level2 체세포 돌연변이(somatic mutation) 데이터와 level2 임상 데이터 및 level3 전사체 발현량(RNA sequence) 데이터를 모두 가지고 있는 암 환자 5,723명을 포함하고 있다. 상기 level2 체세포 돌연변이(somatic mutation) 데이터는 maf(mutation annotation format)의 형식으로 되어있다. 분석을 위해서 돌연변이 위치와 돌연변이 분류가 사용되었다. 돌연변이들은 ‘Missense mutation', 'Nonsense mutation', 'Nonstop mutation', 'Frameshift indel', 'In frame indel', 'splice site mutation', 'Translation start site mutation', 'Silent mutation', 'Intron', 'UTR' 및 'Intergenic'으로 분류되어 있고. 이중에 non-synonymous mutation에 해당하는 'Missense mutation', 'Nonsense_Mutation', 'Nonstop mutation', 'Splice site mutation', 'Translation start site mutation'이 사용되었다. Level3 전사체 발현량(RNA sequence) 데이터는 TCGA에서 사전에 RSEM 정규화하여 제공하는 암세포의 발현 데이터를 사용하였다. 상기 level2 임상데이터는 암종에 따른 다양한 임상 변인들을 포함하고 있으며, 실제적으로 cox model에 사용된 변인들은 전문적인 병리학자에 의해 검토되었다.
1-2. 데이터 프로세싱 (
필터링
)
먼저, 임상데이터 중 cox proportional hazard model을 위한 정보가 없는 환자들의 데이터를 제외하였다. 다음으로 cox model에 사용되어야 할 암종에 따른 임상 변인들이 존재하지 않는 환자들의 데이터를 제거하였다. 그리고 돌연변이 데이터가 없는 환자들 및 전사체 발현량 데이터가 없는 환자들의 데이터를 제외하였다. 보다 구체적으로, 돌연변이 데이터는 먼저 synonymous 돌연변이들을 제외한 후, HGNC symbol이 없는 유전자로 데이터에 'Unknown'으로 표기된 유전자들을 제외하였다. 마지막으로 임상정보가 없는 환자들의 데이터를 제외하였으며, 최종적으로 5,723명의 환자들의 데이터를 이용하여 이후 분석에 사용하였다.
1-3. 유전자 손상 점수: Gene deleteriousness score (
GDS
)
유전자의 유해(deleteriousness) 정도를 정량화하기 위해서 유전자 손상 점수(gene deleteriousness score)를 정의하였다. 유전자 손상 점수는 그 유전자의 돌연변이의 개수와 종류들에 따라서 계산되며, 상기 점수의 스케일은 0에서 1까지이고, 더 작은 점수일수록 해당 유전자의 기능적 구조적 손상이 더 심하다는 의미로 정의되었다. 만약 유전자가 nonsense mutation, frameshift insertion and deletion, nonstop mutation, splice site mutation, translation start site mutation과 같은 기능상실변이(LoF)를 가지고 있다면 그 유전자의 유전자 손상 점수는 0으로 정하였다. 만약 유전자가 non-synonymous 돌연변이를 가지지 않는다면 그 유전자의 유전자 손상 점수는 1.0으로 지정하였으며, 만약 유전자가 LoF 돌연변이를 가지지 않는다면 그 유전자의 유전자 손상 점수는 그 유전자에 있는 모든 non-synonymous 돌연변이들의 SIFT 점수의 기하평균으로 정하였다. 이때 0으로 나눠지는 경우를 피하기 위해 SIFT 점수가 0이라면 그것을 10e-8으로 대체하였다. 상기 SIFT 점수의 값이 0.7 이상인 변이에 대해서는 유전자 손상 점수의 계산에 있어서 높은 점수로 보정시키는 효과 때문에 제외하도록 하였다.
상기 SIFT 점수 0.7의 필터링 기준은 본 실시예의 경우에 적용된 임의적인 필터링 기준이며 분석의 목적에 따라 다양한 필터링 기준을 적용할 수 있다. 또한 분모가 0이 되는 것을 피하기 위해 부여한 10e-8점의 변이 점수도 본 실시예의 경우에 적용된 임의적인 기준이며 분석의 목적에 따라 다양한 기준을 적용할 수 있다. 본 실시예에서 유전자 손상 점수를 산출하기 위해 사용된 SIFT 알고리즘(하기 수학식 3 참조) 또한 본 실시예의 경우에 적용된 임의적인 알고리즘이며 분석의 목적에 따라 다양한 알고리즘을 적용할 수 있다.
[수학식 3]
1-4.
전사체
과발현 유전자의 검출 (
Overexpression
gene selection)
환자의 전사체 과발현(overexpression) 유전자를 정의하기 위해 TCGA에서 제공하는 RNA sequence 데이터를 이용하였다. 상기 데이터는 샘플간의 비교를 위한 RSEM 정규화 과정이 이미 되어있기 때문에 본 실험에서는 샘플간의 발현량 정규화 과정을 생략하였다. 발현량이 낮은 유전자의 경우 제거하였고, 그 기준은 한 유전자의 발현량에 대해서 cpm (Count per million) 값이 5보다 큰 환자가 20명 이하일 때 제거하는 것으로 하였다. 환자들간의 상대적인 발현값의 차이를 보기 위해 z 변환을 이용하여 환자의 전사체 발현량 분포를 표준정규분포로 이동시켰다. 마지막으로 유전자 발현량의 z 값이 2보다 큰 환자의 유전자를 과발현(Overexpression) 유전자로 정의하였다.
1-5. Cox proportional hazard model with penalized likelihood
정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자쌍의 스크리닝을 위한 생존분석으로 Cox proportional hazard model을 사용하였다. Cox proportional hazard model은 임상 변인들의 교란작용을 보정할 수 있다. 먼저, 유전자쌍 들의 염기서열 변이 및 과발현 상태에 따른 예후에 미치는 효과(prognostic effect)를 확인하기 위하여 각각의 유전자 쌍 별로 환자군을 4군으로 나누었다; 한 유전자는 과발현 유전자이고 대응 유전자의 유전자 손상 점수가 0.3 이하인 군, 한 유전자는 과발현 유전자이지만 대응 유전자의 유전자 손상 점수가 0.3 보다 큰 군, 한 유전자가 과발현을 보이지 않지만 대응 유전자의 유전자 손상 점수가 0.3 이하인 군, 및 한 유전자도 과발현을 보이지 않고 대응 유전자의 유전자 손상 점수도 0.3보다 큰 군.
일반적으로 사용되는 maximum likelihood를 이용한 cox proportional hazard model의 경우 death event가 0이 된 경우에 컨버전스(convergence) 문제가 생기므로 본 실험에서는 penalized likelihood를 이용한 cox proportional hazard model을 사용하였다. 생존분석은 R (3.2.0)의 'coxphf' 패키지를 이용하여 진행하였다. 또한, 각각의 암종 별로 임상변수들의 교란작용을 보정하기 위하여 cox model에 추가하였다. 나이나 성별과 같은 일반적인 임상 변인들과 전문적 병리학자에 의해 검토되고 이전 연구들에서 사용된 임상 변인들을 추가하였다.
각 군별 변인에 대한 p value와 hazard ratio에 따라 정량 합성암생존 유전자 쌍을 선별하였다. 구체적으로, P value가 0.05 이하이고 hazard ratio가 1 이상인 유전자 쌍을 정량 합성암생존 유전자 쌍으로 정의했다.
실시예
2. 실험 결과 분석
2-1.
TCGA
core data set
상기 실시예 1-2의 데이터 프로세싱 결과, 20개의 암종에서 임상정보, DNA 체세포(somatic) 돌연변이 정보, 전사체 발현량(RNA sequence) 정보를 수득하였다. 상기 데이터 세트는 세 개의 데이터 타입을 모두 가지고 있고, cox proportional hazard model에 필요한 모든 임상변인에 대한 정보를 가지고 있으며, 이하 실험에서는 상기 데이터 세트를 core set라 명명하고 이후 분석에 사용하였다.
2-2. 유전자 손상 점수 분포 (Gene deleteriousness score distribution)
상기 실시예 1-3과 같이 각각의 암종에서 최소 하나이상의 non-synonymous 돌연변이를 가지는 모든 유전자들의 유전자 손상 점수를 계산하였다.
체세포 돌연변이의 발생이 모든 유전체로 보았을 때 흔한 현상이 아니므로, 모든 환자의 모든 유전자들에 대하여 유전자 손상 점수를 계산한 결과, 대부분의 점수는 1.0으로 확인되었다. 1점 외에는 체세포 돌연변이를 보이는 다수의 유전자의 유전자 손상점수가 0점에 분포하였다. 본 실시예에서는 유전자 손상 점수 0.3점을 기준(분석 역치)으로 중등도 이상의 유전자 기능 손상이 일어난 유전자와 그렇지 않은 유전자(대응 유전자)로 나누어 분석하였다.
2-3.
전사체
과발현 유전자 분포 (
Overexpressed
gene distribution)
상기 실시예 1-4와 같이 각각의 암종에서 독립적으로 전사체 발현량(RNA sequence) 데이터를 분석하여 각 유전자의 발현량을 분석하였다. 먼저, cpm값을 이용한 저발현 유전자 필터링을 통해 각각의 암종에서 약 27.35% 가량의 유전자들이 제거되었다. 구체적으로, 473명의 폐선암(Lung adenocarcinoma) 전사체 발현량 데이터에서 각 유전자에 대한 과발현 환자의 분포는 평균 19, 중간값 18, 표준편차 4.70 이었다.
2-4. 정량
합성암생존
유전자 후보 쌍의 선별
상기 실시예 1-5와 같이 20개의 암종에서 생존 분석을 진행한 결과, 803개의 정량 합성암생존 유전자 후보 쌍(candidate pair)들이 9개의 암종에서 발견되었다 (p < 0.05, HR >1). 대부분의 결과들은 대장선암(Colon adenocarcinoma) 및 폐선암(Lung adenocarcinoma)과 같은 특정 암종에서 발견되었다. 두 암종 모두 체세포 돌연변이 빈도가 높고, 다소 높은 사망률을 보이는 암종이다. 이상의 실험 결과를 표 1에 나타내었다.
Tumor Type | Num. of SCS pairs | Clinical variables used in cox model |
COAD | 393 | Age, Gender, Pathologic T/N stage, vascular/lymphovascular invasion status, Anatomic neoplasm subdivision |
LUAD | 203 | Age, Gender, Pathologic T/N stage |
GBM | 94 | Age, Gender, Grade, Histologic type, Symptom, Symptom duration, IDH1 status |
CESC | 81 | Age, Gender, Pathologic T/N stage, Necrosis |
KIRC | 22 | Age, Gender, Pathologic T stage, Residual tumor, Grade |
BLCA | 5 | Age, Gender, Pathologic T/N stage, Race, Marginal status, Smoking status, Alcohol status, Anatomic neoplasm subdivision, HPV status |
STAD | 3 | Age, Gender, Pathologic T/N stage, Grade, Race, Anatomic neoplasm subdivision |
HNSC | 1 | Age, Gender, Pathologic T/N stage, vascular/lymphovascular invasion status, Anatomic neoplasm subdivision |
LIHC | 1 | Age, Grade, Stage, Residual tumor |
BRCA | 0 | Age, Gender, Grade, Pathologic T stage, Necrosis |
CESC | 0 | Age, Gender, Pathologic T/N stage, Necrosis |
THCA | 0 | Age, Gender, Pathologic T/N stage, Focality |
KIRP | 0 | Age, Gender, Karnofsky score |
LAML | 0 | Age, Gender, Pathologic T/N stage, Smoking status |
LUSC | 0 | Age, Grade, Clinical Stage |
OV | 0 | Age, Pathologic T/N stage, Residual tumor, PSA, Gleason pattern, Biochemical recurrence |
PRAD | 0 | Age, Gender, Pathologic T/N stage, Anatomic neoplasm subdivision |
READ | 0 | Age, Gender, Pathologic T/N stage, Tumor site, Clark level, Primary tumor multiple present, Adjuvant pharmaceutical treatment |
UCEC | 0 | Age, Stage, Grade, Histologic type, Residual tumor, Peritoneal washing, Tumor invasion percent |
SKCM | 0 | Age, Pathologic T/N stage, Marginal status, ER/PR/HER2 status |
Total | 803 |
보다 구체적으로, 803개의 정량 합성암생존 유전자 쌍은 249개의 변이 유전자와 489개의 전사체 과발현 유전자로 구성되어 있다. 정량 합성암생존 유전자 쌍을 이루는 유전자 중, 변이 유전자에는 TTN, MUC16, KRAS, TNR과 같은 유전자들이 각각 121, 111, 48, 29번씩 높은 빈도를 보였고, 과발현 유전자에는 CBFB, MYC, TNFRSF17과 같은 유전자들이 37, 21, 12번씩 빈도를 보였다. 이와 같이 높은 빈도를 보이는 변이 유전자들의 GO 분석을 수행한 결과, Biological process에서 apoptosis, cell death, cell adhesion 등에 연관되어 있었고, Cellular component 에서 chromosome, sarcomere 등이 연관되어 있었다. 대부분의 환자들은 정량 합성암생존 유전자 쌍을 가지고 있지 않았으며, 한 환자에서 가지는 SCS 쌍의 수가 많아질수록 해당 환자의 수가 줄어드는 것을 확인하였다.
상기 과정을 통해 확인한 정량 합성암생존 유전자 쌍을 구성하는 유전자의 네트워크를 도 1에, 정량 합성암생존 유전자 유전자 빈도를 도 2에 나타내었다. 도 1(a)에서는 폐선암(LUAD)에서 나타나는 정량 합성암생존 유전자 쌍을 나타낸 것으로, 변이를 가진 노란색 정점과 전사체 과발현을 일으키는 파란색 정점으로 구성하였고 서로 다른 종류의 두 정점을 선으로 연결함으로써 정량 합성암생존 유전자 쌍을 표현하였다. 도 1(b)는 대장선암(COAD)에서 나타나는 정량 합성암생존 유전자 쌍을 네트워크로 나타낸 것이며, 변이를 가진 보라색 정점과 과발현을 일으키는 초록색 정점으로 구성되어 있다.
도 3의 생존곡선은 상기 실험 결과에서 구한 정량 합성암생존 유전자 쌍에 대한 체세포 돌연변이와 전사체 과발현 유무에 따른 생존곡선을 분석한 결과이다. 예를 들어, 도 3(a)에 나타낸 바와 같이, RYR2 유전자와 ABCF1 유전자가 서로 정량 합성암생존 유전자 쌍(SCDS pair of genes) 관계에 있음을 알 수 있다. 즉, RYR2 유전자(빨간 선)만 기능 손상 유전자 (functionally damaged gene)이거나 ABCF1 유전자(초록 선)만 유전체 과발현 유전자인 경우에는 기능 손상 유전자 및 과발현 유전자 모두 가지지 않는 보통의 경우(파란 선)과 비교하였을 때 암 생존률에서 유의한 차이가 없으나, RYR2 유전자에 기능 손상과 동시에 ABCF1 유전자가 과발현이 되어있는 경우는 유의하게 암 환자의 생존률이 향상된 것을 확인하였다. 마찬가지로, 도 3(a)에 나타낸 바와 같이, 폐선암에서 TTN 유전자-DPH2 유전자, MUC16 유전자-ANO8 유전자 및 FAT3 유전자-PBMXL1 유전자가 각각 정량 합성암생존 유전자 쌍에 해당하며, 도 3(b)에 나타낸 바와 같이, 대장선암에서 TTN 유전자-ZNF512B 유전자, TP53 유전자-F2RL2 유전자, KRAS 유전자-TRAPPC3 유전자 및 PCLO 유전자-CMTM7 유전자가 각각 정량 합성암생존 유전자 쌍에 해당함을 확인하였다.
상기 실험 결과를 통하여, 환자의 암 유전체 염기서열 정보와 전사체 발현량을 분석함으로써, 정량 합성암생존을 유발하는 유전자 쌍에 속하는 변이 유전자 및 전사체 과발현 유전자가 존재하는 것을 확인하였다.
그러므로 개인 암 환자에서, 상기 선정된 변이 유전자 및 전사체 과발현 유전자로 구성된 정량 합성암생존 유전자 쌍의 암 유전체 염기서열 변이 및 전사체 발현 분석을 통해, 해당 암 환자에서 발견된 하나 이상의 과발현 유전자와 쌍을 이루는 유전자이지만 유전자 손상 점수가 설정된 역치보다 높고, LoF 변이가 발견되지 않아 유전자 손상이 없는 대응 유전자를 억제하는 항암제를 이용하여, 인위적으로 정량 합성암생존 유전자 쌍의 상태를 유발하는 것이 항암 치료 효율을 높이기 위해 바람직함을 확인하였다.
예를 들어 도 3(a)에 나타낸 바와 같이, RYR2 유전자와 ABCF1 유전자가 서로 합성암생존 유전자 쌍 관계에 있으므로, 특정 암 환자의 암 유전체 및 전사체 분석결과 ABCF1 유전자만 과발현을 보이고, RYR2 유전자는 기능 손상을 보이지 않는 경우, 과발현 ABCF1의 대응 유전자인 RYR2 유전자의 억제 약물을 투여하여 암 생존률을 향상시킬 수 있다.
본 실시예의 판단 기준을 적용하여 9개의 암종에서 선별한 803개의 정량 합성암생존 유전자 쌍의 예시 목록을 표 2에 나타내었다. 많은 수의 합성암생존 유전자 쌍을 가진 암종부터 순서대로 나타내었다.
대장선암 정량 합성암생존 유전자쌍 | |||
변이 유전자 | 과발현 유전자 | 변이 유전자 | 과발현 유전자 |
ABCA13 | DNAJA1 | MUC5B | CLN8 |
ABCA13 | PGAM1 | MUC5B | CNNM4 |
ABCA13 | PSMB7 | MUC5B | CNTN4 |
ACVR2A | TLX1 | MUC5B | COL8A2 |
APC | BBS2 | MUC5B | DFNA5 |
APC | DDO | MUC5B | DPYD |
APC | HM13 | MUC5B | FAP |
APC | JMJD6 | MUC5B | FSTL1 |
APC | POLR1D | MUC5B | GFPT2 |
APC | RP9 | MUC5B | GPR124 |
APC | SESN1 | MUC5B | GPX8 |
APC | SLC1A7 | MUC5B | KCTD1 |
APC | TNNC2 | MUC5B | KIRREL |
APC | TRIM58 | MUC5B | LAMB2 |
APC | UFC1 | MUC5B | LOXL1 |
APC | VPS28 | MUC5B | MMP3 |
APC | ZNF7 | MUC5B | NLGN2 |
BRAF | ADAM8 | MUC5B | PDGFRL |
BRAF | BACE2 | MUC5B | PFKFB3 |
BRAF | CCDC48 | MUC5B | VEGFC |
BRAF | DUSP4 | MUC5B | VIM |
BRAF | ERO1L | MXRA5 | GFM2 |
BRAF | FAM46A | OBSCN | LGALS3BP |
BRAF | GALNT5 | OBSCN | LXN |
BRAF | GPR126 | OBSCN | PFKFB3 |
BRAF | HSH2D | OBSCN | TBC1D8 |
BRAF | KIFC3 | OBSCN | TOE1 |
BRAF | MBP | ODZ3 | SLFN11 |
BRAF | MEOX1 | ODZ3 | ZNF189 |
BRAF | PLEC | PAPPA2 | HSPA8 |
BRAF | PPP4R1 | PCLO | LYSMD2 |
BRAF | PTGFRN | PCLO | SYT13 |
BRAF | RAB27B | PDE4DIP | MTAP |
BRAF | RAB8B | PDE4DIP | SLC4A11 |
BRAF | SHE | PREX2 | MBP |
BRAF | SLC4A11 | RYR1 | FCGR1B |
BRAF | SMCHD1 | RYR1 | HK3 |
BRAF | STYK1 | RYR1 | IL4I1 |
BRAF | TBC1D15 | RYR1 | ITGB2 |
BRAF | TMEM144 | RYR1 | SLC4A11 |
BRAF | TNIP1 | RYR1 | TRIM29 |
BRAF | TSHZ2 | RYR2 | SLC4A11 |
CACNA1H | DUSP4 | RYR3 | ALDOA |
CACNA1H | PRSS12 | RYR3 | HSPA8 |
CACNA1H | RAB27B | RYR3 | IGF2BP3 |
CACNA1H | TOR1AIP2 | RYR3 | TMED3 |
CDH23 | INO80C | RYR3 | WDR54 |
CELSR2 | GRAMD1B | SDK1 | B3GNT1 |
COL12A1 | HIF1A | SDK1 | FN1 |
COL12A1 | IKBIP | SDK1 | GLT8D2 |
COL6A6 | OAZ1 | SDK1 | KIRREL |
COL7A1 | CYB5D2 | SDK1 | SGIP1 |
COL7A1 | MBP | SYNE1 | ANO1 |
CROCC | C18orf32 | SYNE1 | DUSP4 |
CSMD1 | ERO1L | SYNE1 | TBC1D15 |
CSMD1 | SLC4A11 | SYNE2 | CALM2 |
CTNNB1 | HSPA8 | TAS2R19 | TLX1 |
DCHS2 | SLC4A11 | TCHH | KIFC3 |
DNAH1 | MLPH | TP53 | APLNR |
DNAH1 | WDR54 | TP53 | CD93 |
DNAH11 | MBP | TP53 | CH25H |
DNAH11 | METTL10 | TP53 | COL15A1 |
DNAH17 | CALM2 | TP53 | CYYR1 |
DNAH17 | CD109 | TP53 | F2RL2 |
DNAH3 | PGAM1 | TP53 | GGT5 |
DNAH5 | IGF2BP3 | TP53 | HLX |
DST | TRIM29 | TP53 | HSPA12B |
FAT4 | ATP8B1 | TP53 | SEPT04 |
FAT4 | C10orf12 | TP53 | TEK |
FAT4 | CD109 | TTN | ADAM8 |
FAT4 | CTDP1 | TTN | ADCY7 |
FAT4 | DPP4 | TTN | ADPRH |
FAT4 | ERO1L | TTN | AEBP1 |
FAT4 | IL24 | TTN | AGRN |
FAT4 | MME | TTN | APBA2 |
FAT4 | MOGAT2 | TTN | ARHGAP31 |
FAT4 | MYEOV | TTN | BOLA3 |
FAT4 | RAB27B | TTN | C10orf12 |
FAT4 | RASSF6 | TTN | C10orf26 |
FAT4 | TMEM184B | TTN | C1R |
FAT4 | TOE1 | TTN | C1S |
FBXW10 | TLX1 | TTN | C20orf103 |
FBXW7 | TRPS1 | TTN | CCDC48 |
FLNC | C12orf29 | TTN | CCDC88A |
FLNC | CALM2 | TTN | CCL14-CCL15 |
GPR98 | TBC1D15 | TTN | CD97 |
HMCN1 | DUSP4 | TTN | CDH11 |
HMCN1 | MYEOV | TTN | CEP170 |
KRAS | AGPAT4 | TTN | CHN1 |
KRAS | ANKRD50 | TTN | CHST3 |
KRAS | BBS2 | TTN | CLEC14A |
KRAS | BCAP29 | TTN | CNTN4 |
KRAS | C19orf70 | TTN | COLEC12 |
KRAS | C1orf43 | TTN | COMTD1 |
KRAS | C2orf42 | TTN | CPA3 |
KRAS | C3orf67 | TTN | CSGALNACT2 |
KRAS | CARKD | TTN | CTU2 |
KRAS | CH25H | TTN | CYYR1 |
KRAS | CHMP4C | TTN | DCN |
KRAS | CHMP5 | TTN | DOHH |
KRAS | CXorf38 | TTN | DPY19L3 |
KRAS | CYFIP2 | TTN | ELK3 |
KRAS | CYR61 | TTN | EPAS1 |
KRAS | DLEU2 | TTN | FAM126A |
KRAS | FN1 | TTN | FAM173A |
KRAS | GADD45B | TTN | FAM19A5 |
KRAS | GGT5 | TTN | FAP |
KRAS | HAS2 | TTN | FHL2 |
KRAS | IKBIP | TTN | FKBP1B |
KRAS | KDM5A | TTN | FLT3LG |
KRAS | LMBR1 | TTN | FN1 |
KRAS | MRPS14 | TTN | FN3K |
KRAS | NCK2 | TTN | FOLR2 |
KRAS | NKIRAS1 | TTN | FSTL1 |
KRAS | OCIAD1 | TTN | GFPT2 |
KRAS | OSTC | TTN | GGT5 |
KRAS | P2RY13 | TTN | GJA4 |
KRAS | PCDHGB6 | TTN | GLIS3 |
KRAS | PLK1 | TTN | GNAI2 |
KRAS | PMF1 | TTN | GPR176 |
KRAS | PMPCB | TTN | GPR68 |
KRAS | RAVER1 | TTN | GPX8 |
KRAS | RBM42 | TTN | HLX |
KRAS | RPS29 | TTN | IGF2BP3 |
KRAS | SLC39A6 | TTN | JUNB |
KRAS | TMEM128 | TTN | KCNS3 |
KRAS | TRAPPC3 | TTN | KIRREL |
KRAS | TRIM29 | TTN | LEPR |
KRAS | UBE2W | TTN | LPXN |
KRAS | UFC1 | TTN | LUM |
KRAS | UNC50 | TTN | MARVELD2 |
KRAS | WDFY2 | TTN | MMP23B |
KRAS | WRB | TTN | MMRN2 |
KRAS | YEATS4 | TTN | MXRA8 |
KRAS | ZC3H8 | TTN | NID2 |
KRAS | ZC3HC1 | TTN | NLGN2 |
LILRA6 | WISP1 | TTN | NR3C1 |
LILRB3 | WISP1 | TTN | ODZ4 |
LILRB3 | PDGFB | TTN | PDGFRB |
LRP1 | APOBEC3F | TTN | PECAM1 |
MACF1 | CD109 | TTN | PHTF2 |
MLL2 | ANTXR1 | TTN | PMEPA1 |
MLL2 | DFNA5 | TTN | PODN |
MLL2 | DPYD | TTN | POSTN |
MLL2 | GPR68 | TTN | PPAPDC1A |
MLL2 | IKBIP | TTN | PRICKLE1 |
MLL2 | RECK | TTN | RAPGEF3 |
MLL2 | SLC4A11 | TTN | RECK |
MLL2 | VIM | TTN | RNF144A |
MLL4 | CALM2 | TTN | RNF7 |
MLL4 | DUSP4 | TTN | RPL24 |
MLL4 | ERO1L | TTN | SDK1 |
MLL4 | GPR126 | TTN | SDS |
MLL4 | MTAP | TTN | SEPT04 |
MLL4 | S100A14 | TTN | SERPINF1 |
MLL4 | SDR16C5 | TTN | SGIP1 |
MLL4 | WDR54 | TTN | SHISA4 |
MUC16 | ABTB1 | TTN | SLC16A3 |
MUC16 | ACER2 | TTN | SLC2A6 |
MUC16 | ARHGAP1 | TTN | SRD5A3 |
MUC16 | B3GNT9 | TTN | SRGAP2 |
MUC16 | CALM2 | TTN | SRPX |
MUC16 | CAMSAP1 | TTN | SSC5D |
MUC16 | CAPZA1 | TTN | SULF1 |
MUC16 | CFH | TTN | TEK |
MUC16 | CHMP5 | TTN | TGFB1 |
MUC16 | COL8A2 | TTN | THBD |
MUC16 | COMTD1 | TTN | THOC7 |
MUC16 | CSGALNACT2 | TTN | TMEM131 |
MUC16 | CTDP1 | TTN | TSHZ3 |
MUC16 | DFNA5 | TTN | VEGFC |
MUC16 | DNAJA1 | TTN | WASH2P |
MUC16 | DPYD | TTN | WDR54 |
MUC16 | ELK3 | TTN | WDR91 |
MUC16 | EVC | TTN | ZEB2 |
MUC16 | FAM165B | UNC13C | METTL10 |
MUC16 | FAP | USH2A | AEBP1 |
MUC16 | KIFC3 | USH2A | C10orf72 |
MUC16 | LOXL1 | USH2A | CDH11 |
MUC16 | MASTL | USH2A | CFLAR |
MUC16 | METTL10 | USH2A | EVC |
MUC16 | MYO1A | USH2A | FBN1 |
MUC16 | NRP2 | USH2A | FLT3LG |
MUC16 | PDGFRL | USH2A | FN1 |
MUC16 | PLXDC2 | USH2A | MSC |
MUC16 | PSMB7 | USH2A | ODZ4 |
MUC16 | RAPGEF3 | USH2A | OLFML2B |
MUC16 | SDR16C5 | USH2A | PDGFRB |
MUC16 | SLC4A11 | USH2A | PRRX1 |
MUC16 | TEP1 | USH2A | SERPINF1 |
MUC16 | VAPA | USH2A | THBS2 |
MUC16 | WDR54 | ZFHX3 | PIAS2 |
MUC5B | ARHGAP1 | ZFHX3 | TRPS1 |
MUC5B | CALU | ZFHX4 | METTL10 |
MUC5B | CD82 | ZNF814 | CSTB |
MUC5B | CD93 | ZNF814 | IGF2BP3 |
MUC5B | CHST3 | ||
폐선암 정량 합성암생존 유전자쌍 | |||
USH2A | CEACAM19 | MUC16 | ZNF512B |
USH2A | TBC1D16 | MUC16 | ZNF528 |
RANBP2 | SLCO5A1 | MUC16 | ZNF653 |
NAV3 | APOBEC3B | MUC16 | ZYG11A |
TTN | CBX6 | SI | EXOC3 |
TTN | CCDC97 | PAPPA2 | KIAA1468 |
TTN | CSDE1 | PAPPA2 | MYRIP |
TTN | DPH2 | HMCN1 | LASS5 |
TTN | KIAA1967 | HMCN1 | THAP3 |
TTN | ODF2L | HMCN1 | THOC6 |
TTN | PGPEP1 | HMCN1 | ZNF821 |
TTN | PKN1 | HMCN1 | ZSWIM3 |
TTN | WIZ | ABCB5 | C19orf52 |
TTN | ZNF570 | ABCB5 | EBP |
FAT3 | ABCF1 | ABCB5 | NR2C2AP |
FAT3 | BRD4 | ABCB5 | PAFAH1B3 |
FAT3 | CCDC97 | DCAF12L2 | EDN1 |
FAT3 | CSDE1 | FRG1B | CEACAM19 |
FAT3 | DHX34 | TNN | BRD4 |
FAT3 | DPH2 | TNN | GRIN2D |
FAT3 | DTNB | TNN | IGFBPL1 |
FAT3 | GRLF1 | TNN | KIF7 |
FAT3 | LIG1 | TNN | MAGEA6 |
FAT3 | MAGEA6 | TNN | PCDHB13 |
FAT3 | NEURL | TNN | PLEKHG4 |
FAT3 | PCDHB14 | TNN | STRN4 |
FAT3 | SF3B3 | TNN | ZNF229 |
FAT3 | ZNF229 | TNR | ALKBH4 |
ANK2 | SLC38A7 | TNR | ANO8 |
FER1L6 | RABEPK | TNR | C16orf70 |
MUC16 | AARS2 | TNR | CCHCR1 |
MUC16 | ACIN1 | TNR | DHDDS |
MUC16 | ANKLE1 | TNR | DHX38 |
MUC16 | ANO8 | TNR | DIP2A |
MUC16 | ATXN1L | TNR | DOCK3 |
MUC16 | ATXN2L | TNR | EXD3 |
MUC16 | BTBD12 | TNR | GPATCH3 |
MUC16 | CCDC130 | TNR | GRIN2D |
MUC16 | CCDC97 | TNR | KRI1 |
MUC16 | CHTF18 | TNR | LOC100132287 |
MUC16 | COL28A1 | TNR | MFN2 |
MUC16 | CUL9 | TNR | NGDN |
MUC16 | DDX31 | TNR | PABPN1 |
MUC16 | DHX34 | TNR | PHLDB3 |
MUC16 | DIP2A | TNR | PILRB |
MUC16 | DOCK3 | TNR | PRR3 |
MUC16 | DUSP28 | TNR | RGL3 |
MUC16 | E2F4 | TNR | RNF31 |
MUC16 | EDC4 | TNR | SDR39U1 |
MUC16 | EXD3 | TNR | SF3B3 |
MUC16 | FAM76A | TNR | TIGD7 |
MUC16 | GATAD1 | TNR | XAB2 |
MUC16 | GLTSCR1 | TNR | ZNF436 |
MUC16 | GPATCH3 | TNR | ZNF653 |
MUC16 | GPN2 | TNR | ZNF778 |
MUC16 | GTPBP3 | TNR | ZYG11A |
MUC16 | JUND | RYR2 | ABCF1 |
MUC16 | KIAA0467 | RYR2 | ANKLE1 |
MUC16 | KPTN | RYR2 | ARFGEF2 |
MUC16 | KRI1 | RYR2 | BCL3 |
MUC16 | KSR2 | RYR2 | CHEK2 |
MUC16 | LOC283922 | RYR2 | CNTD2 |
MUC16 | LOC440173 | RYR2 | CTAG1B |
MUC16 | MKL2 | RYR2 | DMBX1 |
MUC16 | MTOR | RYR2 | EHMT1 |
MUC16 | NFATC4 | RYR2 | KPTN |
MUC16 | NOC2L | RYR2 | ODF2L |
MUC16 | PABPN1 | RYR2 | RBM28 |
MUC16 | PCSK4 | RYR2 | SF3B3 |
MUC16 | PGPEP1 | RYR2 | SLC5A5 |
MUC16 | PHLDB3 | RYR2 | ZFYVE9 |
MUC16 | PILRB | RYR2 | ZNF200 |
MUC16 | PKN1 | RYR2 | ZNF223 |
MUC16 | PLCG1 | RYR2 | ZNF229 |
MUC16 | PMS2L3 | KEAP1 | ERP29 |
MUC16 | POLR2E | MYO18B | MAGEA6 |
MUC16 | RECQL4 | MYO18B | ZNF131 |
MUC16 | RERE | CACNA1E | C16orf88 |
MUC16 | SFRS16 | CACNA1E | PAFAH1B3 |
MUC16 | SIN3B | HELZ | IDH1 |
MUC16 | SKIV2L | MAGEC1 | ZNF560 |
MUC16 | SLC7A6OS | MYLK | BTBD12 |
MUC16 | SNHG11 | MYLK | ZBTB17 |
MUC16 | SNIP1 | RYR3 | ANKLE1 |
MUC16 | SPATA2L | RYR3 | ARHGAP39 |
MUC16 | SPATA2 | RYR3 | BRD4 |
MUC16 | SSBP4 | RYR3 | CTAG1B |
MUC16 | STK31 | RYR3 | MAGEB2 |
MUC16 | TFF3 | RYR3 | MTF2 |
MUC16 | THAP3 | RYR3 | NASP |
MUC16 | TRIM39 | RYR3 | ODF2L |
MUC16 | TRIM62 | RYR3 | PCDHB13 |
MUC16 | TRMT1 | RYR3 | PCDHB14 |
MUC16 | TRPM4 | RYR3 | PLEKHG4 |
MUC16 | VPS16 | RYR3 | SF3B3 |
MUC16 | WDR8 | RYR3 | ZNF229 |
MUC16 | XAB2 | PRDM9 | POLR2J4 |
MUC16 | ZBTB17 | SCN10A | COG5 |
MUC16 | ZBTB22 | DNAH5 | RNASEN |
MUC16 | ZNF182 | OR4A15 | COBL |
MUC16 | ZNF362 | ZFHX4 | SEC61A2 |
MUC16 | ZNF436 | ||
교아종 정량 합성암생존 유전자쌍 | |||
SYNE1 | CBFB | KIR2DL3 | YES1 |
COG1 | MYC | HUNK | CBFB |
TENM2 | CBFB | TEX264 | PAX3 |
UTP20 | CBFB | ENTPD1 | MYC |
TRAK2 | EGFR | DDX23 | CBFB |
SLC6A9 | MYC | FMNL3 | MYC |
KIF13B | CBFB | PLA2G4B | CBFB |
LRP1 | CBFB | BCO1 | YES1 |
PHACTR1 | MYC | TOP2A | MYC |
LDB2 | CBFB | DND1 | CBFB |
PREP | MYC | SCUBE3 | YES1 |
AGAP4 | MYC | LAMB4 | YES1 |
CKAP5 | CBFB | UBE2E3 | PAX3 |
NSD1 | CBFB | PBRM1 | MYC |
ZNF831 | MYC | TTBK2 | STIL |
HEPACAM | EGFR | RBL1 | STIL |
TAS2R43 | CBFB | KRTAP26-1 | CBFB |
LRP6 | CBFB | PRAMEF10 | YES1 |
BCL9 | TCF3 | ADCY3 | GFI1B |
CD8B | MYC | FLNC | CBFB |
TRAK2 | TCF3 | CLIP1 | TCF3 |
PRPF8 | CBFB | SLC12A6 | CBFB |
ITPR3 | CBFB | FOSB | GFI1B |
CTC-435M10.3 | CBFB | OR5B21 | CBFB |
KCNA2 | CBFB | ZNF608 | GFI1B |
FN1 | YES1 | GOLM1 | TCF3 |
FAM208B | CBFB | QRICH1 | YES1 |
POLE | CBFB | CACNA1D | CREB3L2 |
AGO4 | EGFR | PIDD1 | TCF3 |
AGO4 | MYC | HTT | CBFB |
CACNA1D | CBFB | OR5L1 | MYC |
LILRA6 | CBFB | SIK2 | CBFB |
PTCHD2 | MYC | FMNL3 | STIL |
UHMK1 | STIL | E2F7 | YES1 |
SLC3A1 | MYC | VPS33B | CBFB |
SLC25A20 | MYC | THUMPD1 | CBFB |
SLC4A4 | CBFB | INPP5K | MYC |
KCNJ12 | MYC | RFXANK | CBFB |
RBL1 | MYC | TOMM34 | CBFB |
GPR61 | CBFB | OR2T3 | GFI1B |
BRPF3 | EGFR | PPM1G | YES1 |
ADNP2 | CBFB | IKBKB | GFI1B |
PLCB1 | YES1 | METTL21A | GFI1B |
NCOA6 | CBFB | EXOSC3 | MYC |
BCL9 | CBFB | PTPDC1 | GFI1B |
MIA3 | YES1 | MUC5B | CREB3L2 |
IGF1R | MYC | SHANK2 | YES1 |
자궁경부암 정량 합성암생존 유전자쌍 | |||
TDG | MYB | LAMA2 | TCL1A |
AHNAK2 | TNFRSF17 | CEMIP | LCK |
MUC17 | LYN | RBBP6 | PRKCI |
KRTAP9-9 | MYB | SPTBN5 | LHX4 |
EEF2KMT | LHX4 | PSG1 | PRKCI |
LRP5 | POU2AF1 | ZNRF3 | LYN |
ALPK3 | PAX7 | DUSP27 | VAV1 |
LILRA2 | PIM2 | HECW2 | FGF5 |
OR1L4 | PIM2 | KIAA1109 | PRKCI |
TENM4 | POU2AF1 | PPP1R10 | LYN |
TENM4 | TNFRSF17 | TAS2R31 | TBC1D3 |
AHNAK2 | PRKCI | BAZ1A | LMO1 |
KCNJ12 | RNF213 | ARHGEF1 | LHX4 |
DNAJC11 | RNF213 | POTEH | WHSC1 |
HMCN1 | ELF4 | CNTN2 | TLX1 |
HMCN1 | TCL1A | IQCE | LCK |
USH2A | BRCC3 | SLC24A2 | TLX1 |
CAD | LYN | C12orf43 | RNF213 |
CAD | RNF213 | VWA8 | LCK |
PDZRN3 | AGR2 | PCNX | LHX4 |
EEF2KMT | GMPS | PML | MAFA |
KIAA1244 | LCK | CEMIP | LYN |
LRP5 | LCK | MYCBPAP | MAL |
CFAP54 | LCK | MAN2B1 | PAX7 |
CILP | MYEOV | MDGA1 | HMGA2 |
RYR1 | BRCC3 | AASS | LHX4 |
ZNF142 | GMPS | CFAP58 | PAX7 |
ADAMTS12 | LCK | MYCBPAP | TLX1 |
HLA-DQB2 | VAV1 | GALNT14 | MAFA |
DNAH8 | LYN | ATP13A3 | LHX4 |
REV3L | LYN | TRPA1 | REL |
KIAA1244 | TNFRSF17 | NDST2 | LCK |
UBE2N | TLX1 | ITGA11 | LYN |
ITGA11 | PAX7 | DENND5B | LHX4 |
MET | MAFA | RIPK4 | PRKCI |
CFAP54 | TNFRSF17 | MPP7 | MAL |
CILP | LCK | CYP2C9 | LCK |
ARHGEF1 | PAX7 | DEPDC7 | LCK |
KIR3DL3 | VAV1 | PRMT5 | POU2AF1 |
ACSS1 | TLX1 | SLC24A3 | HOXA9 |
FAT1 | TCL1A | ||
신장암 정량 합성암생존 유전자쌍 | |||
SEPT10 | CDT1 | GDA | FSTL3 |
NFIL3 | TNFRSF17 | SYCP3 | TNFRSF17 |
SLTM | TNFRSF17 | PDE6C | TNFRSF17 |
ELF1 | CCND1 | ATR | CCND1 |
NEDD9 | EVI2B | UPF3A | TNFRSF17 |
PLA2G4A | TNFRSF17 | BIRC6 | PDGFD |
HEATR5A | FSTL3 | MSTN | EVI2B |
ZBTB38 | EVI2B | NRAP | FSTL3 |
SGOL1 | CCND1 | ZBTB38 | TNFRSF17 |
POLR3B | EVI2B | DNAI1 | FSTL3 |
SETD2 | FSTL3 | TM7SF2 | TNFRSF17 |
고환암 정량 합성암생존 유전자쌍 | |||
TTN | CCT7 | TTN | ITGA2 |
TTN | DAP3 | TTN | LOC645676 |
TTN | EIF5B | ||
위암 정량 합성암생존 유전자쌍 | |||
APOB | TCL1A | KALRN | TCL1A |
ERICH3 | FAM83A | ||
두경부암 정량 합성암생존 유전자쌍 | |||
TP53 | DIABLO | ||
간암 정량 합성암생존 유전자쌍 | |||
NPIPB15 | MLLT6 |
실시예
3.
암종별
정량
합성암생존
부담을 이용한 암 생존 및 예후 예측
암 환자의 정량 합성암생존 유전자 쌍의 개수가 따른 암 환자의 예후와 생존률에 미치는 영향을 분석하였다. 그 결과를 도 4 및 도 5에 나타내었다.
도 4 및 도 5에 나타낸 바와 같이, 폐선암 환자군 및 대장선암 환자군에서의 생존 곡선을 분석한 결과, 정량 합성암생존 유전자 쌍을 많이 가지는 환자군 일수록 더 적게 가지는 혹은 가지지 않는 환자군보다 암 환자의 생존률이 높으며, 예후가 좋은 것을 확인하였다. 이는 일반적으로 non-synonymous mutation이 많을수록 암환자의 예후가 나빠지는 것이 반대되는 결과로, 이로부터 정량 합성암생존 유전자 보유 쌍을 확인함으로써 암 환자의 예후를 예측할 수 있음을 확인하였다.
Claims (18)
- 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 구성하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 대응 유전자를 검출하는 단계; 및
상기 대응 유전자를 억제하는 약물을 선정하는 단계를 포함하는,
암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서, 상기 대응 유전자는 과발현 후보 유전자와 함께 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이고, 손상되지 않은 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법.
- 제 2 항에 있어서,
상기 염기서열 변이는 유전자의 엑손(exon)을 구성하는 염기의 치환, 부가 또는 결실인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 3 항에 있어서,
상기 염기의 치환, 부가 또는 결실은 염색체의 절단, 결실, 중복, 역위 및 전좌로 이루어진 군에서 선택된 1종 이상의 구조적 이상에 의한 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 2 항에 있어서,
상기 염기서열 변이는 기능상실변이(Loss of Function (LoF) Variant)의 보유인 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서,
상기 암 유전체 염기서열 및 전사체 발현량 분석은 참조군의 유전체 염기서열 및 전사체 발현량과의 비교 분석을 통해 수득되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서,
상기 대응 유전자는 유전자가 보유한 유전자 염기서열 변이 점수 또는 유전자 손상 점수에 의해 결정되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제7 항에 있어서,
상기 유전자 염기서열 변이 점수는 SIFT (Sorting Intolerant From Tolerant), PolyPhen, PolyPhen-2 (Polymorphism Phenotyping), MAPP (Multivariate Analysis of Protein Polymorphism), Logre (Log R Pfam E-value), Mutation Assessor, Condel, GERP (Genomic Evolutionary Rate Profiling), CADD (Combined Annotation-Dependent Depletion), MutationTaster, MutationTaster2, PROVEAN, PMuit, CEO (Combinatorial Entropy Optimization), SNPeffect, fathmm, MSRV (Multiple Selection Rule Voting), Align-GVGD, DANN, Eigen, KGGSeq, LRT (Likelihood Ratio Test), MetaLR, MetaSVM, MutPred, PANTHER, Parepro, phastCons, PhD-SNP, phyloP, PON-P, PON-P2, SiPhy, SNAP, SNPs&GO, VEP (Variant Effect Predictor), VEST (Variant Effect Scoring Tool), SNAP2, CAROL, PaPI, Grantham, SInBaD, VAAST, REVEL, CHASM (Cancer-specific High-throughput Annotation of Somatic Mutations), mCluster, nsSNPAnayzer, SAAPpred, HanSa, CanPredict, FIS 및 BONGO(Bonds ON Graphs)로 이루어진 군에서 선택된 하나 이상의 알고리즘을 유전자 염기서열 변이에 적용하여 산출되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 7 항에 있어서,
상기 유전자 손상 점수는 해당 유전자가 보유한 유전자 염기서열 변이가 두 개 이상인 경우, 각 유전자 염기서열 변이 점수들의 평균값으로 산출되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 9 항에 있어서,
상기 평균값은 기하평균, 산술평균, 조화평균, 산술기하평균, 산술조화평균, 기하조화평균, 피타고라스 평균, 헤론 평균, 역조화평균, 평균제곱근편차, 센트로이드 평균, 사분평균, 이차평균, 절삭평균, 윈저화 평균, 가중평균, 가중기하평균, 가중산술평균, 가중조화평균, 함수의 평균, 멱평균, 일반화된 f-평균, 백분위수, 최대값, 최소값, 최빈값, 중앙값, 중앙범위, 중심경향도(measures of central tendency), 단순 곱 및 가중 곱으로 이루어진 군으로부터 선택된 하나 이상에 의해 계산되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서,
상기 정량 합성암생존 유전자 쌍은 하나 이상의 과발현 후보 유전자 및 하나 이상의 염기서열 변이 후보 유전자의 조합의 존재가 암 환자의 생존률 향상을 유발하는 유전자 쌍을 의미하는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서,
상기 정량 합성암생존 유전자 쌍 정보를 이용하여 상기 암 환자에 대해 적용되는 약물 간의 우선순위를 결정하는 단계; 또는
상기 정량 합성암생존 유전자 쌍 정보를 이용하여 상기 암 환자에 적용되는 약물의 사용 여부를 결정하는 단계를 추가로 포함하는, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 제 1 항에 있어서,
상기 정량 합성암생존 유전자 쌍은,
암 환자의 염기서열 변이 정보, 전사체 발현량 정보 및 생존 정보로부터 생존 분석을 수행하는 단계; 또는
암 세포주, 암 오가노이드 (organoid), 또는 암 조직에서의 유전체 염기서열 변이 분석, 침윤능 또는 전이능 동정을 수행하는 단계;를 통해 선정되는 것인, 맞춤형 항암 치료 약물 선택을 위한 정보를 제공하는 방법. - 암 환자의 암 유전체 염기서열 및 전사체 발현량 분석 결과로부터 정량 합성암생존 (Synthetic Cancer Survival) 유전자 쌍을 구성하는 과발현 후보 유전자 및 염기서열 변이 후보 유전자의 수를 산출하는 단계;를 포함하는, 암 환자의 예후 예측을 위한 정보를 제공하는 방법.
- 암 유전체 염기서열 변이 정보 및 전사체 발현 정보를 이용한 맞춤형 항암 치료 약물 선택 시스템에 있어서,
상기 시스템은 암 환자에 대해 적용대상이 되는 항암 치료 약물 및 상기 약물이 조절할 수 있는 유전자와 관련된 정보 검색 또는 추출이 가능한 데이터베이스;
상기 데이터베이스에 접근 가능한 통신부;
암 유전체 염기서열 분석부;
암 전사체 발현량 분석부;
약물 선택 정보 제공부; 및 표시부를 포함하며,
상기 암 유전체 염기서열 분석부는 정량 합성암생존 유전자 쌍에 속하는 하나 이상의 과발현 후보 유전자 및 하나 이상의 염기서열 변이 후보 유전자를 선정하는 정량 합성암생존 유전자쌍 선정부 및
상기 과발현 후보 유전자와 함께 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이며, 손상되지 않은 하나 이상의 대응 유전자를 선정하는 대응 유전자 선정부를 포함하고,
상기 약물 선택 정보 제공부는 상기 하나 이상의 대응 유전자를 억제하는 약물 정보를 제공하거나, 상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 약물 정보를 제공하는 것인, 맞춤형 항암 치료 약물 선택 시스템. - 하기 프로세서를 실행시키는 실행모듈을 포함하는 컴퓨터 판독 가능한 매체:
암 유전체 염기서열 변이 정보 및 전사체 발현 정보로부터 정량 합성암생존 (Synthetic Dosage Cancer Survival) 유전자 쌍을 선별하는 단계; 및
과발현 후보 유전자와 함께 상기 정량 합성암생존 유전자 쌍을 구성하는 염기서열 변이 후보 유전자이고, 손상되지 않은 하나 이상의 대응 유전자를 억제하는 하나 이상의 약물을 선별하거나,
상기 정량 합성암생존 유전자 쌍의 개수를 증가시키는 하나 이상의 약물을 선별하는 단계를 포함하는 동작을 수행하는 프로세서.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020170053094 | 2017-04-25 | ||
KR20170053094 | 2017-04-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180119522A true KR20180119522A (ko) | 2018-11-02 |
KR102188376B1 KR102188376B1 (ko) | 2020-12-08 |
Family
ID=63920337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180047936A KR102188376B1 (ko) | 2017-04-25 | 2018-04-25 | 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102188376B1 (ko) |
WO (1) | WO2018199627A1 (ko) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113717930A (zh) * | 2021-09-07 | 2021-11-30 | 复旦大学附属华山医院 | 携带fbn1突变的颅颈动脉夹层特异诱导多能干细胞系 |
KR20230108089A (ko) | 2022-01-10 | 2023-07-18 | 광주과학기술원 | 전장 유전체 데이터를 이용한 유전체 복원 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150021476A (ko) * | 2013-08-19 | 2015-03-02 | 서울대학교산학협력단 | 약물 부작용 방지를 위한 개인별 단백질 손상 정보 기반의 약물 선택 방법 및 시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150331992A1 (en) * | 2014-05-15 | 2015-11-19 | Ramot At Tel-Aviv University Ltd. | Cancer prognosis and therapy based on syntheic lethality |
ES2891903T3 (es) * | 2015-02-17 | 2022-01-31 | Cipherome Inc | Método para seleccionar agente antineoplásico basado en información de daño proteínico de individuos para evitar los efectos secundarios del agente antineoplásico |
-
2018
- 2018-04-25 WO PCT/KR2018/004799 patent/WO2018199627A1/ko active Application Filing
- 2018-04-25 KR KR1020180047936A patent/KR102188376B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150021476A (ko) * | 2013-08-19 | 2015-03-02 | 서울대학교산학협력단 | 약물 부작용 방지를 위한 개인별 단백질 손상 정보 기반의 약물 선택 방법 및 시스템 |
Non-Patent Citations (2)
Title |
---|
A. Ashworth 외, "Genetic Interactions in Cancer Progression and Treatment", Cell 145, pp.30-38, 2011.04.01.* * |
U. H. Weidle 외, "Synthetic Lethality-based Targets for Discovery of New Cancer Therapeutics", Cancer Genomics & Proteomics 8, pp.159-172, 2011.* * |
Also Published As
Publication number | Publication date |
---|---|
WO2018199627A1 (ko) | 2018-11-01 |
KR102188376B1 (ko) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7368483B2 (ja) | 相同組換え欠損を推定するための統合された機械学習フレームワーク | |
Werling et al. | An analytical framework for whole-genome sequence association studies and its implications for autism spectrum disorder | |
Gorkin et al. | Common DNA sequence variation influences 3-dimensional conformation of the human genome | |
Guo et al. | Exome sequencing generates high quality data in non-target regions | |
Pugh et al. | VisCap: inference and visualization of germ-line copy-number variants from targeted clinical sequencing data | |
US20190065670A1 (en) | Predicting disease burden from genome variants | |
US20150315645A1 (en) | Methods of identifying biomarkers associated with or causative of the progression of disease | |
AU2022218555A1 (en) | Methylation pattern analysis of haplotypes in tissues in DNA mixture | |
CN108475300B (zh) | 利用癌症患者的基因组碱基序列突变信息和生存信息的定制型药物选择方法及系统 | |
KR20180031742A (ko) | 무세포 dna의 단편화 패턴 분석 | |
CA3160566A1 (en) | Systems and methods for predicting homologous recombination deficiency status of a specimen | |
Bai et al. | An integrated genome-wide systems genetics screen for breast cancer metastasis susceptibility genes | |
US10787708B2 (en) | Method of identifying a gene associated with a disease or pathological condition of the disease | |
KR102188376B1 (ko) | 암 유전체 염기서열 변이, 전사체 발현 및 환자 생존 정보를 이용한 맞춤형 항암 치료 방법 및 시스템 | |
Wünnemann et al. | Multimodal CRISPR perturbations of GWAS loci associated with coronary artery disease in vascular endothelial cells | |
Chen et al. | Pathway analysis of bladder cancer genome-wide association study identifies novel pathways involved in bladder cancer development | |
Masoodi et al. | Structural prediction, whole exome sequencing and molecular dynamics simulation confirms p. G118D somatic mutation of PIK3CA as functionally important in breast cancer patients | |
JP2023506084A (ja) | ゲノム瘢痕アッセイ及び関連する方法 | |
WO2017220782A1 (en) | Screening method for endometrial cancer | |
Bakhtiar et al. | Identifying human disease genes: advances in molecular genetics and computational approaches | |
AU2017100960A4 (en) | Method of identifying a gene associated with a disease or pathological condition of the disease | |
Lazar et al. | High-resolution genome-wide mapping of chromosome-arm-scale truncations induced by CRISPR-Cas9 editing | |
Lin et al. | Human-specific lncRNAs contributed critically to human evolution by distinctly regulating gene expression | |
JP7129015B2 (ja) | 情報処理システム、変異検出システム、記憶媒体および情報処理方法 | |
Nodzak | Functional Analysis of Structural Variation in the 2D and 3D Human Genome |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |