KR20200037640A - 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법 - Google Patents

유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법 Download PDF

Info

Publication number
KR20200037640A
KR20200037640A KR1020180117103A KR20180117103A KR20200037640A KR 20200037640 A KR20200037640 A KR 20200037640A KR 1020180117103 A KR1020180117103 A KR 1020180117103A KR 20180117103 A KR20180117103 A KR 20180117103A KR 20200037640 A KR20200037640 A KR 20200037640A
Authority
KR
South Korea
Prior art keywords
breast cancer
biomarker panel
gene
cell
polyadenylation
Prior art date
Application number
KR1020180117103A
Other languages
English (en)
Inventor
박웅양
이혜옥
김나영
Original Assignee
사회복지법인 삼성생명공익재단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 사회복지법인 삼성생명공익재단 filed Critical 사회복지법인 삼성생명공익재단
Priority to KR1020180117103A priority Critical patent/KR20200037640A/ko
Publication of KR20200037640A publication Critical patent/KR20200037640A/ko

Links

Images

Classifications

    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
    • C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
    • C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
    • C12Q1/6883—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material
    • C12Q1/6886—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for diseases caused by alterations of genetic material for cancer
    • 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
    • C—CHEMISTRY; METALLURGY
    • C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
    • C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
    • C12Q2600/00—Oligonucleotides characterized by their use
    • C12Q2600/158—Expression markers

Landscapes

  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Proteomics, Peptides & Aminoacids (AREA)
  • Engineering & Computer Science (AREA)
  • Organic Chemistry (AREA)
  • Genetics & Genomics (AREA)
  • Analytical Chemistry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Zoology (AREA)
  • Physics & Mathematics (AREA)
  • Wood Science & Technology (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biotechnology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Biochemistry (AREA)
  • Hospice & Palliative Care (AREA)
  • Oncology (AREA)
  • Microbiology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)

Abstract

유방암 진단용 바이오마커 패널에 관한 것으로, 단일세포 RNA 시퀀싱 데이터를 이용하여 전사 조절 기작인 대체 RNA 폴리아데닐화와 유전자 발현과의 연관성을 분석을 통해 구성되었으며 유방암 초기 환자의 생존율과 밀접한 연관관계가 있는바, 환자의 예후 지표로서 활용될 수 있다.

Description

유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법{Biomarker panel for diagnosis of breast cancer and method for providing information diagnosis of breast cancer using thereof}
유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법에 관한 것이다.
3'비해독 말단영역(untranslated region, UTR)에서의 대체 폴리아데닐화(Alternative polyadenylation, APA)는 전사를 풍부하게 하고, 세포 국소화 및 microRNA와의 상호작용에 영향을 줌으로써 유전자 발현을 조절하는, 중요한 사후-전사(post-transcriptional) 메커니즘이다. 최근 연구는 3'UTR 길이의 변화는 면역 반응 및 암 성장 동안 세포 분화뿐만 아니라 증식의 조절과 밀접하게 연관되어 있음을 밝혀냈다. APA를 통해 짧아진 3'UTR의 사용은 암에서 전 세계적으로 가장 흔하게 발생한다(91%). 이것의 생물학적 중요성은 널리 받아들여지고 있지만, 예후적 바이오마커 또는 치료 표적으로서의 임상적 적용은 충분히 평가되지 않았다. 따라서, 다양한 세포 유형에 대한 APA를 통해 발현 조절을 이해하는 것은 암 치료제에 대한 새로운 통찰력을 제공할 수 있다.
일 양상은 유방암 진단용 바이오마커 패널을 제공하는 것이다.
다른 양상은 상기 바이오마커 패널 개별 유전자의 발현 정도를 나타내는 인덱스를 산출하는 단계; 상기 개별 유전자의 대체 폴리아데닐화(Alternative polyadenylation, APA)를 추정하는 단계; 및 상기 산출된 인덱스 및 대체 폴리아데닐화의 상관관계를 측정하는 단계를 포함하는 유방암의 진단을 위한 정보 제공방법을 제공하는 것이다.
일 양상은 유방암 진단용 바이오마커 패널을 제공한다. 상기 바이오마커 패널은 ALDOA, CHCHD2, GGCT, HSP90AB1, PABPC1, SET, TSTA3, CLIC1, HSP90AA1, PSMC2, WAC, BRK1, CSNK1A1, LTV1, MMADHC 및 YWHAZ로 구성된 군에서 선택되는 2 이상의 바이오마커의 수준을 측정하는 제제를 포함할 수 있다. 상기 패널은 H3F3A, MYL12B, NME1, NR4A1, PABPC1, SET, SOD1, TSTA3, CFL1, CLIC1, CTSB, GABARAP, PSMC2, RPL23A, SH3BGRL3, TMEM126B, TMEM59, TSC22D1, B2M, RHOA, ATP6V0E1, HLA-A, SEP15, DDX5, LAP3, ACTB, ACTG1, ARPC2, BRK1, CLK1, EIF2S1, EIF4A2, FKBP1A, GPBP1L1, GSPT1, HNRNPA1, HNRNPK, PFN1, SNAP23, SUMO2, TAF9 및 UBB로 구성된 군에서 선택되는 어느 하나 이상의 바이오마커를 추가로 포함할 수 있다. 일 구체예에서 바이오마커로서 기능하는 상기 유전자는 각각 독립적으로 선택되거나 2개 이상의 유전자 조합에 의하여 초기 유방암의 진단에 이용될 수 있다. 각 유전자는 당업계에 공지된 각 유전자의 서열 또는 각 유전자의 동의어(synonym)의 서열, 또는 인간에서 유래된 각 유전자의 서열일 수 있으며, 상기 서열을 Genebank에서 검색할 수 있다.
본 명세서 내 용어 "바이오마커 패널"은 유방암 진단을 위한 바이오마커의 임의의 조합을 사용하여 구성된 것으로서, 상기 조합은 전체 세트, 또는 그의 임의의 서브세트 또는 서브조합을 의미할 수 있다. 즉, 바이오마커 패널은 바이오마커 한 세트를 의미할 수 있으며, 측정되는 임의 형태의 바이오마커를 의미할 수 있다. 따라서, ALDOA가 바이오마커 패널의 일부일 경우, 예를 들어, ALDOA mRNA 또는 ALDOA 단백질이 상기 패널의 일부인 것으로 간주할 수 있다. 개별 바이오마커가 진단제로서 유용한 반면, 때로는 특정 상태를 결정하는데 있어서 단독으로 단일의 바이오마커 보다는 바이오마커 조합이 더 큰 값을 제공할 수 있다. 구체적으로, 시료 중 복수 개의 바이오마커를 검출하는 것이 시험의 감도 및/또는 특이성을 증가시킬 수 있다. 따라서, 일 구체예에서, 바이오마커 패널은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16개 이상의 바이오마커 유형을 포함할 수 있다. 　다른 구체예에서, 바이오마커 패널은 최소 개수의 바이오마커로 구성되어 최대량의 정보를 생성한다. 따라서, 다양한 구체예에서, 바이오마커 패널은 1, 2, 3, 4, 5, 6, 7, 8, 9, 10개 이상의 바이오마커 유형으로 구성된다. 바이오마커 패널이 "바이오마커 한 세트"로 구성될 경우, 상기 세트를 이루는 것 이외에는 어떤 바이오마커도 존재하지 않는다. 일 구체예에서, 바이오마커 패널은 본원에 개시된 1개의 바이오마커로 구성된다. 다른 구체예에서, 바이오마커 패널은 본원에 개시된 2개의 바이오마커로 구성된다. 다른 구체예에서, 바이오마커 패널은 본원에 개시된 3개의 바이오마커로 구성된다. 다른 구체예에서, 바이오마커 패널은 본원에 개시된 4개 이상의 바이오마커로 구성된다. 본 발명의 바이오마커는 폐암 진단에서 통계학상 유의적인 차이를 나타낸다. 일 구체예에서, 이러한 바이오마커를 단독으로, 또는 조합하여 사용하는 진단 시험은 약 85% 이상, 약 90% 이상, 약 95% 이상, 약 98% 이상, 및 약 100%의 감도 및 특이성을 나타낸다.
상기 바이오마커의 수준을 측정하는 제제는 프라이머쌍, 프로브 또는 안티센스 뉴클레오티드일 수 있다. 구체적으로, 상기 바이오마커 유전자의 mRNA 수준을 측정하기 위한 제제일 수 있으며, 상기 유전자에 특이적으로 결합하는 프라이머 쌍, 프로브 또는 안티센스 뉴클레오티드일 수 있다. 일 구체예에서, 상기 바이오마커 패널은 적어도 16종의 프라이머 쌍, 프로브 또는 안티센스 뉴클레오티드를 포함할 수 있으며, 상기 각각의 프라이머 쌍, 프로브 또는 안티센스 뉴클레오티드는 각각 ALDOA, CHCHD2, GGCT, HSP90AB1, PABPC1, SET, TSTA3, CLIC1, HSP90AA1, PSMC2, WAC, BRK1, CSNK1A1, LTV1, MMADHC 및 YWHAZ에 특이적으로 결합할 수 있다.
상기 바이오마커의 수준을 측정하는 제제는 항체일 수 있다. 상기 항체는 모노클로날 항체일 수 있으며, 예를 들어, 상기 바이오마커 중 임의의 것에 특이적으로 결합하는 모노클로날 항체일 수 있다. 일 구체예에서, 상기 바이오마커 패널은 적어도 16종의 항체를 포함하며 이 항체들은 각각 ALDOA, CHCHD2, GGCT, HSP90AB1, PABPC1, SET, TSTA3, CLIC1, HSP90AA1, PSMC2, WAC, BRK1, CSNK1A1, LTV1, MMADHC 및 YWHAZ에 특이적으로 결합할 수 있다.
상기 바이오마커 패널은 초기 유방암을 진단하기 위한 것일 수 있다. 또한, 바이오마커 패널은 단일 세포 RNA 시퀀싱 데이터로부터 획득될 수 있으며, 상기 단일 세포는 예를 들어, 종양세포, B 림프구, T 림프구, 골수성 세포 또는 기질세포일 수 있다.
상기 바이오마커 패널은 단일세포 전사체 데이터를 이용하여 개별 유전자의 대체 폴리아데닐화 및 발현 양상을 고려한 것으로서 초기 유방암 환자의 생존율과 밀접한 연관성을 가지는바, 암 내에 존재하는 면역 및 종양세포 특이적인 패널을 구성할 수 있다.
다른 양상은 상기 바이오마커 패널 개별 유전자의 발현 정도를 나타내는 인덱스를 산출하는 단계; 상기 개별 유전자의 대체 폴리아데닐화(Alternative polyadenylation, APA)를 추정하는 단계; 및 상기 산출된 인덱스 및 대체 폴리아데닐화의 상관관계를 측정하는 단계를 포함하는 유방암의 진단을 위한 정보 제공방법을 제공한다. 상기 진단은 예를 들어, 유방암의 가능성 예측, 유방암의 상태를 진단, 예후 예측 판단, 유방암의 예방 또는 치료용 약제의 투여량 결정을 위한 진단, 유방암의 진행에 따른 치료 방법을 결정하기 위한 진단일 수 있다.
일 구체예에 따른 방법은 상기 바이오마커 패널 개별 유전자의 발현 정도를 나타내는 인덱스를 산출하는 단계를 포함한다. 상기 바이오마커 패널의 구체적인 내용은 전술한 바와 같다. 구체적으로, 상기 바이오마커 패널 개별 유전자의 발현 수준은 유방암 환자에서 유래한 단일세포에서 생산된 전사체 데이터를 이용하여 정량화할 수 있다. 개별 유전자의 발현 수준은 예를 들어, 마이크로어레이, 멀티 플렉스 PCR(multiplex polymerase chain reaction), 정량 RT-PCR(quantitative reverse transcription polymerase chain reaction), 타일링 어레이(tiling aray)를 이용한 전사체(transcriptome) 해석, 쇼트 리드 시퀀싱(short read sequencing)을 이용하여 측정할 수 있다. 또한, 상기 개별 유전자의 발현 정도를 나타내는 인덱스의 산출은 FPKM(Fragments Per Kilobase of transcript per Million), RPKM(Reads Per Kilobase Million), TPM(Transcripts Per Kilobase Million), Quantile-nomrmalization 등 샘플 내 또는 샘플 간 정규화(normalization)를 이용할 수 있다. 구체적으로, 획득된 RNA 시퀀싱 데이터로부터 STAR method를 이용한 리드 정렬(read alignment)과 RSEM 방법을 이용한 리드 정량화(read quantification) 과정을 통해 개별 유전자의 리드 카운트(read count)를 확보할 수 있다. 상기 리드 카운트는 세포/샘플간 비교를 위해 TPM(transcript per million) 수준으로 정규화하고, log2 수준으로 변환하여(log2 (TPM + 1)) 유전자 발현 정도를 정량화할 수 있다.
또한, 상기 유전자의 발현 수준은 상위 4 분위 정규화 RSEM 수로 표시될 수 있다. 본 명세서 내 용어, "RESM 수"는 표준화된 전사체(transcript) 정량화 기법 (RSEM)을 이용 RNA-seq 데이터로부터 도출된 발현 추정치를 의미한다. 이때, 상기 4 분위 정규화는 정규화 방법 중 하나로, 생존율 분석에 사용한 TCGA 데이터는 해당 표준화 방법으로 유전자 발현 정도가 정량화 되어 있는 것을 의미한다.
일 구체예에 따른 방법은 상기 개별 유전자의 대체 폴리아데닐화를 추정하는 단계를 포함한다. 구체적으로, 상기 개별 유전자의 대체 폴리아데닐화는 DaPars 또는 Roar을 사용하여 추정할 수 있으며, 개별 유전자에 대한 3'UTR의 길이 변화에 의해 추정할 수 있다. 구체적으로, RNA-seq 데이터로부터 유전자의 short isoform과 long isoform의 상대적인 양 변화를 측정하여 대체 폴리아데닐화를 추정할 수 있다. 예를 들어, 상기 개별 유전자에서 3'UTR의 길이가 단축되는 경우, 대체 폴리아데닐화가 발생한 것으로 추정할 수 있다.
일 구체예에 따른 방법은 상기 산출된 인덱스 및 대체 폴리아데닐화의 상관관계를 측정하는 단계를 포함한다. 또한, 상기 개별유전자의 발현 수준 및 대체 폴리아데닐화가 대조군에 비해 증가하면 유방암으로 판단하는 단계를 추가로 포함할 수 있다. 상기 상관관계는 상관계수(correlation coefficient)를 계산하여, 측정할 수 있다. 일 실시예에서는 피어슨 상관계수(Pearson's correlation coefficient)를 이용하여 상관계수를 계산하였다. 그 결과, 도 3에 나타난 바와 같이, 개별 유전자의 발현 수준과 폴리아데닐화가 양의 상관관계 또는 음의 상관관계를 나타냄을 확인할 수 있다.
일 양상에 따른 바이오마커 패널은 단일세포 RNA 시퀀싱 데이터를 이용하여 전사 조절 기작인 대체 RNA 폴리아데닐화와 유전자 발현과의 연관성을 분석을 통해 구성된 것으로서 유방암 초기 환자의 생존율과 밀접한 연관관계가 있는바, 환자의 예후 지표로서 활용될 수 있다.
도 1은 종양 및 비-종양 세포 사이의 APA 패턴 차이를 나타낸다. 도 1a는 모든 유전자에 대해 APA(DaPars에 의해 계산된 PDUI)의 신호를 나타낸 것이고, 도 1b 및 도 1c는 각각 유방암 환자로부터 유래된 개별 세포에 대한 유전자 및 유전자 세트에 대한 계층적 클러스터링을 나타낸다. 도 1d는 유방암에서 종양 세포 및 비-종양 세포를 분리하는 유전자 세트-수준 APA에 대한 Unsupervised tSNE을 나타낸다. 개별 세포는 표본 채색되어 있으며, 도 1b 및 도 1c의 채색과 일치한다.
도 2는 3'UTR 단축 및 과발현과 관련된 세포 유형-특이 기능적 카테고리를 나타낸다. 도 2a는 5개의 세포 유형에 특이적인 1,176개의 유전자 세트에 대한 벤 다이어그램을 나타내는 것이고 도 2b는 선택된 유전자 세트의 네트워크 기반 기능적 분석 결과를 나타내는 것이다.
도 3은 세포 유형에 따른 3'UTR 단축 및 증식과 관련된 유전자의 발현 변화를 나타낸다. 교차비와 그 유의성은 플롯의 오른쪽 위에 특정 세포 유형으로 표시하였고 맞춰진 선은 일치하는 세포 유형을 확인하기 위해 채색하였다.
도 4는 암 유형 간의 APA 조절의 이질성을 나타낸다. 도 4a는 3개의 암 유형에서 유래한 598개의 단일 세포에 대한 유전자 세트-수준의 APA 산정을 위한 계층적 클러스터링을 나타내고, 도 4b는 암 유형과 함께 종양 세포를 분리하는 유전자 세트-수준 APA에 대한 Unsupervised tSNE을 나타내며 도 4c는 각 암 유형에서 top 10 유전자 세트의 APA 맵을 나타낸다(p<0.01). 암 종류와 환자에 대한 색은 도 4a에 나타난 바와 같다.
도 5는 임상 연관성이 있는 세포 유형 특이적 유전자를 나타낸다. 도 5a는 5개의 세포 유형에 특이적인 53개의 유전자 히트에 대한 벤 다이어그램을 나타내는 것으로, 붉은색으로 표시된 유전자는 Roar의 결과에서 일반적인 마커이고 파란색으로 표시된 유전자는 공적 APA 데이터베이스에서 de novo 마커이다. 도 5b는 TCGA BRCA 환자에서 SET, HSP90AA1, YWHAZ, 및 DDX5에 대한 Kaplan-Meier 생존 곡선을 나타내는 것으로, 종양 샘플에는 각 유전자의 발현 신호에 대해 '높음' 및 '낮음'(25번째 및 75번째 백분위 수) 그룹을 주석으로 달았다. p값은 로그-순위 테스트에 위해 결정된다.
이하, 본 발명의 이해를 돕기 위하여 바람직한 실시예를 제시한다. 그러나 하기의 실시예는 본 발명을 보다 쉽게 이해하기 위하여 제공되는 것일 뿐, 하기 실시예에 의해 본 발명의 내용이 한정되는 것은 아니다.
[ 실시예 ]
실시예 1. 데이터 수집
NCBI Gene Expression Omnibus database에서 accession code GSE75688 및 GSE73122를 사용하여 유방암(breast cancer) 환자 11명으로부터 515개의 세포 및 신장암(renal cancer) 환자로부터 30개의 세포에 대한 Raw RNA-seq 데이터를 획득하였다. 또한, European Genome-phenome Archive (EGA)에서 accession code EGAS00001001880를 사용하여 3명의 교모세포종(glioblastoma) 환자로부터 288개의 세포에 대한 Raw RNA-seq 데이터를 다운로드 받았다. 이 데이터는 전장 전사체(full length transcript)로서 C1 Single-Cell Auto Prep System(100-5760, Fluidigm, San Francisco, CA, USA)에서 생성되었다. 3'UTR 길이의 사용을 평가하기 위해, STAR_2.4.0b의 2-pass mode(기본 매개변수)를 사용하여 Roar method 입력으로 .bam 파일을 생성하였다. 또한,‘genomCoverageBed' 명령(BEDtools v2.17.0)을 사용하여 .bam 파일로부터 DaPars method 입력으로 .bedgraph 파일을 생성하였다. 이후, 유방암의 발현 분석을 위해, 34,942개의 유전자를 추출하였으며, 이 유전자의 발현 값은 적어도 하나의 세포에서 상정되었다. 각 유전자의 상대적 발현은 RSEM v1.2.17 (기본 매개변수)을 사용하여 TPM(transcript per million)로 표현된다. 대조군으로, Body Map 2.0 project로부터 정상 유방, 뇌 및 신장 조직의 Raw RNA-seq 데이터를 ArrayExpress(http://www.ebi.ac.uk/arrayexpress에서 사용 가능한 쿼리(Query) ID: E-MTAB-513.)에서 다운로드하여 획득하였다. 단일 세포 RNA-seq 데이터 과정과 동일하게 리드 정렬(read alignments) 및 정량화(quantification)를 위한 순차적 방법을 적용하였다. 생존 분석을 위해, RNA-seq 및 환자의 침윤 암종(Breast Invasive Carcinoma, BRCA) 샘플의 임상데이터를 암 게놈 아틀라스(The Cancer Genome Atlas,TCGA)에서 획득하였다. 이 RNA-seq 데이터(수준 3)에는 1,073개(2017년에 업데이트 됨)의 종양이 존재하며, 각 유전자의 발현은 상위 4 분위 정규화 RSEM(RNA-Seq by Expectation Maximization) 수로 표시하였다. BRCA 종양의 아형을 R 패키지 'genefu'를 사용하여 예측하였다.
실시예 2. 3'UTR 길이 변화의 세포 이질성(cellular heterogeneity) 확인
유방암 환자의 종양 조직에서 생성된 전장(full-length) 단일 세포 RNA 시퀀싱 데이터를 이용하여 종양 세포, B 림프구, T 림프구 및 기질 세포를 포함한 5개의 주요 세포 유형에서 3'UTR 길이의 변화를 예측하고 비교하였다. 3'UTR의 단축 및 연장을 결정하기 위하여 두 가지 보완적인 방법을 적용하였다. DaPars (기본 매개변수) 및 Roar를 사용하여 3'UTR의 길이 변화에 의한 대체 폴리아데닐화(Alternative polyadenylation, APA)를 추정하였다. DaPars는 참조 게놈(hg19)에서 3'UTR의 모든 영역을 스캔하여 새로운 APA 사이트를 검출하는 반면, Roar는 3'UTR의 알려진 APA 사이트에 초점을 맞추어 감도를 향상시키는 바, 주로 DaPars에서 추정한 3'UTR 스위칭(switching) 결과를 활용하였다. 구체적으로, 단일 세포 및 대량 RNA-seq 샘플을 사용하여 PolyA_DB2 및 APASdb의 공공 APA 데이터베이스에서 생성된 .gtf 파일을 사용하였다.
도 1은 종양 및 비-종양 세포 사이에서 APA의 패턴 차이를 보여주는 것이다. 도 1a 및 1b에 나타난 바와 같이, 유방암 환자의 종양 조직에서 유래한 모든 세포에서, 3'UTR 단축이 우세하게 나타났다. 또한 패터닝의 해상도를 높이기 위해, 단일 샘플 GSEA(ssGSEA)를 사용하여 유전자 세트 수준에서 전반적인 APA 패턴을 비교하였다. 그 결과, 도 1c 및 1d에 나타난 바와 같이, 3'UTR 단축은 암 서브타입 및 샘플 배치에 의해 영향을 받지 않는 것을 확인할 수 있었다.
실시예 3. 유전자 세트의 구성
‘원거리 polyA 사이트 이용률의 백분율 변화(change in Percentage of Distal polyA site Usage Index)'(PDUI, by DaPars)의 APA 측정 및 ‘A 비율의 비율(Ratio of A Ratio)'(roar, by Roar)을 각각 입력 자료로서 사용하였다. TPM(transcript per million)으로서 정량된 유전자 발현은 log2를 플러스(plus) 1로 변환시켰다. 또한, 경로 활성화에 기초한 APA 조절 및 유전자 발현을 평가하기 위하여, 모든 유전자 기호를 EntrezID와 일치시킨 다음 ssGSEA(R 패키지의 'GSVA'옵션을 사용)를 적용하여 유전자 세트 당 농축 점수(enrichment score)를 계산하였다. 유전자 세트 데이터베이스, MSigDB v6.0에서 발표된 ssGSEA에 대해 총 5,917개의 유전자 온톨로지(Gene Ontology, GO) term를 수집하였다.
실시예 4. 세포 유형별 특이적 시그니처 선별
종양 세포, B 림프구, T 림프구 및 기질 세포를 포함한 5개의 주요 세포 유형에 대하여 유전자 발현과 APA 수준을 비교하였다. 구체적으로, 3'UTR의 사용과 유전자 발현 조절 사이의 연관성을 결정하기 위해 두 가지 측정법을 이용하였다. 각 세포 유형에서 3'UTR 길이의 변화와 유전자 발현의 상관 관계를 피어슨의 상관계수(Pearson's correlation coefficient, PCC)를 사용하여 유전자 세트의 농축 점수 척도로 계산하였다. PCC의 통계적 유의성을 결정하기 위해, 피셔의 Z 변형(Fisher's Z transformation)을 기반으로 p값을 계산하였다. 세포 유형에 대한 3'UTR 단축(shortening)과 과발현의 특이성을 세포 집단을 정량화함으로써 교차비(odds ratio, OR)를 계산하였다. 3'UTR 길이의 변화 및 유전자의 발현 정도를 이용하여 모든 단일 세포를 하기와 같이 4개의 그룹으로 분류하였으며, 교차비를 계산하였다;
(a) 특정 세포 유형에 대한 3'UTR 단축 및 과발현을 나타내는 세포
(b) 다른 세포에 대한 3'UTR 단축 및 과발현을 나타내는 세포
(c) 특정 세포 유형에 대한 3'UTR 단축 및 과발현을 나타내지 않는 세포
(d) 다른 세포에서 3'UTR 단축 및 과발현을 나타내지 않는 세포.
개별 세포가 각 유전자 세트와 유전자에 대해 3'UTR 단축 및 과발현을 나타내는지 여부를 결정하기 위하여 상기 그룹을 분류하는 기준으로써 APA 수준과 유전자 발현의 중앙값을 사용하였다. 그런 다음 Fisher exact test를 사용하여 개별 쿼리 쌍 간의 일치의 통계적 유의성을 결정하였다. 히트(hit)의 선택을 위해, PCC>0(p값<0.05) 및 OR>2(p값<0.01)에 대해 컷오프(cutoff)를 적용하였다.
면역 및 기질 세포 특이적 유전자 세트는 면역 및 염증 반응의 기능적 카테고리를 형성하였다. 특히, 세포가 증식하는 동안, 기질 세포를 제외한 4가지 세포 유형에 특이적인 유전자 세트의 클러스터링 패턴이 나타났다. 3'UTR 길이의 일반적인 단축은 세포 증식 및 탈분화 상태와 밀접하게 연관되어 있다. 또한 세포 증식으로 분류된 유전자 세트에 대한 3'UTR 단축 및 유전자 발현이 각각 그것의 세포 유형에 연관된 제한적인 상관 패턴을 나타냄을 확인할 수 있었다(도 3). 이 결과는 발현 조절과 관련된 APA가 독특한 세포 계통에 크게 의존함을 시사한다. 따라서, 단일 세포 분석에서의 APA의 이해는 암에서 다양한 세포 간의 전사 조절의 차이를 인식하는데 유용하다.
실시예 5. 종양 특이 유전자 세트의 선별
암 조직에서 APA 변이의 우세를 비교하기 위해 교모세포종 및 신 세포 암종 조직으로부터 생성된 공공 전장 단일 세포 RNA 시퀀싱 데이터를 확보하고, 유방암 환자의 종양 조직에서는 280개의 종양 세포 APA-예측 데이터를 사용하였다. 델타 및 t-테스트 p값을 유전자 세트로 변형된 APA 예측 데이터를 사용하여 계산하여 각 암 유형별로 유의미한 3'UTR 스위칭을 보이는 유전자 세트를 선택하였다. 이후, 각 암에서 가장 차별적인 유전자 세트(상위 10개 hit) 목록을 작성하였다. 유전자 세트의 델타는 주어진 종양 유형에 대한 단일 세포의 평균과 다른 종양의 차이에 로 나타나고, 양측-t 통계에 의해 유의성(p값)을 계산하였다.
그 결과, 도 4a 및 4b에 나타난 바와 같이, 유전자 세트 수준에서 3'UTR 길이 변화를 기반으로 한 클러스터링을 통해 종양 조직이 분명하게 구별됨을 확인할 수 있었다. 또한, 차별적인 APA 조절을 통해 종양 특이적 클러스터에 기여하는 유전자 세트를 더 조사하였다. 그 결과, 유방암, 교모세포종 및 신장 세포암에서 각각 739, 898 및 731개의 유전자 세트가 유의하게 스위칭 되는 것을 확인할 수 있었다(p<0.01). 또한, 도 4c에 나타난 바와 같이, 각 암에서 3'UTR 단축에 대한 차별적인 패턴을 확인할 수 있었다.
실시예 6. 네트워크에 기반한 클러스터링 유전자 세트의 구성
Cytoscape (v3.5.1)를 사용하여 상호 작용 네트워크 그래픽으로 유전자 세트의 생물학적 기능에 기반한 클러스터를 구성하였다. 네트워크의 가장 자리는 2개의 유전자 세트 사이에 공유되는 GO terms의 수에 대한 Jaccard 인덱스를 의미한다. 노드(유전자 세트) 사이의 거리를 force-directed layout을 사용하여 정의하였다. 네트워크는 충분한 기능적 연관성(Jaccard 인덱스 > 0.5 및 > 클러스터 별 9개의 유전자 세트)을 가지는 906개 유전자 세트를 선별해 표현하였다.
실시예 7. 생존 분석- APA 관련 마커 유전자의 임상적 관련성
APA 조절과 유전자 마커의 연관성을 밝히기 위하여, 유방암 환자의 유전자 수준에서 단일 세포 시퀀싱 데이터를 재분석하여, 짧아진 3'UTR을 사용하고 각 세포 유형에 특이적으로 과발현되는 53개의 유전자를 발견하였다(도 5a 참조). 그 결과, 도 5a에 나타난 바와 같이, 유전자 세트 수준의 결과와 일치하여, 대부분의 hit 유전자는 면역 세포 유형에 대한 4개의 중첩 유전자를 제외하고는 세포 유형별로 구분됨을 확인할 수 있었다. 다음으로, 이러한 유전자의 임상적 영향을 확인하기 위해, Kaplan-Meier 생존 분석을 실시하고 TCGA RNA 시퀀싱 데이터를 사용하여 유방암 환자에서 발현 변화와 생존의 연관성을 조사하였다. 종양 샘플을 각 표적 유전자의 발현 신호에 따라 '높음'과 '낮음'(25번째 및 75번째 백분위 수)으로 2개의 그룹으로 분류하였다. 이 분석에서 모든 1,091개의 BRCA 샘플을 사용하여, 53개의 유전자 중 16개가 두 그룹 사이의 차별적인 생존율을 유의하게(p<0.01, 10개의 유전자는 p<0.05를 나타냄) 나타냈다(도 5b, 표 1 참조). 패키지‘OIsurv'에서 Kaplan-Meier 공식을 사용하여 생존 곡선을 그렸다. 암 단계별 샘플 창을 변경함으로써, 초기 단계의 종양에서 총 17개의 유전자 발현 수준이 생존율에 유의하게(p<0.1, 11개의 유전자는 p<0.05를 나타냄) 유전 영향을 미친다는 것을 확인할 수 있었다. 대조적으로, 후기 단계 종양에서 컷오프 p-값이 0.1 또는 0.5인 경우 7개의 유전자 또는 2개의 유전자만이 생존에 영향을 미치는 것을 확인할 수 있었다. 다만, 유방암의 분자 서브타입에 대한 생존율에는 차이가 없었다. 또한, R 패키지 '생존'에서 상대적 위험을 조사하기 위해 다변량 Cox 회귀 분석을 수행하였다. 연령, 인종, 병기, 종양 무게, ER/PR/Her2의 유무, 약물/방사선 요법 표시, 및 각 유전자의 발현 클래스 등과 같은 10개의 요인을 고려하여 회귀 모형을 구성하였다. 조직 샘플에서 Kaplan-Meier 생존 분석의 p 값을 통과한 16개의 유전자 중, 11개 유전자의 발현 수준이 BRCA 환자의 생존에 미치는 독립적인(p<0.1) 요인임을 확인할 수 있었다(표 1).
유전자 세포 유형 Kaplan- Meier (p-값) 콕스회귀분석방법 (Cox-
Regression)
(p-값)
단계 서브유형
총
(1,073) 		초기
(792) 		후기
(267) 		Basal
(222) 		Her2
(90) 		Luminal A
(329) 		Luminal B
(432) 		총
(1,073)
ALDOA 종양 0.071 0.207 0.489 0.141 0.427 0.118 0.891 0.042
CHCHD2 종양 0.022 0.155 0.151 0.861 0.261 0.388 0.07 0.142
GGCT 종양 0.018 0.131 0.077 0.495 0.008 0.812 0.035 0.1
H3F3A 종양 0.857 0.455 0.962 0.323 0.421 0.285 0.169 0.959
HSP90AB1 종양 0.034 0.012 0.624 0.465 0.807 0.075 0.104 0.019
MYL12B 종양 0.459 0.838 0.224 0.827 0.601 0.598 0.72 0.64
NME1 종양 0.877 0.96 0.865 0.779 0.957 0.814 0.704 0.77
NR4A1 종양 0.235 0.25 0.379 0.414 0.193 0.588 0.862 0.73
PABPC1 종양 0.093 0.196 0.085 0.513 0.872 0.546 0.147 0.061
SET 종양 0.086 0.019 0.847 0.896 0.284 0.412 0.293 0.002
SOD1 종양 0.604 0.523 0.845 0.832 0.516 0.589 0.098 0.845
TSTA3 종양 0.136 0.41 0.153 0.016 0.605 0.327 0.327 0.135
ZNF706 종양 0.015 0.124 0.21 0.4 0.478 0.832 0.003 0.035
CFL1 T 세포 0.389 0.741 0.197 0.896 0.162 0.49 0.221 0.697
CLIC1 T 세포 0.096 0.842 0.0496 0.656 0.074 0.582 0.073 0.345
CTSB T 세포 0.113 0.243 0.539 0.566 0.929 0.554 0.483 0.013
GABARAP T 세포 0.809 0.559 0.216 0.727 0.925 0.462 0.855 0.82
HSP90AA1 T 세포 0.001 0 0.917 0.777 0.138 0.276 0.026 0
PSMC2 T 세포 0.09 0.477 0.113 0.232 0.117 0.094 0.496 0.418
RPL23A T 세포 0.119 0.477 0.149 0.459 0.674 0.343 0.148 0.58
SH3BGRL3 T 세포 0.223 0.043 0.05 0.635 0.044 0.588 0.933 0.484
TMEM126B T 세포 0.179 0.083 0.685 0.894 0.167 0.505 0.546 0.036
WAC T 세포 0.017 0.027 0.897 0.861 0.152 0.099 0.268 0.003
TMEM59 스트로마 세포
(Stromal cell)		 0.885 0.704 0.983 0.96 0.195 0.022 0.623 0.15
TSC22D1 스트로마 세포 0.177 0.187 0.727 0.02 0.094 0.608 0.261 0.201
B2M 골수 & T 세포 0.164 0.193 0.969 0.074 0.633 0.767 0.823 0.408
RHOA 골수 & T 세포 0.417 0.022 0.178 0.221 0.243 0.178 0.409 0.118
ATP6V0E1 골수 0.562 0.153 0.057 0.206 0.629 0.655 0.257 0.17
HLA-A 골수 0.252 0.074 0.143 0.023 0.279 0.427 0.946 0.194
SEP15 골수 0.35 0.8 0.744 0.02 0.186 0.926 0.557 0.575
DDX5 B 세포 &
T 세포		 0.632 0.09993 0.224 0.96 0.646 0.029 0.853 0.061
LAP3 B 세포 &
T 세포		 0.344 0.809 0.124 0.154 0.78 0.667 0.768 0.375
ACTB B 세포 0.563 0.263 0.004 0.702 0.749 0.142 0.125 0.138
ACTG1 B 세포 0.52 0.417 0.391 0.584 0.543 0.287 0.166 0.842
ARPC2 B 세포 0.11 0.059 0.536 0.265 0.423 0.525 0.056 0.031
BRK1 B 세포 0.09 0.082 0.537 0.139 0.013 0.464 0.053 0.112
CLK1 B 세포 0.687 0.267 0.816 0.869 0.329 0.007 0.25 0.231
CSNK1A1 B 세포 0.006 0.008 0.825 0.716 0.061 0.014 0.037 0
EIF2S1 B 세포 0.2 0.131 0.899 0.581 0.499 0.689 0.168 0.05
EIF4A2 B 세포 0.675 0.12 0.326 0.766 0.31 0.177 0.631 0.066
FKBP1A B 세포 0.142 0.344 0.068 0.583 0.519 0.66 0.062 0.04
GPBP1L1 B 세포 0.691 0.27 0.245 0.471 0.396 0.242 0.459 0.253
GSPT1 B 세포 0.232 0.022 0.247 0.665 0.23 0.277 0.358 0.007
HNRNPA1 B 세포 0.401 0.718 0.19 0.572 0.45 0.092 0.367 0.751
HNRNPK B 세포 0.558 0.077 0.153 0.034 0.881 0.273 0.729 0.056
LTV1 B 세포 0.025 0.001 0.721 0.9 0.824 0.054 0.03 0.003
MMADHC B 세포 0.049 0.002 0.447 0.249 0.248 0.066 0.092 0.004
PFN1 B 세포 0.589 0.988 0.434 0.912 0.192 0.488 0.026 0.811
SNAP23 B 세포 0.985 0.374 0.209 0.518 0.233 0.504 0.674 0.108
SUMO2 B 세포 0.866 0.227 0.937 0.02 0.467 0.169 0.198 0.317
TAF9 B 세포 0.511 0.507 0.857 0.766 0.695 0.192 0.595 0.016
UBB B 세포 0.334 0.152 0.399 0.281 0.4 0.337 0.164 0.624
YWHAZ B 세포 0.006 0.007 0.263 0.764 0.337 0.738 0.224 0.001
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (12)

  1. ALDOA, CHCHD2, GGCT, HSP90AB1, PABPC1, SET, TSTA3, CLIC1, HSP90AA1, PSMC2, WAC, BRK1, CSNK1A1, LTV1, MMADHC 및 YWHAZ로 구성된 군에서 선택되는 2 이상의 바이오마커의 수준을 측정하는 제제를 포함하는 것인 유방암 진단용 바이오마커 패널.
  2. 청구항 1에 있어서, H3F3A, MYL12B, NME1, NR4A1, PABPC1, SET, SOD1, TSTA3, CFL1, CLIC1, CTSB, GABARAP, PSMC2, RPL23A, SH3BGRL3, TMEM126B, TMEM59, TSC22D1, B2M, RHOA, ATP6V0E1, HLA-A, SEP15, DDX5, LAP3, ACTB, ACTG1, ARPC2, BRK1, CLK1, EIF2S1, EIF4A2, FKBP1A, GPBP1L1, GSPT1, HNRNPA1, HNRNPK, PFN1, SNAP23, SUMO2, TAF9, UBB로 구성된 군에서 선택되는 어느 하나 이상의 바이오마커를 추가로 포함하는 것인 바이오마커 패널.
  3. 청구항 1에 있어서, 초기 유방암을 진단하기 위한 것인 바이오마커 패널.
  4. 청구항 1에 있어서, 단일 세포 RNA 시퀀스 데이터로부터 획득된 것인 바이오마커 패널.
  5. 청구항 4에 있어서, 상기 단일 세포는 종양세포, B 림프구, T 림프구, 골수성 세포 및 기질세포로 구성된 군에서 선택된 것인 바이오마커 패널.
  6. 청구항 1의 바이오마커 패널 개별 유전자의 발현 정도를 나타내는 인덱스를 산출하는 단계;
    상기 개별 유전자의 대체 폴리아데닐화(Alternative polyadenylation, APA)를 추정하는 단계; 및
    상기 산출된 인덱스 및 대체 폴리아데닐화의 상관관계를 측정하는 단계를 포함하는 유방암의 진단을 위한 정보 제공방법.
  7. 청구항 6에 있어서, 상기 바이오마커 패널은 H3F3A, MYL12B, NME1, NR4A1, PABPC1, SET, SOD1, TSTA3, CFL1, CLIC1, CTSB, GABARAP, PSMC2, RPL23A, SH3BGRL3, TMEM126B, TMEM59, TSC22D1, B2M, RHOA, ATP6V0E1, HLA-A, SEP15, DDX5, LAP3, ACTB, ACTG1, ARPC2, BRK1, CLK1, EIF2S1, EIF4A2, FKBP1A, GPBP1L1, GSPT1, HNRNPA1, HNRNPK, PFN1, SNAP23, SUMO2, TAF9, UBB를 더 포함하는 것인 방법.
  8. 청구항 6에 있어서, 상기 유전자의 발현 수준은 상위 4 분위 정규화 RSEM(RNA-Seq by Expectation Maximization) 수로 표시되는 것인 방법.
  9. 청구항 6에 있어서, 상기 대체 폴리아데닐화는 DaPars 또는 Roar를 사용하여 추정하는 것인 방법.
  10. 청구항 6에 있어서, 상기 대체 폴리아데닐화는 개별 유전자에 대한 3'UTR의 길이 변화에 의해 추정되는 것인 방법.
  11. 청구항 6에 있어서, 개체의 개별 유전자의 발현 수준 및 대체 폴리아데닐화가 대조군에 비해 증가하면 유방암으로 판단하는 단계를 추가로 포함하는 것인 방법.
  12. 청구항 6에 있어서, 초기 유방암을 진단하기 위한 것인 방법.


KR1020180117103A 2018-10-01 2018-10-01 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법 KR20200037640A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180117103A KR20200037640A (ko) 2018-10-01 2018-10-01 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180117103A KR20200037640A (ko) 2018-10-01 2018-10-01 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법

Publications (1)

Publication Number Publication Date
KR20200037640A true KR20200037640A (ko) 2020-04-09

Family

ID=70276021

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180117103A KR20200037640A (ko) 2018-10-01 2018-10-01 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법

Country Status (1)

Country Link
KR (1) KR20200037640A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210144353A (ko) 2020-05-22 2021-11-30 연세대학교 산학협력단 단일세포 전사체 분석에 기반한 대장암의 예후 예측 방법

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210144353A (ko) 2020-05-22 2021-11-30 연세대학교 산학협력단 단일세포 전사체 분석에 기반한 대장암의 예후 예측 방법

Similar Documents

Publication Publication Date Title
Claus et al. Quantitative DNA methylation analysis identifies a single CpG dinucleotide important for ZAP-70 expression and predictive of prognosis in chronic lymphocytic leukemia
KR102170726B1 (ko) 바이오마커의 선별 방법 및 이를 이용한 암의 진단을 위한 정보제공방법
Zhu et al. Overexpression of HE4 (human epididymis protein 4) enhances proliferation, invasion and metastasis of ovarian cancer
Campan et al. Genome-scale screen for DNA methylation-based detection markers for ovarian cancer
CN105986034A (zh) 一组胃癌基因的应用
Liu et al. Genomic landscape and endocrine-resistant subgroup in estrogen receptor-positive, progesterone receptor-negative, and HER2-negative breast cancer
Wang et al. Integrated analysis of 34 microarray datasets reveals CBX3 as a diagnostic and prognostic biomarker in glioblastoma
Niyazi et al. A 4-miRNA signature predicts the therapeutic outcome of glioblastoma
JP2011515666A (ja) トリプルネガティブ乳がんに関連するｄｎａ修復タンパク質およびその使用法
Peng et al. Protein disulfide isomerases are promising targets for predicting the survival and tumor progression in glioma patients
Sun et al. Gene-specific DNA methylation association with serum levels of C-reactive protein in African Americans
Fan et al. Comprehensive analysis of novel three‐long noncoding RNA signatures as a diagnostic and prognostic biomarkers of human triple‐negative breast cancer
Parsana et al. Identifying global expression patterns and key regulators in epithelial to mesenchymal transition through multi-study integration
CN107532208B (zh) 用于测定子宫内膜癌预后的组合物和方法
CN113444804B (zh) 宫颈癌预后相关基因及其在制备宫颈癌预后预测诊断产品中的应用
Guo et al. Identification of potential prognostic TF‐associated lncRNAs for predicting survival in ovarian cancer
Dai et al. Identification of hub methylated‐CpG sites and associated genes in oral squamous cell carcinoma
Maimaiti et al. Identification and validation of a novel eight mutant-derived long non-coding RNAs signature as a prognostic biomarker for genome instability in low-grade glioma
Zhou et al. A robust 6-mRNA signature for prognosis prediction of pancreatic ductal adenocarcinoma
Chen et al. Molecular subtyping of breast cancer intrinsic taxonomy with oligonucleotide microarray and NanoString nCounter
Kim et al. Single-cell RNA sequencing for the identification of early-stage lung cancer biomarkers from circulating blood
Liu et al. Identification of a seven-gene prognostic signature using the gene expression profile of osteosarcoma
Gao et al. Transcriptome profiling reveals an integrated mRNA–lncRNA signature with predictive value for long-term survival in diffuse large B-cell lymphoma
KR20200037640A (ko) 유방암 진단용 바이오마커 패널 및 이를 이용한 유방암 진단을 위한 정보 제공방법
Lucia et al. Association of mammographic density with blood DNA methylation

Legal Events

Date Code Title Description
E90F Notification of reason for final refusal
E601 Decision to refuse application
E601 Decision to refuse application
E801 Decision on dismissal of amendment