전사체(transcriptome) 분석은 노화 연구에서 점점 더 널리 활용되고 있다. 그러나 전사체 데이터로부터 노화 과정과 장수(longevity) 증진 요법을 좌우하는 핵심 분자적 변화들을 규명하는 일은 여전히 어렵다. 본 연구에서는 전사체 기반 시그니처 상태(Signature States)에 대한 적응 학습(Adaptive learning)으로 분류하는 Transcriptomic CLassification via Adaptive learning of Signature States (T-CLASS)를 제시한다. T-CLASS는 온라인 도구로서, 전사체 데이터로부터 수백 개 유전자로 구성된 유전자 세트(gene sets)를 식별하며, 이는 장수와 노화 패러다임을 최적으로 대표한다. 우리는 Caenorhabditis elegans에서의 장수 증진 요법, 배양 마우스 1차 세포 및 배양 인간 세포에서 서로 다른 방식으로 유도한 세포 노화(cellular senescence), 그리고 인간 근감소증(human sarcopenia)을 포함하는 다양한 데이터셋을 대상으로 T-CLASS의 효과를 체계적으로 평가하였다. 그 결과 T-CLASS는 기존의 사전 존재하는 기계/딥러닝 기반 유전자 선택 도구들과 비교하여 데이터셋 전반에서 견고하고 높은 분류 성능을 보였다. 이후 C. elegans에서의 장수 증진 요법에 분석을 집중한 결과, T-CLASS는 수명 연장(lifespan-extending) 소분자 10종이 유발한 전사체 변화를 성공적으로 분류했으며, 그중 rifampicin과 atracurium의 효과를 원리 입증(proof of principle)을 위해 실험적으로 검증하였다. 종합하면, T-CLASS는 노화에 영향을 미치는 유전적 및 약리학적 중재가 초래하는 생리적 변화를 규명하고 분류하는 데 효과적이고 실용적인 도구이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.