배경: 고처리량(High-throughput) 시퀀싱 기술의 빠른 발전은 생물학적 맥락 내에서 omics 특징을 상세하고 정확하게 측정할 수 있게 한다. 서로 다른 omics 유형을 통합하면 측정 단위, 표본 수, 특징의 변이에 의해 분석에 어려움이 발생하는 이질적 데이터셋이 만들어진다. 현재 다중-omics 연구 설계(MOSD)에서 적절한 표본 수 및 특징 선택, 전처리와 통합 방식 등 강건한 분석 결과를 위한 의사결정을 내리는 데 필요한 일반화된 지침이 부족하다. 우리는 MOSD에 대해 아홉 가지 중요한 요인—표본 크기, 특징 선택, 전처리 전략, 잡음 특성화, 범주 균형, 범주의 수, 암 아형 조합, omics 조합, 임상적 특징—을 포함하는 제안적 지침을 제시한다. 결과: 제안한 MOSD 지침의 효과를 평가하기 위해, 암 아형을 군집화(clustering)하는 것을 목적으로 다양한 TCGA 암 데이터셋에 대해 10개의 군집화 방법을 사용하여 7개의 벤치마크 테스트를 설계하고 수행하였다. 그 결과, 다음 기준을 준수할 때 암 아형 구별에서 강건한 성능을 보였다: 범주당 26개 이상의 표본, omics 특징의 10% 미만 선택, 3:1 비율 이하의 표본 균형 유지, 잡음 수준 30% 미만 유지. 특징 선택이 특히 중요했으며, 군집화 성능을 34% 향상시켰다. 결론: 본 연구의 결과는 MOSD에 대한 근거 기반 권고를 제공하여 연구자들이 분석 접근법을 최적화하고 암 데이터셋 전반에서 결과의 신뢰성을 향상시킬 수 있음을 시사한다. 제안된 MOSD 프레임워크는 다중-omics 데이터 통합에서 계산적 요인과 생물학적 요인 모두를 다루는 제안적 지침을 제공한다.

배경: SARS-CoV-2에 대한 면역 반응은 개인마다 크게 달라 환자들 간 중증도 수준이 매우 다양하게 나타난다. COVID-19 환자에서 중증도와 관련된 바이오마커를 탐지하기 위한 다양한 방법이 있으나, 우리는 환자 중증도 수준과 상관하는 SARS-CoV-2 유전체 내의 고변이 구간, 즉 변이 핫스팟을 조사하였다. SARS-CoV-2 변이 핫스팟은 변이 밀도와 다양성이 높은 좌위를 탐색하는 밀도 기반 클러스터링 알고리즘인 Mutclust를 사용하여 GISAID 데이터베이스에서 검색하였다. 결과: Mutclust를 이용하여 SARS-CoV-2 유전체에서 477개의 변이 핫스팟을 검색하였고, 그중 28개가 387명의 감염 환자로 구성된 다중 오믹스 COVID-19 코호트에서 중증도 수준과 유의한 연관성을 보였다. 이어서, 28개의 중증도 관련 변이 핫스팟을 기반으로 환자를 중등증 및 중증 환자군으로 추가 층화하였으며, 이들은 사이토카인 프로파일과 단일세포 RNA-seq 샘플 모두에서 서로 구별되는 사이토카인 및 유전자 발현 수준을 나타냈다. SARS-CoV-2 변이 핫스팟이 인간 유전자에 미치는 영향을 네트워크 전파 분석(network propagation analysis)으로 추가로 조사한 결과, 중증군에 특이적인 두 개의 변이 핫스팟이 NK 세포 활성과 연관됨이 확인되었다. 그중 하나는 변이되지 않은 에피토프에 비해 해당 핫스팟 구간의 바이러스 에피토프와 그 결합 HLA 사이의 친화도를 감소시키는 것으로 나타났다. 결론: NK 세포의 면역학적 기능과 관련된 유전자, 특히 NK 세포 수용체 및 공동활성화 수용체(co-activating receptor) 유전자들이 중증 환자군에서 사이토카인 및 단일세포 수준 모두에서 유의하게 이상 조절되었다. 종합하면, 중증도와 연관된 변이 핫스팟과 그에 연관된 NK 세포 관련 유전자 발현 조절이 확인되었다.

염증 반응에 기여하는 B 및 MAPK 신호전달 경로. 종합적으로, 우리는 건강 상태가 악화되는 경우와 회복되는 경우를 포함하여 COVID-19의 질병 진행에 따른 면역 반응을 특성화하였다.

배경: 고처리량(High-throughput) 시퀀싱 기술의 빠른 발전은 생물학적 맥락 내에서 omics 특징을 상세하고 정확하게 측정할 수 있게 한다. 서로 다른 omics 유형을 통합하면 측정 단위, 표본 수, 특징의 변이에 의해 분석에 어려움이 발생하는 이질적 데이터셋이 만들어진다. 현재 다중-omics 연구 설계(MOSD)에서 적절한 표본 수 및 특징 선택, 전처리와 통합 방식 등 강건한 분석 결과를 위한 의사결정을 내리는 데 필요한 일반화된 지침이 부족하다. 우리는 MOSD에 대해 아홉 가지 중요한 요인—표본 크기, 특징 선택, 전처리 전략, 잡음 특성화, 범주 균형, 범주의 수, 암 아형 조합, omics 조합, 임상적 특징—을 포함하는 제안적 지침을 제시한다. 결과: 제안한 MOSD 지침의 효과를 평가하기 위해, 암 아형을 군집화(clustering)하는 것을 목적으로 다양한 TCGA 암 데이터셋에 대해 10개의 군집화 방법을 사용하여 7개의 벤치마크 테스트를 설계하고 수행하였다. 그 결과, 다음 기준을 준수할 때 암 아형 구별에서 강건한 성능을 보였다: 범주당 26개 이상의 표본, omics 특징의 10% 미만 선택, 3:1 비율 이하의 표본 균형 유지, 잡음 수준 30% 미만 유지. 특징 선택이 특히 중요했으며, 군집화 성능을 34% 향상시켰다. 결론: 본 연구의 결과는 MOSD에 대한 근거 기반 권고를 제공하여 연구자들이 분석 접근법을 최적화하고 암 데이터셋 전반에서 결과의 신뢰성을 향상시킬 수 있음을 시사한다. 제안된 MOSD 프레임워크는 다중-omics 데이터 통합에서 계산적 요인과 생물학적 요인 모두를 다루는 제안적 지침을 제공한다.

배경: SARS-CoV-2에 대한 면역 반응은 개인마다 크게 달라 환자들 간 중증도 수준이 매우 다양하게 나타난다. COVID-19 환자에서 중증도와 관련된 바이오마커를 탐지하기 위한 다양한 방법이 있으나, 우리는 환자 중증도 수준과 상관하는 SARS-CoV-2 유전체 내의 고변이 구간, 즉 변이 핫스팟을 조사하였다. SARS-CoV-2 변이 핫스팟은 변이 밀도와 다양성이 높은 좌위를 탐색하는 밀도 기반 클러스터링 알고리즘인 Mutclust를 사용하여 GISAID 데이터베이스에서 검색하였다. 결과: Mutclust를 이용하여 SARS-CoV-2 유전체에서 477개의 변이 핫스팟을 검색하였고, 그중 28개가 387명의 감염 환자로 구성된 다중 오믹스 COVID-19 코호트에서 중증도 수준과 유의한 연관성을 보였다. 이어서, 28개의 중증도 관련 변이 핫스팟을 기반으로 환자를 중등증 및 중증 환자군으로 추가 층화하였으며, 이들은 사이토카인 프로파일과 단일세포 RNA-seq 샘플 모두에서 서로 구별되는 사이토카인 및 유전자 발현 수준을 나타냈다. SARS-CoV-2 변이 핫스팟이 인간 유전자에 미치는 영향을 네트워크 전파 분석(network propagation analysis)으로 추가로 조사한 결과, 중증군에 특이적인 두 개의 변이 핫스팟이 NK 세포 활성과 연관됨이 확인되었다. 그중 하나는 변이되지 않은 에피토프에 비해 해당 핫스팟 구간의 바이러스 에피토프와 그 결합 HLA 사이의 친화도를 감소시키는 것으로 나타났다. 결론: NK 세포의 면역학적 기능과 관련된 유전자, 특히 NK 세포 수용체 및 공동활성화 수용체(co-activating receptor) 유전자들이 중증 환자군에서 사이토카인 및 단일세포 수준 모두에서 유의하게 이상 조절되었다. 종합하면, 중증도와 연관된 변이 핫스팟과 그에 연관된 NK 세포 관련 유전자 발현 조절이 확인되었다.

염증 반응에 기여하는 B 및 MAPK 신호전달 경로. 종합적으로, 우리는 건강 상태가 악화되는 경우와 회복되는 경우를 포함하여 COVID-19의 질병 진행에 따른 면역 반응을 특성화하였다.

엡스타인-바 바이러스(Epstein-Barr virus, EBV) 감염의 특징적인 바이러스 유전자 발현 양상은 EBV를 생산하는 마모셋 B세포(B95-8)와 EBV 관련 위암(SNU719) 세포주에서 구분된다. CCCTC 결합인자(CTCF)는 EBV 게놈에서 염색질 상호작용을 조율하는 구조적 염색질 인자이다. CTCF에 대해 염색질 면역침강(chromatin immunoprecipitation) 후 시퀀싱을 수행한 결과, B95-8 및 SNU719의 EBV 게놈에서 16개의 CTCF 결합 부위를 확인하였다. BamHI A right transcript(BART) miRNA 프로모터 상에 위치한 한 개의 CTCF 결합 부위(S13 좌위)의 생물학적 기능은 실험적으로 규명되었다. 마이크로스케일 열영동(microscale thermophoresis) 분석 결과, CTCF는 S13 좌위의 돌연변이 형태보다 안정 형태에 더 잘 결합함이 나타났다. EBV BART miRNA 클러스터는 22개의 miRNA를 암호화하며, 이들의 역할은 EBV 관련 암의 병인과 연관되어 있는 것으로 시사된다. B95-8의 EBV 게놈은 11.8-kb EcoRI C 절편을 결여하는 반면, SNU719의 EBV 게놈은 전장형(full-length)이다. ChIP-PCR 분석에서는 CTCF, RNA polymerase II, H3K4me3 히스톤 및 H3K9me3 히스톤이 S13 및 S16(167-kb) 좌위에서 B95-8의 EBV 게놈에서 SNU719의 EBV 게놈보다 더 높은 수준으로 풍부하게 존재함이 확인되었다. B95-8 및 SNU719 세포를 이용한 4C-Seq와 3C-PCR 분석은 S13 좌위가 두 EBV 게놈 모두에서 3-kb 및 167-kb 영역을 포함한 전반적인 EBV 게놈 좌위와 연관되어 있음을 보여주었다. 우리는 11.8-kb BART 전사유닛(BART(+/-)) 유무에 관계없이, bacmid에서 S13 좌위를 변이시키고자 하였다. S13 변이는 BART miRNA 발현을 증가시키고, EcoRI C 절편의 존재 하에서 EBV 잠복을 약화시키며, EBV 감염성(infectivity)을 감소시켰다. 또한 4종의 BART(+/-)·S13(wild-type(Wt)/mutant(Mt)) HEK293-EBV 세포를 사용한 또 다른 3C-PCR 분석에서는 S13 변이가 EBV 게놈에서 167-kb 영역과 3-kb 간의 DNA 연관을 감소시키는 것으로 나타났다. 이러한 결과를 바탕으로, S13 좌위에 11.8-kb EcoRI C 절편과 함께 결합한 CTCF가 EBV의 3차원 DNA 고리(3-dimensional DNA loop)를 형성하여 EBV BART miRNA 발현 및 감염성을 조율하는 것으로 제안된다.

여기서는 종단적 임상 기록을 이용하여 COVID-19 환자의 단기 중증도 진행을 추적하고 예측하도록 설계된 딥러닝 모델 CovSF를 제안한다. 이러한 동기는 시의적절한 의료 자원 배분의 필요성, 팬데믹 상황에서의 치료 의사결정 개선, 그리고 중증도 진행과 관련된 면역학적 이해의 필요성에서 비롯된다. COVID-19 중증도 예측 모델인 CovSF는 15개의 임상 지표를 사용하여 입원 환자의 중증도 수준을 특성화하고, 최대 3일 앞까지의 중증도 수준을 예측한다. CovSF는 대규모 COVID-19 코호트(n=4,509)로 학습되었으며, 외부 검증 데이터셋(n=443)에서 AUROC 0.92를 달성했고 민감도 0.85, 특이도 0.89를 보였다. 투여된 산소요법의 유형을 목표 예측 라벨로 활용하였는데, 이는 흔히 중증도 지표로 사용된다. 이 접근은 ICU 입원이나 사망과 같이 보다 좁게 정의된 결과에 분석을 제한하는 대신, 중증도 전 범위에 걸친 환자를 포함하는 보다 포괄적인 데이터셋을 포함할 수 있게 해준다. 우리는 악화 및 회복되는 건강 상태를 특성화하는 데 집중했으며, 이는 환자에 대응한 단일세포 전사체(single-cell transcriptomes)로 검증하였다. 특히, 중증도 수준은 동일하였음에도 악화와 회복 단계의 샘플 간 면역학이 유의하게 다름을 보여, 종단적 분석의 중요성을 시사하였다. 우리는 CovSF의 이러한 프레임워크가 다른 호흡기 감염 질환에도 확장되어, 특히 팬데믹 기간 동안 병원 자원 배분에 따른 부담을 완화하는 데 기여할 수 있다고 믿는다.

동기: 에피토프 결합 T-세포 수용체(T-cell receptor, TCR)를 정확히 식별하는 것은 특정 표현형과의 연관성을 바탕으로 그 기저 생물학적 기전을 이해하는 데 중요할 뿐 아니라, 이에 따라 T-세포 매개 면역치료 치료법을 개발하는 데에도 중요하다. TCR에서 에피토프 인식에 CDR3 영역의 중요성은 잘 알려져 있으나, 특정 질병 또는 표현형과 연관된 상호작용을 프로파일링하는 방법은 상대적으로 덜 연구되어 있다. 우리는 표현형 특이적 TCR-에피토프 상호작용을 식별하기 위한 EpicPred를 개발하였다. EpicPred는 Open-set Recognition(OSR)을 사용하여 그럴듯하지 않은 TCR-에피토프 상호작용을 먼저 예측하고 제거함으로써 위양성을 줄인다. 이후, 다중 인스턴스 학습을 사용하여 암의 유형 또는 COVID-19 감염 환자의 중증도 수준에 특이적인 TCR-에피토프 상호작용을 확인하였다. 결과: 6개의 공개 TCR 데이터베이스에서 244,552개의 TCR 서열과 105개의 고유 에피토프를 사용하여 OSR 방법으로 에피토프 결합 TCR을 예측하고 에피토프 비결합 TCR을 걸러냈다. 예측된 상호작용을 2개의 암 및 4개의 COVID-19 TCR-seq 데이터셋(대용량 및 단일세포 수준 모두)에서 표현형 군을 추가로 예측하는 데 사용하였다. EpicPred는 표현형 예측에서 경쟁 방법들보다 우수했으며, 평균 AUROC 0.80 ± 0.07을 달성하였다. 제공 가능성 및 구현: EpicPred 소프트웨어는 https://github.com/jaeminjj/EpicPred 에서 이용할 수 있다.

배경: 약용식물 Cnidium officinale(CO)는 동북아 전역에 널리 분포하며 열 스트레스에 취약하다. CO의 약리적 성분에 대한 자연적으로 존재하는 조성은 전반적인 생리적 결과를 초래하므로, 위협적인 환경 조건에 CO가 얼마나 노출되는지를 추정하기 위해 주변 열에 대한 대사 반응을 순화(acclimation)의 관점에서 종합적으로 이해하는 것이 중요하다. 결과: 전사체(transcriptome) 분석은 CO가 비생물적 스트레스에 대해 장기적으로 생리적으로 적응한 결과를 이해하는 데 핵심적이다. 그러나 이 종에서, 특히 장기간의 스트레스 조건 하에서는 전사체 분석이 제한적으로만 이루어져 왔다. 우리는 온도 구배 터널(temperature gradient tunnel, TGT)을 사용하여 CO에 4개월간 고온 노출을 실시함으로써, 열의 누적 효과를 관찰하고 그 순화 메커니즘을 평가할 수 있었다. 유전체 서열 데이터가 없는 상황에서, 우리는 de novo 전사체 조립을 수행하고 TGT의 온도 처리 구역 및 생장 챔버(growth chamber, GC)에서 얻은 온도 처리 간 차등발현유전자(DEGs)를 비교하였다. 전사체 자료의 해석은 복잡할 수 있으므로, 우리는 DEG 클러스터링, GO 풍부화, KEGG 경로 매핑, miRNA-표적 유전자 분석, 그리고 RNA-sequencing 검증의 여러 차례 반복을 포함하는 순차적 분석 접근법을 적용하였다. DEGs는 유의한 폴드 변화(fold changes)를 보이는 유전자와 폴드 변화가 아닌 유의한 카운트 변화(count changes)를 보이는 유전자의 두 범주로 분류하였다. 이후, 주변 및 스트레스가 심한 고온에 어떤 경로들이 반응하는지 확인하기 위해 DEGs의 기능적 역할을 분석하고, GC와의 교차 비교를 통해 그 결과를 검증하였다. 또한 고온에서의 전사 후 조절을 조사하기 위해 miRNA 분석을 수행하였다. 더 높은 주변 온도에서 재배된 CO는 광합성 및 산화적 인산화(oxidative phosphorylation) 등 단백질 안정성과 교체(protein stability and turnover), ABA 생합성, 에너지 생산과 관련된 경로가 약하게 상향 조절되는 양상을 보였다. 그러나 극심한 열 스트레스에서는 전사를 포함하는 과정, 번역, 산화적 인산화 및 큐틴(cutin), 수베린(suberin), 왁스(wax)의 생합성에 관여하는 경로를 제외하고는 대부분의 대사 경로가 하향 조절되었다. 결론: 본 연구는 서로 다른 두 가지 실험 조건에서 발현 수준과 폴드 변화에 기반하여 유전자를 적절히 클러스터링하고, 경로 매핑을 수행함으로써 CO의 열 스트레스 반응에 대한 종합적인 이해를 제공할 수 있음을 보여주었다. 이러한 통찰은 향후 내열성(heat tolerance) 및 작물 개량(crop improvement)에 관한 연구에 기여할 수 있을 것이다.