초록 ▼

• 공개된 유방암 전사체 데이터 재분석 및 데이터베이스 구축
차세대염기서열분석기술 (next-generation sequencing, 이하 NGS)의 발달로 다양한 유전체 및 전사체(RNA-seq) 연구가 활발해지는 추세임. 논문이 게재되면 그 논문에 사용된 데이터들은 gene expression omnibus (GEO)와 같은 , 누구나 재처리 및 재분석이 가능하도록 공개 데이터베이스에 제출해함. GEO에 공개된 NGS 데이터 중 유방암 (키워드: breast cancer RNA-seq) 셈플이며 샘플수가 많고 (n=50 이

• 공개된 유방암 전사체 데이터 재분석 및 데이터베이스 구축
차세대염기서열분석기술 (next-generation sequencing, 이하 NGS)의 발달로 다양한 유전체 및 전사체(RNA-seq) 연구가 활발해지는 추세임. 논문이 게재되면 그 논문에 사용된 데이터들은 gene expression omnibus (GEO)와 같은 , 누구나 재처리 및 재분석이 가능하도록 공개 데이터베이스에 제출해함. GEO에 공개된 NGS 데이터 중 유방암 (키워드: breast cancer RNA-seq) 셈플이며 샘플수가 많고 (n=50 이상: GSM accession number), subtype이 명료하게 기술되어 있는 (예: triple-negative breast cancer) 전사체 데이터를 선별하여 정리 및 재분석에 사용함. 그 예로 228개의 유방암 RNA seq 샘플인 GSE68086, 6 종류의 암 종 (유방암 포함)의 환자의 혈액으로부터 유래한 228개의 tumor-educated platelet (TEP) RNA-seq 샘플을 재분석함.
선별된 유방암 조직 및 세포주 RNA-seq 데이터를 반복적으로 처리하기 위해 Octopus-toolkit의 개발을 완료함. Octopus-toolkit은 공개된 Illumina기반 대규모 NGS데이터를 자동으로 처리해주는 JAVA언어를 메인으로 개발된 프로그림으로서 GEO dataset에서 데이터를 다운로드, 파일변환, quality check & trimming, alignment, Qauntification, Normalization 과정을 거침. 현재 베타버젼을 Github에 공개함 (https://github.com/kangk1204/Octopus). 위에서 선별된 샘플들을 Octopus-toolkit을 이용하여 분석하였음. IGV를 이용하여 처리된 RNA-seq의 결과들을 validation하여 최종적으로 총 1009개 이상의 NGS기반 공개된 유방암 RNA-seq 데이터를 선별하여 재분석 및 데이터베이스화 완료.

• 유방암 조직의 heterogeneity 분석을 위한 RNA-seq 수행
암 조직의 heterogeneity 문제 해결 및 기존에 알려지지 않은 subtype 발굴 혹은 암의 시초가 되는 cancer stem cell의 발견을 목표로 주로 Single cell RNA-seq이 수행됨. 본 연구는 Heterogeneity 정도를 파악하는데 목적이 있으므로 유방암 조직 및 정상 조직을 n 등분하여 총 10개의 유방암 조직 단편 및 3개의 정상 조직 단편으로 RNA-seq을 시퀀싱 하여 Different expression Genes 분석을 수행하였음.

• 인공지능 Deep learning (딥러닝) 알고리즘을 적용한 전사체 기반 암 subtype 분류 및 바이오마커 발굴 알고리즘 개발 완료
Deep learning은 인공신경망 (artificial neural network, ANN)과 유사한 알고리즘으로, 인공신경망의 단점 중 하나인 local minima문제를 unsupervised learning을 통한 전 처리 과정을 이용하여 해결한 기계 학습(machine learning) 알고리즘 중 하나임. Depp learning은 다양한 분야에 활용되고 있는데 2016년 Science지에 개제된 Dissecting the multicellular ecosystem of metastatic melanoma by single-cell RNA-seq 논문에서는 3,160개의 정상 및 melanoma 조직의 유전자 발현 데이터를 (microarray) 학습하여 많은 유전자 중 melanoma와 control을 구별하는데 가장 크게 기여한 유전자 14개를 선별함. 이번 연구에서 확립한 14개 유전자 모델 및 이전 다른 연구에서 선별된 유전자 모델들과 비교한 결과, deep learning으로 선별된 분류 power가 높은 14개의 유전자 모델이 보다 좋은 accuracy (Deep learning Model : 93.35%, Peng Model : 75.50%)를 보임. 개발된 기계학습 기반 알고리즘 적용으로 이전에 밝혀지지 않은 암의 subtype을 분류와 새로운 biomarker 개발이 가능한 유전자 군을 발굴할 수 있을 것으로 사료됨.
(출처:요약문 4p)

목차 Contents

• 표지 ... 1목차 ... 3Ⅰ. 연구결과 요약문 ... 4Ⅱ. 연구내용 및 결과 ... 5 1. 연구과제의 개요 ... 5 2. 국내외 기술개발 현황 ... 5 3. 연구수행 내용 및 결과 ... 6 4. 목표 달성도 및 관련 분야에의 기여도 ... 8 5. 연구결과의 활용계획 ... 9 6. 연구과정에서 수집한 해외과학기술정보 ... 9Ⅲ. 연구성과 ... 10끝페이지 ... 11