유전자 발현 데이터 기반 구강암에서의 세포 조성 차이 분석
Distinct cell subtype composition using gene expression data in oral cancer
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
암 조직에는 다양한 형태의 세포가 존재하지만, 이들의 조성을 실험적으로 확인하기는 매우 어렵다. 본 연구에서는 유전자 발현 데이터에 통계적 기계학습 모델을 적용하여 각 샘플의 세포 조성을 추론하고, 이러한 세포 조성이 암 조직과 정상 조직간에 차이가 있는지를 확인하였다. 두 가지 서로 다른 회귀 모델을 이용하여 세포 조성을 예측한 결과 CD8 T cell과 Neutrophil이 구강암 조직에서 정상 조직에 비해 증가함을 확인할 수 있었다. 또한 비지도학습 중 하나인 t-SNE를 적용하여, 유추된 세포 조성에 의해 정상 조직과 구강암 조직이 서로 군집을 이루고 있음을 확인하였고, 지도 학습 기반의 다양한 분류 알고리즘들을 이용하여 세포 조성 정보를 이용하여 구강암과 정상 조직을 예측하는 것이 가능함을 보였다. 이 연구는 구강암의 면역 세포 침투에 대한 이해도를 증진하는데에 도움을 줄 수 있을 것이다.
Abstract
There are various subtypes of cells in cancer tissues, but it is hard to confirm their composition experimentally. Here, we estimated the cell composition of each sample from gene expression data by using statistical machine learning approaches, two different regression models and investigated whether the cell composition was different between cancer and normal tissue. As a result, we found that CD8 T cell and Neutrophil were increased in oral cancer tissues compared to normal tissues. In addition, we applied t-SNE, which is one of the unsupervised learning, to verify whether normal tissue and oral cancer tissue can be clustered by the derived cell composition. Moreover, we showed that it is possible to predict oral cancer and normal tissue by several supervised classification algorithms. The study would help to improve the understanding of the immune cell infiltration at oral cancer.
참고문헌 (15)
- 김일신, "한국인 전반적 급진성 치주염 환자에서 발견된 TNF-α 유전자의 다변성", 디지털융복합연구, 14(1), pp.321~326 (2016), 한국디지털정책학회[DOI]
- 최부영, "천연물 지표성분들의 세포독성 및 AP-1 활성 평가를 통한 암예방 기능성 탐색", 융합정보논문지, 7(6), pp.89~95 (2017), 중소기업융합학회[DOI]
- Michael Dougan, "Cancer Immunotherapy: Beyond Checkpoint Blockade", Annual Review of Cancer Biology, 3(1), pp.55~75 (2019), Annual Reviews[DOI]
- Vésteinn Thorsson, "The Immune Landscape of Cancer", Immunity, 48(4), pp.812~830.e14 (2018), Elsevier BV[DOI]
- Aaron M Newman, "Robust enumeration of cell subsets from tissue expression profiles", Nature Methods, 12(5), pp.453~457 (2015), Springer Science and Business Media LLC[DOI]
- Taiwen Li, "TIMER: A Web Server for Comprehensive Analysis of Tumor-Infiltrating Immune Cells", Cancer Research, 77(21), pp.e108~e110 (2017), American Association for Cancer Research (AACR)[DOI]
- 이호현, "기계학습 응용 및 학습 알고리즘 성능 개선방안 사례연구", 디지털융복합연구, 14(2), pp.245~258 (2016), 한국디지털정책학회[DOI]
- 이재규, "의사결정트리 기반 머신러닝 기법을 적용한멜트다운 취약점 동적 탐지 메커니즘", 융합정보논문지, 8(6), pp.209~215 (2018), 중소기업융합학회[DOI]
- Chien-Hua Peng, "A Novel Molecular Signature Identified by Systems Genetics Approach Predicts Prognosis in Oral Squamous Cell Carcinoma", PLoS ONE, 6(8), pp.e23452~ (2011), Public Library of Science (PLoS)[DOI]
- V. D. L. Maaten, "Accelerating t-SNE using Tree-based Algorithms", The Journal of Machine Learning Research, 15(1), pp.3221~3245 (2014)
- Aurélie Durgeau, "Recent Advances in Targeting CD8 T-Cell Immunity for More Effective Cancer Immunotherapy", Frontiers in Immunology, 9, pp.14~ (2018), Frontiers Media SA[DOI]
- Chunmei Fu, "Dendritic Cells and CD8 T Cell Immunity in Tumor Microenvironment", Frontiers in Immunology, 9, pp.3059~ (2018), Frontiers Media SA[DOI]
- Seth B. Coffelt, "Neutrophils in cancer: neutral no more", Nature Reviews Cancer, 16(7), pp.431~446 (2016), Springer Science and Business Media LLC[DOI]
- Merav E. Shaul, "Tumour-associated neutrophils in patients with cancer", Nature Reviews Clinical Oncology, 16(10), pp.601~620 (2019), Springer Science and Business Media LLC[DOI]
- Bo Li, "Revisit linear regression-based deconvolution methods for tumor gene expression data", Genome Biology, 18(1), pp.127~ (2017), Springer Science and Business Media LLC[DOI]