[논문 소개] 담관암(Biliary Tract Cancer)의 정밀 의료 실현을 위한 연구

작년부터 미국에 오기 직전까지 부랴부랴 리비젼을 하느라 너무 힘들었던 논문이 드디어 온라인 게제가 되어서, 소개를 해볼까합니다. 사실 이 프로젝트는 2017년부터 무려 햇수로는 4년간 끌어왔던 프로젝트인데, 그래도 이렇게 마무리를 짓고 소개를 할 수 있어서 다행입니다. 유전체 연구로 박사 과정을 막 시작하면서, 평소에 알고 지내던 김민환 교수님으로 부터 담관암 (Biliary Tract Cancer) 공동연구를 제안 받게 되었고, 매우 힘들고 지난했던 시간들을 겪으면서 마무리를 짓게 되었습니다.

[관련 논문 보기]

https://aasldpubs.onlinelibrary.wiley.com/doi/abs/10.1002/hep.31862

논문의 제목은 “Molecular Characterization of Biliary Tract Cancer Predicts Chemotherapy and PD‐1/PD‐L1 Blockade Responses“으로, 우리 나라를 포함한 동아시아에 호발하는 담관암의 약물 치료 (화학항암제와 면역항암제) 반응에 관한 유전체 연구입니다. 사실 이 블로그에도 이 연구를 진행하면서, 공부했던 많은 흔적들이 남아있기도 합니다.

[관련 포스팅 보기]

담관암은 그 해부학적 위치 때문에 매우 이질적이고, 같은 종류의 암도 유전적 특성이 다양합니다. 매우 불량한 예후와 달리, 약물 치료 옵션은 매우 제한적이고, 아직까지 어떤 환자가 어떤 치료제에 잘 반응을 할지 예측하기가 어렵습니다. 이번 연구는 이러한 어려움을 겪는 담관암 환자들에게 도움이 되기를 바라는 마음에서 진행했습니다. 개인적으로는 병원에서 인턴 생활을 하면서, 너무나 힘들게 투병 생활을 하셨던 담관암 환자 분이 기억에 나서, 그 분을 생각하면서 진행했던 연구이기도 합니다.

이번 연구에서는 수술적으로 절제가 불가능하거나 재발하여 항암 치료를 받는 담도암 환자들을 대상으로 환자의 치료 반응과 종양의 어떤 유전적 변화가 관련이 있는지를 종합적으로 분석했습니다. 담도암은 해부학적 위치에 따라, 간내담관암 (Intrahepatic cholangiocarcinoma, ICC), 간외담관암 (Extrahepatic cholangiocarcinoma, ECC), 담낭암 (Gallbladder cancer, GBC), 그리고 바터팽대부암 (Ampullar of Vater cancer, AOV) 으로 구분합니다. 특히, 같은 간내담관암 (ICC)도 병리학적 & 분자생리학적으로 완전히 다른 대담관 (large-duct)소담관 (small-duct) 유형으로 구분을 할 수 있는데, 이 두 유형의 확연히 다른 항암제 반응에 착안하여 항암제 반응과 연관된 유전적 변화를 발굴하는 실마리를 얻을 수 있었습니다. 더불어 최근 매우 중요한 치료 옵션으로 각광받고 있는 면역 항암제의 경우, 담관암에서는 반응성을 보이는 경우가 매우 드문데, 치료에 반응하지 않는 저항성과 연관된 유전적 변화를 발굴하여, 이를 바탕으로 어떠한 환자에게 면역 항암제가 효과적으로 쓰일 수 있을지를 제시할 수 있었습니다.

개인적으로는 연구를 진행하면서 Somatic mutation panel을 경험하며, NGS 분석에 더 많은 내공을 쌓을 수 있는 좋은 기회가 되었던 것 같습니다. 이번 연구 결과가 많은 담관암 환자들이 최적의 치료를 받을 수 있는 치료 전략을 수립하는데 기여할 수 있기를 바랍니다.

[BRIC 관련 인터뷰] https://www.ibric.org/myboard/read.php?Board=tr_interview&id=245031

[관련 기사 보기]

광고

[유전학 중요개념 정리] Driver vs. Passenger mutation in cancer

암유전체 분석 과정에서 가장 어려운 점은 과연 어떤 유전적 변화가 암 발생의 원인이 되었는가를 밝혀내는 것입니다. 왜냐하면 대부분 검출되는 유전적 변화는 살아가면서 누적된 체세포 변이들의 결과로 암 발생의 직접적 원인이 아니기 때문입니다. 그래서 이번 글에서는 암유전체 중요 개념인 Passenger mutationDriver mutation에 대해서 정리해 보고자 합니다.

관련 포스팅 보기>

[유전학 중요개념 정리] Germline vs. Somatic mutation

우리는 살아가면서 다양한 환경에 노출 (햇빛, 담배, 매연, 약물 등등)되고, 체세포들은 변이들을 누적 (Somatic mutation) 시킵니다. 삶은 곧 변이인 셈이지요. 이렇게 누적된 변이들은 정상적으로 노화라는 과정을 거치게 됩니다. 그러나 운이 나쁘게도 변이가 발생하는 과정이 암 발생과 연관된 유전자의 스위치를 키게되면, 그때부터 암으로 진행될 수도 있죠.

즉, 암의 발생과 진행을 촉진하고 이끌어 나가는 돌연변이Driver mutation이 되고, 암의 발생과 분열에는 영향이 없지만 Driver mutation에 의해 암이 진행되는데 함께 따라오는 mutation들을 Passenger mutation이라고 합니다. 아래의 일련의 tumor progression 과정을 생각해보면, 왜 이름을 Driver와 Passenger라고 부르는지 쉽게 이해할 수 있습니다.

cancer driver

Driver mutation에 관여되는 유전자는 크게 OncogeneTumor suppressor gene으로 구분할 수 있습니다. 즉, 기능적으로 항진되면 직접적으로 암 발생을 촉진시키는 유전자Oncogene, 암 발생을 억제 시키고 있던 수문장과 같은 역할이 Tumor suppressor가 됩니다. 즉, Driver mutation은 Oncogene에 발생하는 Gain of Function 또는 Tumor suppressor gene에 발생하는 Loss of Function에 의해서 유발될 수 있습니다. 암의 분화에는 다양한 driver mutation들이 관여하고, driver mutation의 종류에 따라 점차 다양한 능력을 획득하게 됩니다. 예를 들면, 암 발생 초기에는 전이의 능력이 없다가, 암 발생 후기에는 장기 이곳 저곳으로 전이하는 능력을 갖는다던지 하는 식이죠.

최근의 연구에 따르면, Passenger mutation은 오히려 암 발생과 진행을 억제하는 역할이 있다고 합니다. 운전자(Driver)가 데려가야할 승객들(Passenger)이 많아지면 Driver의 입장에서는 더 버거울 수도 있겠죠. 대부분의 Passenger mutation은 유전적 불안정성 (Genomic instability)에 기인하여 발생하게 되는데, Passenger mutation이 너무 많이 쌓이면, 암으로 진행되어 증식되기보다는 사멸하는 방향으로 갈 확률이 높아질 것이기 때문에, 어찌보면 당연하게 생각됩니다.

 

다음 포스팅에서는 유전체 분석 과정에서 어떻게 Driver와 Passenger를 구분하는지에 대해서 다루도록 하고, 이번 포스팅은 여기서 마치도록 하겠습니다.

 

[Reference]

Pon, Julia R., and Marco A. Marra. “Driver and passenger mutations in cancer.” Annual Review of Pathology: Mechanisms of Disease 10 (2015): 25-50.

McFarland, Christopher D., et al. “The damaging effect of passenger mutations on cancer progression.” Cancer research (2017).

암유전체 분석: GISTIC을 이용한 Somatic Copy Number Alteration 분석

암유전체 분석은 크게 SNV/INDEL 수준의 Mutation 분석과 Chromosome/CNV 수준의 Somatic Copy number Alteration (SCNA) 분석으로 나눌 수 있습니다. 과거에 SCNA는 주로 SNP array 또는 Array CGH과 같은 Microarray를 이용하여 시행하였지만, 최근에는 NGS 데이터를 활용하여 2가지 분석을 모두 시행할 수가 있습니다. 이번 포스팅은 NGS 데이터를 활용하여, SCNA를 분석하는 Genomic Identification of Significant Targets in Cancer (GISTIC) 분석 방법에 대해서 정리해보고자 합니다.

관련 포스팅 보기>

암유전체 분석: Waterfall plot

NGS 데이터를 이용한 CNV 분석


f1.large
[GISTIC 분석의 원리] 여러 환자의 sample에서 공통적으로 발생하는 CN 변화의 위치를 통계적으로 구해서, 유의하게 발생하는 위치에서 Cancer 발생의 Driver mutation을 찾는 것이 원리입니다.
GISTIC 분석을 위해서는 아래와 같은 Input 파일이 필요합니다.

ftp://ftp.broadinstitute.org/pub/GISTIC2.0/GISTICDocumentation_standalone.htm

Segmentation File (-seg)

(1)  Sample           (sample name)

(2)  Chromosome  (chromosome number)

(3)  Start Position  (segment start position, in bases)

(4)  End Position   (segment end position, in bases)

(5)  Num markers      (number of markers in segment)

(6)  Seg.CN       (log2() -1 of copy number)

원래 GISTIC은 Array 기반으로 개발된 프로그램이기 때문에, Probe 정보를 받아들이게 되는데 NGS 데이터는 Probe 정보가 없습니다. 따라서, 타겟 영역의 엑손 하나 하나를 일종의 Probe로 간주하고 데이터를 변환하여 넣어주면 분석을 할 수가 있습니다.

NGS를 통해 생산된 Bam 파일을 이용하여, 타겟 영역의 Copy number 정보를 구하고 이 데이터를 활용해서 아래와 같이, 1차적으로 Segmentation을 해줍니다. 그리고 여러 샘플의 이러한 정보를 합쳐서, 통계적으로 유의미한 CN 수 변화가 발생한 곳을 검출하게 됩니다. 최근에는 유용한 R package가 많이 있는데, DNA copy를 이용한 아래 코드는 segmentation과 데이터 변환에 유용하여 함께 올립니다.

1469941517095.gif
[Segmentation 과정] 각각의 영역의 CN를 일종의 신호 세기로 인식해서, 통계적으로 Segmentation에 변화가 발생한 곳을 검출해서 나눕니다.

#Preparing CopywriteR output for GISTIC 2.0 analysis

library(DNAcopy)

load("/PATH/TO/segment.Rdata")
segmentation.values <- segment.CNA.object$output
colnames(segmentation.values) <- c("Sample", "Chromosome", "Start Position", "End Position",
                                   "Num markers", "Seg.CN")
write.table(segmentation.values, file = "/PATH/TO/segmentation_values.tsv", quote = FALSE,
            row.names = FALSE, sep = "\t")

markers <- data.frame(paste(segment.CNA.object$data$chrom, segment.CNA.object$data$maploc,
                            sep = ":"),
                      segment.CNA.object$data$chrom, segment.CNA.object$data$maploc)
colnames(markers) <- c("Marker Name", "Chromosome", "Marker Position")
write.table(markers, file = "/PATH/TO/markers.tsv", quote = FALSE, row.names = FALSE,
 sep = "\t")

 

위와 같은 데이터 변환 후 Input 데이터 변환이 끝나면, GISTIC 분석을 위한 모든 준비가 끝나게 됩니다. GISTIC은 Matlab 기반 프로그램이지만, 다행히 cloud를 통해 GenePattern에서 웹기반으로도 이용할 수 있습니다. 마지막으로, GISTIC을 이용하여, 4,934개의 암 샘플을 분석한 Nature genetics의 논문을 소개하며, 포스팅을 마치도록 하겠습니다.

2

[GISTICS 분석 결과] 유의하게 amplification 또는 deletion이 발생한 위치에 존재하는 Tumor driver gene을 발굴함으로써, 암 발생에 대한 연구를 할 수 있습니다.

 

[References]

Beroukhim, Rameen, et al. “Assessing the significance of chromosomal aberrations in cancer: methodology and application to glioma.” Proceedings of the National Academy of Sciences 104.50 (2007): 20007-20012.

Mermel, Craig H., et al. “GISTIC 2.0 facilitates sensitive and confident localization of the targets of focal somatic copy-number alteration in human cancers.” Genome biology 12.4 (2011): R41.

Zack, Travis I., et al. “Pan-cancer patterns of somatic copy number alteration.” Nature genetics 45.10 (2013): 1134.

면역 항암제, Immune checkpoint inhibitor의 원리 및 종류

최근 종양학 분야에서의 신약 개발 및 암치료에 대한 관심사는 온통 면역 항암제, Immune checkpoint inhibitor에 쏠려 있습니다. 그래서 이번 포스팅은 면역항암제의 작동 원리와 종류, 및 신약 개발 등에 대해서 정리해 보고자 합니다. 사실 면역 항암제가 핫하게 떠오른 것은 최근의 일이지만, 기본적인 작동 기작에 대해서는 이미 오래전부터 알려져 있었습니다.

 

우리 몸의 면역 체계는 자기는 인식해서 보호하고, 외부의 항원 (Antigen) 또는 침입자 (Invader)를 인식해서 공격하는 검문의 기능 (Checkpoint)을 하고 있습니다. 이때 중요한 역할을 하는 세포가 T 세포인데, 정상적인 면역 반응 체계에서 T세포는 돌연변이가 발생하여 문제가 있는 종양 세포를 공격해서 제거하게 됩니다. 그러나 암세포는 이러한 면역 반응으로부터 벗어나서 증식하기 위해, 아군으로 위장하는 방법으로 PD-L1 (Programmed Death Ligand-1) 을 발현시키고 정상적인 면역 반응으로부터 회피하게 됩니다.

cdr774646-750.jpg
[PD-1, PD-L1 결합을 통한 T cell의 자가 인식 과정] 암세포는 면역 세포의 공격을 PD-L1을 발현함으로써 자기로 인식하도록 하여, 공격을 피하는 escape mechanism을 가지고 있는데, 면역 항암제는 이러한 PD-1과 PD-L1 간의 결합을 방해함으로써 정상적인 면역 반응을 통해 암세포가 제거될 수 있도록 합니다.
 

위와 같은 암세포의 면역 체계 회피 반응을 무력화하기 위해서 개발된 신약들은 크게 3군데를 타겟으로 하게 되는데, 아래 그림의 CTLA-4, PD-1, PD-L1이 해당됩니다. 신약들은 해당 타겟에 대한 specific antibody (특이 항체)로, 타겟과 결합하여 신호 전달을 차단하고 자아로 인식하여 면역회피를 하지 못하게 함으로써, 암세포가 정상적으로 T cell에 의해 제거될 수 있도록 하는 전략을 씁니다. 즉 이러한 신약은 면역 체계가 정상적일 경우에만 효과적으로 작동할 수 있습니다.

2
[암종별 면역 항암제 반응 정도] Hodgkin 종양, melanoma, MSI-high 종양의 면역 항암제 반응률이 좋은 편입니다. 기타 두경부암, 소화기계 암들의 반응률은 20% 내외임을 알 수 있습니다.
1

 

위와 같은 면역 항암제로 개발된 약물의 종류는 다음과 같습니다.

PD-1 inhibitors

  • Pembrolizumab (Keytruda)
  • Nivolumab (Opdivo)
  • Cemiplimab (Libtayo)

PD-L1 inhibitors

  • Atezolizumab (Tecentriq)
  • Avelumab (Bavencio)
  • Durvalumab (Imfinzi)

CTLA-4 blocker

  • Atezolimumab

3
[암종별 면역 항암제의 개발 및 FDA 승인 시기]
 

앞으로 면역 항암제 분야의 신약 개발은 암종별로 효과적이고 특이적인 약물 선별 및 기타 항암제와의 병용 투여의 효과, 특정 돌연변이별로 반응 정도를 예측하여 효과적으로 치료가 예상되는 대상군을 선별하는 동반 진단 마커의 개발 등에 관심이 가고 있습니다.

관련 포스팅 보기>

동반 진단, Companion diagnostics란 무엇인가?

신약 개발과 임상 시험, 그리고 시판 후 조사

 

마지막으로 면역 항암제의 작동 기전에 대해서 잘 정리한 유튜브 영상이 있어, 첨부합니다.

 

 

[References]

Ribas, Antoni, and Jedd D. Wolchok. “Cancer immunotherapy using checkpoint blockade.” Science 359.6382 (2018): 1350-1355.

면역 치료 ACS 정리: https://www.cancer.org/treatment/treatments-and-side-effects/treatment-types/immunotherapy/immune-checkpoint-inhibitors.html