뇌종양과 유전자: TERT

Tumor 연구에서 Genetics의 중요성이 점점 중요해지고 있다. 특정 tumor에서 보이는 바이오마커들이 점점 더 많이 발굴되고 있는데, Brain tumor 중에서도 악성도가 높은 Glioblastoma의 바이오마커들에 대해서 차근차근 살펴보도록 한다.

제일 먼저 살펴볼 바이오마커는 TERT Promoter이다.

아래 그림은 위키피디아에서 가져온 염색체 그림으로 끝 부분을 상세히 살펴보자.

Telomere(텔로미어): 염색체 끝부분에 있는 염색 소립으로 세포의 수명을 결정짓는다.

세포가 분열되면서 telomere는 소실되고, telomerase라는 역전사효소에 의해 보충 된다.

세포가 한 번 분열할 때마다 염색체 말단의 50-200 개의 telomere DNA nucleotide를 소실한다. 따라서 telomere 길이가 짧을수록 세포가 늙었다는 의미.

세포가 여러 번 세포분열을 하면서 대부분의 telomere DNA가 소실되면 세포는 세포분열을 멈추게 된다.

암세포는 공격적인 세포분열을 하기 위해 telomere DNA 길이의 유지가 필요하다. Telomere를 계속해서 연장하기 위한 효소인 Telomerase는 종양의 90%에서 활성화되어 있다.

따라서 암세포의 telomerase의 기능을 억제하거나 암세포의 telomere DNA를 제거함으로써 암세포의 분열을 막을 수 있다.

TERT (Telomerase Reverse Transcriptase) Gene : 단백질 코딩 유전자로, telomerase 효소를 인코딩한다. 따라서 암세포의 증식을 막기 위해 TERT gene promoter 발현을 억제(?) 해야한다.

Glioma(교모세포종)의 경우, IDH 유전자 돌연변이와 상관없이 TERT 돌연변이가 있는 경우 예후가 불량하다.

이 블로그의 인기 게시물

Radiomics: Feature selection 3

Demircioğlu, Aydin PhD Benchmarking Feature Selection Methods in Radiomics, Investigative Radiology: January 18, 2022 - Volume - Issue - doi: 10.1097/RLI.0000000000000855 High dimensionality of the datasets and small sample sizes are critical problems in radiomics. Therefore, removing redundant features and irrelevant features is needed. Overall, per dataset, 30 different feature selection methods + 10 classifiers + 70 hyperparameter settings After each feature selection method, 1, 2, ..., 64 features were selected. Altogether, 14,700=30✕70 ✕7 models were fitted, each with a 10-fold cross-validation . More complex methods are more unstable than simpler feature selection methods. LASSO performed best when analysing the predictive performance , though it showed only average feature stability . Longer training times and higher computational complexity of the feature selection method do not mean for high predictive performance necessarily. Obtaining a more stable mode...

자세한 내용 보기

통계 기초 : 확률 분포 - (1) 이항분포

Binomial distribution 이항분포에 앞서 베르누이분포가 있다. 모든 가능한 결과가 두 가지인 실험(표본공간이 {불량품, 양호품},{찬성, 반대} 등)을 베르누이 시행(Bernoulli trial)이라 한다. 성공확률을 p 라고 할 때, '성공'이면 1, '실패'면 0으로 대응시키는 확률변수를 베르누이 확률변수라 한다. 베르누이 확률변수 X의 확률분포는 다음과 같이 정의할 수 있다. $$ P(X=x) = p^{x}(1-p)^{1-x}, x=0,1 $$ 따라서, X=0인 경우에는 P(X=0) = (1-p)이고, X=1인 경우에는 P(X=1) = p가 된다. 베르누이분포의 평균은 E(X)=p, Var(X)=p(1-p) 이다. 이처럼 동일한 성공확률을 가진 베르누이 시행 을 독립적 으로 반복 하여 시행할 때, 'X=성공횟수'의 분포를 이항분포(binomial distribution)이라 한다. 성공확률이 p인 베르누이 시행을 n번 독립적으로 반복 시행할 때, '성공횟수(=X)'가 x일 확률은 다음과 같이 표시할 수 있다. $$ P(X=x) = (\frac{n}{x})p^{x}(1-p)^{n-x}, x=0,1,2, ..., n $$ 이항분포의 평균은 E(X)=np, 분산은 Var(X)=np(1-p) 이다. 증명은 https://proofwiki.org/wiki/Variance_of_Binomial_Distribution 참고하면 된다. 여기에서 n , p 를 이항분포의 모수(parameter)라 한다. 만약 n=1이라면, 이항분포 B ( n , p )는 '1(성공)'의 확률이 p 인 베르누이분포이다. 참고로 모수는 모집단의 특성값으로, 평균, 분산, 성공확률 등을 예시로 들 수 있다.

자세한 내용 보기

통계 : Dummy Variable Trap

Regression model을 만들다 보면, 독립변수로 명목형 변수를 사용할 때가 많다. 지역이나 성별, biomaker유/무 등이 대표적으로 많이 사용되는 명목형 변수로, 특히 medical 저널에서는 성별을 covariate으로 취급하여 성별에 따른 종속변수의 차이를 보고자 할 때가 많다. 명목형 변수들은 Dummy Variable로 바꾸어서 regression model을 만드는데, one hot 인코딩 방식으로 더미 변수들을 만든다. 예를 들면, ❕ male=0, female=1 ❕ Biomarker유=1, Biomarker무=0 이런식으로 만든다. 이와 같은 binary 데이터들은 더미 변수로 만드는 것도 쉽고 큰 문제가 되지 않는다. one-hot encoding의 이유는, 0과 1 대신 빨간색, 녹색, 파란색을 1,2,3 으로 코딩해버리면, 적합한 모델은 숫자가 더 큰 3을 빨간색보다 더 중요한 인자로 생각하게 되기 때문이다. 학력처럼 순서형이면 각 숫자에 의미가 있지만 여러 컬러처럼 단순 명목형일 때에는 one-hot 인코딩을 해야한다. (단, 컬러가 연함 - 진함과 같이 순서형이라면 굳이 one-hot 인코딩을 안해도 된다.) one-hot encoding 의 예시는 아래 세 가지 카테고리로 보면 더 명확하게 이해가 된다. (image출처: https://towardsdatascience.com/encoding-categorical-variables-one-hot-vs-dummy-encoding-6d5b9c46e2db) 그럼 binary 말고 여러 카테고리가 있는 변수의 경우는 어떤 식으로 더미 변수를 만들까? Regression 모델을 만들 때에는 k개의 카테고리가 있다면, k-1개의 더미변수를 생성하게 된다. 위 그림에서 Blue일 때, d1, d2, d3 모두 0으로 코딩해도 Red, Green과 차이가 있으므로, d1과 d2만 만들어도 무방하다는 의미이다. 즉, d1과 d2가 0일 때, Blue가...

자세한 내용 보기

Bioinformatics with Park-Kleis

이 블로그 검색