레이블이 UK Biobank인 게시물을 표시합니다. 모든 게시물 표시
레이블이 UK Biobank인 게시물을 표시합니다. 모든 게시물 표시

금요일, 12월 20, 2024

All of Us vs. UK BioBank

오늘은 전세계적으로 가장 잘 바이오뱅크를 구축하고 연구자들이나 국민들에게 잘 서비스되고 있는 바이오뱅크 구축의 표준이라고 말해도 문제가 되지 않을 2개의 프로젝트를 비교한 논문이 있어서 가져와봤습니다. Comparison of phenomic profiles in the All of Us Research Program against the US general population and the UK Biobank

DOI: 10.1093/jamia/ocad260


gemini

## All of Us vs. UK Biobank: 우리 몸의 비밀을 찾는 두 거대한 프로젝트 비교

**우리 몸의 설계도, 유전체**

여러분은 우리 몸의 설계도라고 불리는 ‘유전체’에 대해 들어보셨나요? 유전체는 우리가 어떤 모습이고 어떤 질병에 걸릴 가능성이 높은지를 결정하는 중요한 정보를 담고 있습니다. 이 유전체를 연구하여 질병의 원인을 밝히고 새로운 치료법을 개발하려는 노력이 전 세계적으로 이루어지고 있습니다. 

**All of Us와 UK Biobank, 무엇이 다를까?**

오늘은 이러한 유전체 연구를 위해 만들어진 두 개의 거대한 프로젝트, 바로 미국의 ‘All of Us’ 연구 프로그램과 영국의 ‘UK Biobank’ 프로그램에 대해 알아보고, 이 두 프로그램을 비교 분석한 연구 결과를 쉽게 설명해 드리려고 합니다.

* **All of Us 연구 프로그램:** 미국 국립보건원(NIH)에서 주도하는 대규모 연구 프로그램으로, 다양한 인종과 민족 배경을 가진 1백만 명 이상의 사람들의 유전체 정보, 건강 기록, 생활 습관 등을 수집하여 분석하는 것을 목표로 합니다. 

* **UK Biobank:** 영국에서 진행되는 대규모 생물의학 데이터베이스로, 50만 명 이상의 참가자들의 유전체 정보, 건강 기록, 생활 습관 등을 장기적으로 추적 관찰하여 질병 예방과 치료에 필요한 정보를 얻고자 합니다.

**두 프로그램의 비교: 질병 유병률의 차이**

최근 발표된 연구 결과에 따르면, All of Us 연구 프로그램에 참여한 사람들은 UK Biobank 참여자들에 비해 특정 질병에 걸릴 확률이 더 높은 것으로 나타났습니다. 왜 이런 차이가 발생했을까요? 그 이유는 두 프로그램의 참여자 구성이 다르기 때문입니다.

* **All of Us:** 다양한 인종과 민족 배경을 가진 사람들을 모집하여 미국 인구를 대표하려고 노력했지만, 의료 시스템에 접근하기 쉬운 사람들이 주로 참여했습니다.

* **UK Biobank:** 영국 인구의 특징을 반영하여 참가자를 모집했지만, 상대적으로 건강한 사람들이 많이 참여했습니다.

따라서 All of Us 연구 프로그램에 참여한 사람들에게서 특정 질병이 더 많이 발견된 것은, 이들이 의료 시스템을 자주 이용하고 건강에 대한 관심이 높아 질병을 조기에 발견할 가능성이 높기 때문일 수 있습니다.

**유전체 정보를 통한 질병 연구**

All of Us와 UK Biobank 연구 프로그램은 단순히 질병 유병률만 비교하는 것을 넘어, 유전체 정보를 분석하여 질병과 관련된 유전자를 찾는 연구도 활발하게 진행하고 있습니다. 이러한 연구를 통해 우리는 다양한 질병의 원인을 밝히고, 개인별 맞춤형 치료법을 개발하는 데 한 걸음 더 나아갈 수 있을 것입니다.

**결론**

All of Us와 UK Biobank는 인류의 건강 증진을 위해 노력하는 두 개의 거대한 프로젝트입니다. 이 두 프로그램을 통해 얻은 방대한 양의 데이터는 앞으로 질병 연구에 있어 귀중한 자원이 될 것입니다. 우리는 이러한 연구를 통해 질병을 정복하고 건강한 삶을 살 수 있도록 노력해야 합니다.




clova-x

제목: All of Us와 UK BioBank 프로그램, 무엇을 비교했을까요?

안녕하세요, 여러분! 오늘은 유전체학 분야에서 유명한 두 개의 연구 프로그램, All of Us와 UK BioBank에 대해 이야기해 보려고 해요. 이 두 프로그램은 모두 대규모 유전체 및 바이오뱅크 연구를 통해 인간 건강과 질병에 대한 이해를 높이는 것을 목표로 하고 있어요. 그럼, 이 두 프로그램이 어떤 점을 비교했는지 한번 살펴볼까요?

연구 배경

먼저, All of Us 프로그램은 미국 국립 보건원(NIH)에서 지원하는 연구 프로그램으로, 미국 인구의 다양성을 반영하는 최소 100만 명의 참가자를 등록하는 것을 목표로 하고 있어요. 이 프로그램은 의료 기록, 유전 정보, 생활 습관 등 다양한 데이터를 수집하여 개인 맞춤형 의료를 발전시키는 데 기여하고 있어요.

반면에, UK BioBank는 영국에서 진행된 연구 프로그램으로, 50만 명 이상의 참가자로부터 유전 정보, 의료 기록, 신체 측정치 등을 수집했어요. 이 프로그램은 특히 유전적 요인과 질병 사이의 연관성을 밝히는 데 초점을 맞추고 있어요.

비교 항목

두 프로그램은 참여자들의 인종, 유병률 등을 비교했어요. 그 결과, All of Us 프로그램 참여자들은 UK BioBank 참여자들보다 더 다양한 인종으로 구성되어 있었고, 일부 질병의 유병률도 더 높게 나타났어요. 예를 들어, 당뇨병, 고혈압, 심장병 등의 만성 질환의 유병률이 All of Us 프로그램에서 더 높게 나타났어요.

또, 두 프로그램은 유전 정보를 분석하여 유전적 변이와 질병 사이의 연관성을 조사했어요. 이 연구를 통해 새로운 유전적 마커를 발견하고, 이 마커가 어떻게 질병의 발생과 진행에 영향을 미치는지 이해할 수 있게 되었어요.

이러한 비교 분석을 통해 두 프로그램은 서로 보완하면서 인간 건강과 질병에 대한 더 깊은 이해를 제공하고 있어요. 앞으로도 이 두 프로그램의 연구 결과가 더욱 기대되네요!

블로그 글을 마치며

오늘은 All of Us와 UK BioBank 프로그램에 대해 간단히 살펴보았어요. 두 프로그램은 모두 대규모 유전체 및 바이오뱅크 연구를 통해 인간 건강과 질병에 대한 이해를 높이는 데 큰 역할을 하고 있어요. 이런 연구들이 계속해서 발전하면서, 우리는 개인 맞춤형 의료와 예방 의학의 시대에 한 걸음 더 가까워지고 있어요.



chatGPT

### 미국과 영국의 건강 연구 비교: *All of Us*와 UK BioBank 프로그램의 이야기

최근 들어 **유전체 연구**와 **대규모 인구 데이터 분석**이 건강과 의학 연구에서 중요한 도구로 자리 잡고 있습니다. 이 중에서도 **미국의 All of Us 프로그램**과 **영국의 UK BioBank**는 세계적으로 주목받는 두 가지 주요 연구 프로젝트입니다. 두 프로그램 모두 사람들의 건강 데이터와 질병 정보를 수집하여, 더 나은 의료 서비스와 정밀 의학(Precision Medicine)을 실현하는 것을 목표로 합니다. 이번 블로그에서는 두 연구를 비교 분석한 최근 연구 결과를 바탕으로, 두 프로그램의 특징과 주요 차이점을 쉽게 풀어보겠습니다.

---

### **1. 연구의 배경**

#### *All of Us* 프로그램은 무엇인가요?

**All of Us Research Program**은 미국 전역에서 100만 명 이상의 다양한 사람들을 대상으로 건강 데이터를 수집하는 대규모 연구입니다. 2018년에 시작된 이 프로그램은 유전자, 전자 건강 기록(EHR), 설문 조사 등을 통해 질병의 원인, 위험 요인, 그리고 개인 맞춤형 치료 방식을 연구하려는 목표를 가지고 있습니다.

특히 **미국 내 소수민족**, 저소득층, 농촌 지역 주민 등 그동안 연구에서 소외된 집단을 포함하는 데 중점을 둡니다. 참가자들은 질병, 생활습관, 유전자 정보 등 다양한 데이터를 제공하며, 이를 통해 기존 연구에서는 다루기 어려웠던 새로운 의학적 통찰을 얻고자 합니다.

#### UK BioBank는 어떤 프로그램인가요?

**UK BioBank**는 2006년부터 2010년 사이에 시작된 영국의 연구 프로젝트로, 약 50만 명의 참가자로부터 유전자 정보, 건강 기록, 신체 측정 데이터를 수집하고 있습니다. 이 프로그램은 주로 40세에서 69세 사이의 중년 및 노년층을 대상으로 하며, 영국 인구의 건강 상태를 대표하는 데이터를 제공합니다.

UK BioBank는 **유럽계** 참가자가 주를 이루며, 상대적으로 건강한 인구 집단이 참여했다는 특징이 있습니다. 이를 통해 만성질환, 암, 심혈관 질환 등 다양한 건강 문제를 연구하는 데 활용되고 있습니다.

---

### **2. 주요 비교 항목**

이번 연구는 **All of Us**와 **UK BioBank**를 아래의 항목에서 비교했습니다:

1. **참가자의 인구학적 특성**

2. **질병 유병률 (특정 질병이 얼마나 흔한지)**

3. **질병 연관성 분석** 

#### **(1) 참가자의 인구학적 특성**

- **All of Us** 참가자는 인종, 소득, 교육 수준 등에서 매우 다양한 배경을 가지고 있습니다. 예를 들어, 19.9%는 **아프리카계 미국인**, 18.8%는 **히스패닉/라틴계**로, 소수민족이 큰 비율을 차지합니다.

- 반면, **UK BioBank**는 약 94%가 **유럽계 백인**입니다. 이는 상대적으로 동질적인 집단으로 구성되어 있어 다양한 인구 그룹 간 비교 연구에는 한계가 있을 수 있습니다.

또한 **All of Us** 참가자는 평균적으로 BMI(체질량지수)가 더 높았으며, 교육 수준과 소득은 더 낮은 경향을 보였습니다.

#### **(2) 질병 유병률**

- **All of Us** 참가자들은 대부분의 질병에서 **UK BioBank**나 **미국 일반 인구**보다 더 높은 유병률을 보였습니다.

  - 예를 들어, 암, 심혈관 질환, 만성 폐질환 등의 유병률이 더 높았습니다.

  - 특히, 드문 유전 질환인 **겸상 적혈구 빈혈(sickle cell anemia)**이나 **낭포성 섬유증(cystic fibrosis)**과 같은 질병이 더 많이 관찰되었습니다.

  이 차이는 **All of Us**가 건강 문제가 있는 사람들이 의료기관을 통해 참여하는 비율이 높기 때문일 수 있습니다. 반면 **UK BioBank**는 비교적 건강한 사람들이 자발적으로 참여하는 경향을 보입니다.

#### **(3) 질병 연관성 분석**

두 프로그램은 특정 질병과 관련된 위험 요인(예: 흡연, 비만, 고혈압 등)을 비교했습니다.  

- 예를 들어, **폐암**과 흡연의 연관성은 두 데이터 모두에서 강하게 나타났습니다.

- 그러나, 특정 질병(예: 낭포성 섬유증)의 경우 두 데이터 간 차이가 컸습니다. 이는 두 프로그램 참가자들의 연령 및 유전자 배경 차이 때문일 수 있습니다.

---

### **3. 연구의 결론과 의의**

이번 연구는 두 프로그램 간 차이에도 불구하고, **All of Us**와 **UK BioBank** 데이터가 공통적으로 **질병 연구**와 **유전자 연관성 연구**에 강력한 도구가 될 수 있음을 보여줍니다. 특히 All of Us는 다양한 인종과 소외된 집단을 포함하고 있어, 기존에 연구되지 않았던 집단의 건강 문제를 파악하는 데 중요한 역할을 할 것입니다.

하지만 연구자들은 이러한 데이터를 사용할 때, **All of Us**가 특정 질병이 더 흔한 집단을 대표할 가능성이 있다는 점(즉, 편향된 데이터)을 염두에 두어야 합니다.

---

### **4. 왜 중요한가요?**

이 두 프로그램은 우리 모두가 건강한 삶을 살 수 있도록 도움을 주는 데 중점을 둡니다.  

- **All of Us**는 미국 내 소수민족과 같은 소외된 그룹의 건강 상태를 이해하는 데 기여합니다.  

- **UK BioBank**는 유럽계 백인을 중심으로 질병 원인을 파악하고 예방 전략을 수립하는 데 유용합니다.

---

**마무리하며**  

이 두 프로그램은 모두 의학의 발전과 개개인 맞춤형 치료를 향한 중요한 도약입니다. 앞으로 이 데이터를 통해 더 많은 사람들이 건강한 삶을 누릴 수 있기를 기대합니다!



NotebookLM

## 미국 All of Us 프로그램과 영국 UK BioBank 프로그램 비교: 누가 더 아픈가요? 🤔

### 들어가는 말

의학 연구, 특히 **유전체학**과 **질병**에 대한 연구는 인류의 건강 증진에 매우 중요합니다. 이러한 연구를 위해서는 많은 사람들의 건강 정보를 모아 분석하는 **대규모 코호트 연구**가 필수적인데요, 오늘은 세계적으로 주목받는 두 가지 대규모 코호트 연구인 **미국의 All of Us 프로그램**과 **영국의 UK BioBank 프로그램**을 비교 분석해보려고 합니다. 

### All of Us 프로그램과 UK BioBank 프로그램: 무엇이 다른가요?

**All of Us 프로그램**은 미국 국립보건원(NIH)에서 주도하는 프로그램으로, **최소 100만 명 이상의 참가자**를 모집하여 다양한 질병의 원인과 예방법을 연구하는 것을 목표로 합니다. 특히, 기존 연구에서 소외되었던 **소수 인종 및 민족** 참여를 적극적으로 독려하여, **미국 인구의 다양성을 최대한 반영**하려는 노력이 돋보입니다. 

**UK BioBank 프로그램**은 영국에서 2006년부터 2010년까지 **40세에서 69세 사이의 성인 50만 명 이상**을 모집하여 진행된 연구입니다. 참가자들의 **유전 정보, 건강 상태, 생활 습관 등** 다양한 정보를 수집하여, 질병 발생의 원인을 밝히고 새로운 치료법 개발에 활용하고 있습니다.

### 연구 배경: 왜 이런 비교가 필요한가요?

두 프로그램 모두 **참가자들의 건강 정보를 장기간 추적**하고, **유전체 정보와 연계**하여 분석한다는 공통점이 있습니다. 하지만 **참가자들의 인종, 연령, 모집 방식** 등에서 차이가 있기 때문에, 두 프로그램에서 얻은 연구 결과를 **비교 분석**하는 것은 매우 중요합니다. 이를 통해 각 프로그램의 **장점과 단점을 파악**하고, 더욱 정확하고 신뢰성 있는 연구 결과를 얻을 수 있습니다.

### 비교 항목: 어떤 점들을 비교했나요?

연구진은 All of Us 프로그램과 UK BioBank 프로그램의 참가자들을 비교하기 위해 **다음과 같은 항목**들을 분석했습니다.

* **인종 및 민족 구성:** All of Us 프로그램은 백인/유럽계 외에도 흑인/아프리카계 미국인, 아시아인, 히스패닉/라틴계 등 다양한 인종 및 민족으로 구성되어 있는 반면, UK BioBank 프로그램은 백인/유럽계 참가자 비율이 훨씬 높습니다.

* **질병 유병률:** All of Us 프로그램 참가자들은 UK BioBank 프로그램 참가자들보다 **대부분의 질병에 대해 유병률이 더 높았습니다**. 이는 암, 심혈관 질환, 호흡기 질환 등 **다양한 질병**에서 관찰되었습니다. 

* **질병 연관성 분석:** 연구진은 **흔한 질병 6가지와 희귀 질병 3가지**를 선택하여, All of Us 프로그램과 UK BioBank 프로그램에서 **질병과 관련된 요인**들을 분석했습니다. 그 결과, 두 프로그램에서 얻은 결과는 대부분 **유사한 경향**을 보였습니다. 

### 연구 결과: All of Us 프로그램 참가자들이 더 아픈 이유는?

All of Us 프로그램 참가자들이 UK BioBank 프로그램 참가자들보다 질병 유병률이 더 높게 나타난 데에는 **몇 가지 이유**가 있습니다. 

* **All of Us 프로그램은 의료 서비스 이용이 잦은 사람들을 대상으로 모집**하기 때문에, 건강 상태가 좋지 않은 사람들이 더 많이 포함될 수 있습니다. 

* **UK BioBank 프로그램은 40세 이상 성인만 참여**할 수 있도록 제한되어 있기 때문에, 젊은층에서 발생하는 질병이 상대적으로 적게 나타날 수 있습니다.

* **All of Us 프로그램은 소수 인종 및 민족 참여를 적극적으로 독려**하고 있으며, 이러한 집단은 특정 질병에 대한 유병률이 더 높을 수 있습니다.

### 연구의 의의: All of Us 프로그램은 왜 중요한가요?

All of Us 프로그램은 **미국 인구의 다양성을 반영**하고, **다양한 질병에 대한 연구를 수행**할 수 있다는 점에서 매우 중요한 연구입니다. 특히, **소수 인종 및 민족의 건강 불균형 문제**를 해결하고, **맞춤형 의료 기술 개발**에 기여할 수 있을 것으로 기대됩니다.

### 결론: 더욱 건강한 미래를 향하여!

All of Us 프로그램과 UK BioBank 프로그램은 **인류의 건강 증진을 위한 중요한 연구**입니다. 두 프로그램의 **장점을 결합**하고, **서로 협력**하여 연구를 진행한다면 더욱 정확하고 신뢰성 있는 결과를 얻을 수 있을 것입니다. 


미국과 영국에서 진행되고 있는 바이오뱅크 사업을 비교해봤는데 접근 방법이나 철학이 확연하게 차이가 보이는 듯 합니다. 어떤 방법이 정답이다라는 것은 없겠지만, 그래도 이후에 연구자들이나 국민들이 바라보았을 때 기술적으로는 부족 할 수 있겠지만, 수집한 샘플과 활용할 수 있는 자료들이 나쁘지는 않다 라는 말을 듣는다면 개인적으로는 성공한 사업이라고 해도 되지 않을까 합니다.

미국과 영국의 사례를 바탕으로 좋은 바이오뱅크들이 각지에 구축되길 바라며 오늘 논문 읽기는 마무리하도록 하겠습니다. :)



출처: @ye._.vely618


토요일, 8월 10, 2024

대장암, 이제 맞춤치료하자!!

오늘은 대규모 대장암 환자의 샘플들을 분석해서 다 같은 대장암이라도 하위그룹에 따라서 치료제를 다르게 써야 한다라는 내용의 논문을 가져와봤습니다.

제목은 The genomic landscape of 2,023 colorectal cancers 으로 나온지 얼마 안된 따끈따끈한 논문입니다.!! 2천명 대장암 샘플을 어디서 구했냐? 바로 UK 10만 프로젝트 되겠습니다. 

갓 UK ㄷㄷㄷ 

DOI: 10.1038/s41586-024-07747-9



gemini

## 대장암, 이제 유전자로 맞춤 치료 시대가 열린다!

### 똑같은 대장암이 아닙니다: 유전자 변이로 찾아낸 차이점

우리가 흔히 알고 있는 대장암은 모두 똑같은 질병일까요? 정답은 ‘아니오’입니다. 최근 연구 결과에 따르면, 대장암 환자마다 유전자에 나타나는 변이가 다르다는 사실이 밝혀졌습니다. 마치 사람마다 지문이 다르듯이, 대장암 세포도 각자 고유의 유전자 지문을 가지고 있는 셈이죠.

### 왜 유전자 변이를 분석할까요?

우리 몸의 세포는 유전 정보를 담고 있는 DNA를 가지고 있습니다. 이 DNA에 발생하는 변이가 바로 돌연변이인데요. 이러한 돌연변이가 축적되면서 정상 세포가 암세포로 변하게 됩니다. 

* **맞춤형 치료의 시작**: 각 환자의 유전자 변이를 분석하면, 어떤 종류의 돌연변이가 암을 유발했는지 알 수 있습니다. 이 정보를 바탕으로 특정 돌연변이에만 작용하는 표적 치료제를 개발하여 환자에게 맞는 치료를 제공할 수 있습니다.

* **새로운 치료법 개발**: 기존에는 알려지지 않았던 새로운 유전자 변이를 발견하면, 이를 타겟으로 하는 신약 개발에 활용할 수 있습니다.

### 연구 방법: 2,023명의 대장암 환자 유전체 분석

최근 발표된 한 연구에서는 2,023명의 대장암 환자의 유전체를 분석했습니다. 이는 대규모 유전체 분석 연구로, 대장암의 다양한 유전적 특징을 밝히는 데 큰 기여를 했습니다. 연구진은 다음과 같은 방법으로 연구를 진행했습니다.

1. **전체 유전체 시퀀싱**: 개인의 모든 유전 정보를 해독하는 기술인 ‘전체 유전체 시퀀싱’을 통해 각 환자의 유전체를 분석했습니다.

2. **돌연변이 분석**: 분석된 유전체 데이터에서 돌연변이를 찾아내고, 이를 종합적으로 분석했습니다.

3. **하위 그룹 분류**: 유전자 변이 패턴이 유사한 환자들을 묶어 하위 그룹으로 분류했습니다.

### 연구 결과: 대장암, 하위 그룹으로 나누다

이 연구를 통해 연구진은 250개 이상의 새로운 대장암 발병 유전자를 발견하고, 대장암을 여러 하위 그룹으로 나눌 수 있었습니다. 각 하위 그룹은 고유한 유전자 변이 패턴을 가지고 있으며, 이는 환자의 예후와 치료 반응에 영향을 미칠 수 있습니다.

### 앞으로의 전망

이번 연구 결과는 대장암 치료에 새로운 가능성을 열었습니다. 앞으로는 환자의 유전자 정보를 기반으로 더욱 정확하고 효과적인 맞춤형 치료를 제공할 수 있을 것으로 기대됩니다. 하지만 아직 해결해야 할 과제도 많습니다. 더 많은 연구를 통해 각 유전자 변이와 암 발생의 연관성을 밝히고, 새로운 치료법을 개발해야 합니다.

**결론적으로, 대장암 치료는 유전자 분석을 통해 더욱 정밀해지고 있습니다. 환자 개개인의 유전적 특성을 고려한 맞춤형 치료는 대장암 생존율을 높이고 환자의 삶의 질을 향상시키는 데 기여할 것입니다.**

**핵심 키워드:** 대장암, 유전자 변이, 맞춤 치료, 전체 유전체 시퀀싱, 하위 그룹


chatGPT

대장암에 대한 새로운 연구에 대한 블로그 글을 한국어로 작성하였습니다. 이 글은 유전자 돌연변이에 기반한 하위 그룹에 대한 설명과 맞춤형 치료의 가능성에 대해 다루고 있습니다.

---

# 대장암 맞춤형 치료의 시대를 열다

전 세계에서 가장 흔한 암 중 하나인 **대장암**은 그 복잡성 때문에 오랫동안 치료하기 어려운 질병으로 여겨져 왔습니다. 그러나 최근 연구에서는 대장암 환자들을 유전자 돌연변이를 기반으로 하위 그룹으로 나누어 보다 개인화되고 효과적인 치료법을 제공할 수 있는 혁신적인 접근법을 제안하고 있습니다.

## 대장암 이해하기

대장암은 대장이나 직장, 즉 **대장**의 일부에서 시작되는 암입니다. 일반적으로 대장 내부에 발생하는 양성(비암성) 세포 덩어리인 폴립(polyp)에서 시작되며, 시간이 지나면 일부 폴립이 암으로 발전할 수 있습니다.

### 전통적인 치료법

전통적으로 대장암 치료에는 수술, 화학요법, 방사선 치료가 포함됩니다. 이러한 방법들은 효과적일 수 있지만, 심각한 부작용을 동반하는 경우가 많고 모든 환자에게 동일하게 작용하지 않습니다. 이러한 비일관성은 부분적으로 각 환자 간 종양의 유전적 차이 때문입니다.

## 암 치료의 새로운 시대: 맞춤형 의학

### 맞춤형 의학이란 무엇인가?

**맞춤형 의학**(Personalized Medicine), 또는 정밀 의학(Precision Medicine)은 각 환자의 개별적인 특성에 맞게 의료 치료를 조정하는 것을 목표로 합니다. 암 치료의 맥락에서 이는 환자의 종양의 유전적 구성을 이해하여 가능한 한 가장 효과적인 치료를 제공하는 것을 의미합니다.

### 연구: 대장암 환자의 유전체 분석

2,000명 이상의 대장암 환자를 대상으로 한 최근 연구에서는 환자의 종양에 존재하는 유전자 돌연변이를 종합적으로 분석했습니다. 이 연구는 유전자 정보를 활용하여 의료 서비스를 개선하는 것을 목표로 하는 **영국 100,000 유전체 프로젝트**의 일환으로 진행되었습니다.

#### 연구 방법

1. **전체 유전체 시퀀싱** (Whole-Genome Sequencing): 연구자들은 각 환자의 암세포의 전체 DNA 서열을 매핑하기 위해 전체 유전체 시퀀싱이라는 기법을 사용했습니다. 이 방법은 종양에 존재하는 특정 유전자 돌연변이를 식별할 수 있도록 합니다.

2. **데이터 분석**: 유전적 데이터를 비교함으로써 연구자들은 패턴을 식별하고 환자들을 유전자 돌연변이에 기반하여 하위 그룹으로 분류할 수 있었습니다.

## 주요 발견: 유전자 돌연변이의 힘

### 세 가지 주요 하위 그룹

이 연구는 유전자 돌연변이에 기반한 대장암의 세 가지 주요 하위 그룹을 식별했습니다:

1. **MSI (Microsatellite Instability-Positive) 종양**: 이 종양들은 DNA 수리 메커니즘에 결함이 있어 많은 수의 돌연변이를 보유하고 있습니다. 면역 시스템이 암과 싸우도록 돕는 **면역요법**(Immunotherapy)에 잘 반응하는 것으로 나타났습니다.

2. **POL 종양(DNA Polymerase 결함)**: 이러한 종양은 DNA 복제 과정에서 오류가 발생합니다. 이를 이해함으로써 연구자들은 이러한 복제 오류를 특정하여 표적으로 삼는 약물을 개발할 수 있습니다.

3. **MSS (Microsatellite-Stable) 종양**: 이 종양은 유전자 돌연변이가 적지만 염색체의 구조적 변화가 많습니다. 수술, 화학요법, 새로운 표적 치료제를 결합하여 치료할 수 있습니다.

### 맞춤형 치료 계획

환자들을 이러한 하위 그룹으로 분류함으로써 의사들은 보다 맞춤화된 치료 계획을 제공할 수 있습니다:

- **표적 치료** (Targeted Therapy): 특정 유전자 돌연변이를 가진 환자들은 그 변화를 정확히 표적으로 하는 약물을 받을 수 있습니다.

- **면역요법**: MSI 종양을 가진 환자들에게 면역요법은 매우 효과적이며, 더 나은 결과와 적은 부작용을 제공합니다.

- **부작용 감소**: 보다 정밀한 치료를 통해 환자들은 효과가 없는 치료로 인한 불필요한 부작용을 경험할 가능성이 줄어듭니다.

## 왜 이것이 중요한가: 암 치료의 미래

이 연구 결과는 대장암과의 싸움에서 중요한 진전을 의미합니다. 각 종양의 유전적 구성을 이해함으로써 의료 제공자는:

- **생존율 향상**: 맞춤형 치료는 대장암 환자의 생존율을 크게 향상시킬 수 있습니다.

- **삶의 질 향상**: 보다 효과적인 치료와 적은 부작용으로 환자들은 치료 중 및 치료 후에 더 나은 삶의 질을 유지할 수 있습니다.

- **미래 연구의 길을 열다**: 이 연구는 유전 정보를 활용하여 다른 유형의 암을 해결하는 데 있어 선례를 세우며, 전 세계 수백만 명의 환자에게 혜택을 줄 수 있습니다.

## 결론

암 치료의 세계는 빠르게 진화하고 있으며, 맞춤형 의학이 그 선두에 있습니다. 대장암에 관한 최근 연구는 유전자 연구의 힘을 보여주는 사례이며, 암 환자들에게 더 정밀하고 효과적인 치료법을 제공할 수 있는 가능성을 제시합니다. 유전자 돌연변이에 기반한 암 환자들의 하위 그룹 분류는 치료의 효과를 극대화하고 부작용을 최소화할 수 있는 방법을 제공하여, 이 도전적인 질병에 영향을 받는 사람들에게 새로운 희망을 줄 것입니다.


NotebookLM

## 개인 맞춤형 대장암 치료를 향하여: 유전자 변이를 활용한 하위 그룹 분류

대장암은 전 세계적으로 높은 발병률과 사망률을 보이는 암 종류 중 하나입니다. 과거에는 대장암 치료가 종양의 크기나 위치와 같은 제한적인 요소에 의존했지만, 최근 암 유전체 연구의 발전으로 개인의 유전적 특성을 고려한 맞춤형 치료가 가능해지고 있습니다. 

**유전자 검사를 통한 대장암 하위 유형 분류**

이 글에서는 전체 게놈 시퀀싱(WGS)을 이용하여 대장암 환자의 유전자 변이를 분석하고 이를 기반으로 환자들을 하위 그룹으로 분류하여 개인 맞춤형 치료를 가능하게 하는 연구 결과를 소개하고자 합니다. 전체 게놈 시퀀싱(WGS)은 개인의 DNA 전체를 분석하는 기술로, 암을 일으키는 특정 유전자 변이를 찾아내는 데 매우 효과적입니다.

기존 연구에서는 WGS 데이터를 기반으로 대장암을 크게 세 가지 하위 유형(MSI, MSS, POL)으로 분류했습니다. 이 중 **MSS** 유형은 전체 대장암의 약 80%를 차지하며, 다시 **WGS-A, WGS-B, GS, LOH**  네 가지 하위 그룹으로 세분화될 수 있습니다.  이러한 분류는 염색체 불안정성(CIN)의 특징, 즉 체세포 변이(SNV), 작은 삽입-결실(indel), 구조적 변이(SV), 유전자 복제수 변이(CNA)와 같은 유전체 변이의 유형과 빈도에 따라 이루어집니다. 

예를 들어, WGD-A 및 WGD-B 클러스터는 염색체 불안정성이 높은 특징을 보이며, 이는 더 많은 수의 SV 및 CNA 이벤트, 더 높은 LOH 비율, 그리고 염색체 산산조각과 관련된 복제 수 시그니처 CN6와 염색체 수준의 LOH와 관련된 CN17의 증가로 확인되었습니다.

**유전자 변이에 따른 맞춤형 치료 전략**

각 하위 그룹은 특정 유전자 변이 및 분자적 특징을 공유하기 때문에, 이러한 분류는 개별 환자에게 **가장 효과적인 치료법을 선택**하는 데 도움이 될 수 있습니다. 

* **KRAS 돌연변이**: KRAS 유전자 돌연변이는 대장암에서 흔하게 발생하며, 특히 KRAS G12V 돌연변이는 대장암의 80%에서 면역 반응을 유발하는 것으로 예측되었습니다.  반면, KRAS G12D 및 G13D 돌연변이 또한 면역원성을 가질 가능성이 있지만, G12C, A146T, G12A 돌연변이는 그렇지 않은 것으로 나타났습니다.  이러한 차이는 KRAS 돌연변이 아형에 따라 서로 다른 치료 전략을 수립해야 함을 시사합니다. 예를 들어, KRAS G12V 돌연변이를 가진 환자들은 면역 항암 치료의 효과가 더 좋을 수 있습니다.

* **BRAF V600E 돌연변이**: BRAF V600E 돌연변이 역시 대장암에서 발견되는 주요 유전자 변이 중 하나입니다. 이 돌연변이는 면역 반응을 유발할 수 있지만, 그 효과는 HLA 유전자의 변이에 따라 달라질 수 있습니다. HLA 유전자는 면역 체계에서 중요한 역할을 하는 유전자로, BRAF V600E 돌연변이를 가진 환자에서 HLA 유전자 변이 여부를 확인하여 면역 항암 치료의 효과를 예측하고 개인에게 맞는 치료법을 선택할 수 있습니다. 

* **MSI 종양의 프레임 시프트 돌연변이**:  MSI 종양에서 빈번하게 발생하는 프레임 시프트 돌연변이는 높은 면역원성을 나타냅니다. 따라서 MSI 종양을 가진 환자들은 면역 항암 치료에 좋은 반응을 보일 가능성이 높습니다. 반면, MSS 종양에서 흔히 발생하는 APC E1309fs 돌연변이는 면역원성이 낮기 때문에, 다른 치료법을 고려해야 할 수 있습니다.

**결론**

이처럼 대장암 환자의 유전체 분석을 통해 암을 유발하는 특정 유전자 변이를 파악하고, 이를 바탕으로 환자들을 하위 그룹으로 분류하면 개인에게 최적화된 치료법을 제공할 수 있습니다. 하지만 이러한 연구 결과들은 대규모 연구를 통해 검증되어야 하며, 실제 임상 현장에서 개인 맞춤형 치료법을 개발하고 적용하기 위해서는 추가적인 연구가 필요합니다. 


사실 암종을 하위그룹으로 나누는 방법은 여기서 처음 언급한 내용은 아닙니다. 이전에도 비슷하고 동일한 얘기들이 언급되었지만 이 정도의 대규모 데이터로 연구를 진행한 적은 (어딘가에서 있었을 수도 있었겠지만) 제 기억으로는 없었던 것 같습니다.

암종을 블라인드하고 변이들을 보여줬을 때 APC라는 유전자에 변이가 있으면, 그중에서 APC에서 signature 변이가 있으면 백발백중 대장암 환자라고 알아낼 수 있습니다. 그러나 대장암 환자들이 APC 유전자 이외에 다른 변이들도 가지고 있을 수 있겠죠. 그래서 대장암이라고 모두 동일한 약을 사용하면 안되는 이유고, 현재 우리가 그래도 잘 구별할 수 있는 것이 genome상의 변이이니 이 변이들을 가지고 카테고리화하여 각자 하위 카테고리에 속하는 환자들에게 적합한 치료를 받게 하는 것이 더 좋다 라는 얘기를 하는 내용이고, 추가로 genome 상의 변이는 설계도에 이상이 생긴것을 알고 있다는 수준이지, 실제 몸속에서 어떤 유전자가 많이 발현되고, 어떤 단백질이 상호작용을 더 잘하니 못하니에 따라서, 하위 그룹을 나눈것이 무의미할 수 도 있으니 실제 임상 현장에서는 사용하기 위해서는 아직도 많은 다양한 연구가 필요할 듯 합니다.

이런 대규모의 복잡한 연구들이 지속된다면 가까운 미래에는 대장암에는 A약 같은 치료방법에서는 벗어날 수 있는 시대가 오지 않을까 합니다. :)




출처: @ye._.vely618


목요일, 4월 25, 2024

CNV 어디까지 알아보고 오셨나요?

오늘도 UK Biobank 자료를 활용한 자료를 가져와봤습니다.

제목은 Protein-altering variants at copy number-variable regions influence diverse human phenotypes이고, CNV에 대한 내용인데, 24년도 갱장히 따끈따끈합니다.  :)

doi는 10.1038/s41588-024-01684-z 입니다.

최근에는 clova-x만 활용했는데, 자주 사용하다 보니 clova-x도 개조식으로 설명하는 행태가 보여서 gemini를 다시 사용해봤습니다. 그랬더니 gemini가 좀 서술식으로 설명을 해주더라구요. 

다음은 clova-X와 gemini에게 논문 내용 설명해줘라고 요청한 결과 입니다.


gemini
Hujoel et al.는 UK Biobank (UKB)를 통해 발견된 새로운 유전자-형질 관계를 연구한 논문을 발표했습니다. 그들은 100bp 해상도로 단백질을 변형시키는 CNV를 감지하기 위한 새로운 유형의 접근 방식을 사용했습니다. 이 접근 방식은 이전 방법보다 더 많은 CNV를 감지할 수 있게 해주었습니다.

연구진은 CNV가 키, 혈압, 제2형 당뇨병 위험 및 크로노타입과 같은 다양한 특성에 관련되어 있음을 발견했습니다. 또한, 신속하게 진화하는 유전자군 내의 CNV가 이러한 특성에 대한 변이의 가장 큰 기여를 한다고 발견했습니다.

연구의 가장 흥미로운 발견 중 하나는 RGL3 유전자의 엑손 6 일부를 삭제하는 저빈도 삭제가 혈압을 낮추는 것과 관련이 있다는 것입니다. 이 삭제는 공통적인 RGL3 돌연변이보다 혈압에 더 큰 영향을 미쳤습니다. 삭제는 또한 혈청 칼슘 수치 감소와 관련이 있었습니다.

저자들은 이러한 발견이 지금까지 대규모 분석에서 벗어났던 유전적 변이로부터 새로운 유전적 통찰력을 제공할 수 있는 잠재력을 보여준다고 결론지었습니다.

연구의 구체적인 발견은 다음과 같습니다.

* 연구진은 UKB의 전장 유전체 시퀀싱 데이터에서 개인당 평균 93.4개의 CNV를 발견했습니다. 이는 최근 UKB WES의 중간 릴리스 분석에 비해 두 배 증가한 수치입니다.
* 대부분의 삭제와 대략 절반의 중복은 최대 한 개의 엑손을 영향을 미쳤습니다.
* 가장 영향력 있는 변이는 드문 경우였습니다. 18,651개의 유전자 중에서 전체 유전자 중복과 LOF를 일으킬 것으로 예측되는 CNV는 각각 중간 8개와 11개에서 발견되었습니다.
* RGL3 유전자의 엑손 6 일부를 삭제하는 저빈도 삭제가 혈압을 낮추는 것과 관련이 있었습니다. 삭제는 또한 혈청 칼슘 수치 감소와 관련이 있었습니다.
* 연구진은 일반적인 CNV를 감지하기 위한 새로운 접근 방식을 개발했습니다. 이 접근 방식은 41,042개의 유전적 영역에서 일반적인 CNV를 감지했습니다. 이러한 일반적으로 CNV 변이가 있는 영역은 11%의 상염색체 유전자의 코딩 엑손과 겹쳤습니다.

저자들은 이러한 발견이 인간 질병의 유전적 기초에 대한 새로운 통찰력을 제공할 수 있다고 제안합니다.

이 연구의 결과는 다음과 같습니다.

* CNV는 키, 혈압, 제2형 당뇨병 위험 및 크로노타입과 같은 다양한 특성에 관련되어 있습니다.
* 신속하게 진화하는 유전자군 내의 CNV가 이러한 특성에 대한 변이의 가장 큰 기여를 한다고 연구진은 발견했습니다.
* RGL3 유전자의 엑손 6 일부를 삭제하는 저빈도 삭제가 혈압을 낮추는 것과 관련이 있다는 것이 연구의 가장 흥미로운 발견 중 하나입니다.

이러한 발견은 이전에 알려지지 않은 유전적 요인이 인간의 건강과 질병에 영향을 미칠 수 있음을 시사합니다.

clova-x 
본 연구는 CNVs가 인간 유전자 발현과 표현형에 미치는 영향을 조사하였다.
1. CNVs는 인간 유전자 발현에 영향을 미치며, 이는 질병과 관련될 수 있다.
2. CNVs는 단백질 코딩 변이를 유발하며, 이로 인해 다양한 표현형에 영향을 미칠 수 있다.
3. 이번 연구에서는 haplotypeinformed methods를 이용하여 proteinaltering CNVs를 탐지하고 분석하였다.
4. Gene LOF에 대한 proteincoding variation은 인간의 유전적 변이에 대한 새로운 통찰력을 제공한다.
5. CNVs의 영향을 평가하기 위해서는 인간의 유전자형을 분석해야 하며, 이를 위해 SNP 배열과 전체 유전체 시퀀싱 데이터가 필요하다.
6. 이번 연구에서는 negative binomial distributions를 이용하여 model exome sequencing read counts를 model 하였다.

 이 연구의 의의는 다음과 같습니다.

1. 대규모 인구 기반 연구를 통해 CNVs와 질병의 연관성을 확인하였습니다.
2. CNVs와 관련된 유전자와 단백질 코딩 변이를 식별하였습니다.
3. CNVs가 인간 유전자 발현과 표현형에 미치는 영향을 확인하였습니다.

이 연구 결과는 CNVs와 질병의 연관성을 이해하는 데 도움이 되며, 질병 예방 및 치료에 활용될 수 있는 정보를 제공합니다. 또한, 이 연구는 유전체 연구의 발전에 기여하며, 인간 유전자와 질병의 관계를 밝히는 데 중요한 역할을 합니다.

이전에 gemini가 개조식으로 답변을 줘서 clova-x를 사용해봤는데, 이제는 다시 gemini의 답변이 좀 갠춘해 보입니다.

여튼 UK Biobank 접근해서 한번 데이터를 다뤄보고 싶긴합니다.
어떻게 데이터를 모아놓은것이길래 이런 연구도 가능한건지... 
절래절래 (.. )( ..)(.. )( ..) 


출처: @ye._.vely618

목요일, 4월 18, 2024

UK Biobank 데이터 활용하면 어떤것을 할 수 있을까?

오늘은 많은 국가의 BioBank 사업에 귀감이 되고 있는 UK BioBank를 활용한 논문을 한번 가져와봤습니다. 

당연히 UK BioBank 데이터를 활용한 논문은 어마 무시하게 많이 있습니다.

그중에서 이 Effects of protein-coding variants on blood metabolite measurements and clinical biomarkers in the UK Biobank 논문을 가져온 이유는 그냥 최근에 나왔으니깐요 ㅎㅎ 

DOI: 10.1016/j.ajhg.2023.02.002


오늘도 역시 clova-x에게 물어보았습니다.

이 연구는 단백질 코딩 변이가 혈액 대사물 측정과 임상 바이오마커에 미치는 영향을 분석한 것으로, 다음과 같은 내용을 포함하고 있습니다.

1. 412,393 영국 바이오뱅크 샘플을 분석하여 희귀 변이와 대사물 측정 간의 연관성을 발견하였습니다.

2. 유전자 레벨 붕괴 분석을 통해 희귀 변이의 영향을 평가하였습니다.

3. 나이트릴 혈액 대사 측정과 임상 혈액 바이오마커에 대한 205개의 유전자와 331개의 유전자가 유의미한 연관성을 가진 것으로 나타났습니다.

4. 이 연구는 새로운 생물학적 통찰력을 제공하며, 확립된 질병 메커니즘에 대한 이해도 깊어질 수 있습니다.

5. 기존 GWAS에서 발견되지 않은 40%의 유의미한 임상 바이오마커 연관성이 존재합니다.

6. 희귀 단백질 코딩 변이형은 큰 효과 크기와 기능적 영향을 가지며, 유전체 시퀀스의 가용성으로 이전에 보고되지 않은 연관성을 확인할 수 있습니다.


이 연구는 단백질 코딩 변이와 혈액 대사물 측정, 임상 바이오마커 간의 연관성을 분석하여 희귀 변이의 영향을 평가하고, 새로운 생물학적 통찰력을 제공하는 것을 목적으로 합니다. 기존의 GWAS에서 발견되지 않은 40%의 유의미한 임상 바이오마커 연관성이 존재하며, 이를 통해 기존에 알려지지 않은 질병 메커니즘을 이해하는 데 도움이 될 수 있습니다.

대규모의 샘플을 분석하여 희귀 변이와 대사물 측정 간의 연관성을 발견하였으며, 이를 통해 희귀 변이의 영향을 평가하고, 새로운 생물학적 통찰력을 제공하는 데 기여하였습니다. 또한 유전체 시퀀스의 가용성으로 이전에 보고되지 않은 연관성을 확인할 수 있으며, 이를 통해 질병 예방과 치료에 대한 새로운 접근 방법을 개발하는 데 도움이 될 수 있습니다.

그리고 다양한 유전자 레벨 붕괴 분석을 통해 희귀 변이의 영향을 평가하였으며, 이를 통해 질병 예방과 치료에 대한 새로운 접근 방법을 개발하는 데 도움이 될 수 있습니다. 또한, 이 연구는 나이트릴 혈액 대사 측정과 임상 혈액 바이오마커에 대한 유전자와 유의미한 연관성을 발견하였으며, 이를 통해 질병 예방과 치료에 대한 새로운 접근 방법을 개발하는 데 도움이 될 수 있습니다.

이 연구는 단백질 코딩 변이와 혈액 대사물 측정, 임상 바이오마커 간의 연관성을 분석하여 희귀 변이의 영향을 평가하고, 새로운 생물학적 통찰력을 제공하는 것을 목적으로 합니다. 기존의 GWAS에서 발견되지 않은 40%의 유의미한 임상 바이오마커 연관성이 존재하며, 이를 통해 기존에 알려지지 않은 질병 메커니즘을 이해하는 데 도움이 될 수 있습니다.

이 논문은 생명공학 분야에서 중요한 연구 결과를 담고 있으며, 생명공학을 전공하지 않은 사람들도 이 논문을 통해 혈액 대사물 측정과 단백질 코딩 변이의 관계를 이해하고, 질병 예방과 치료에 대한 정보를 얻을 수 있습니다.

이 논문을 이해하기 위해서는 생명공학에 대한 기본적인 지식이 필요합니다. 생명공학에 대한 기본적인 지식이 없는 경우에는 이 논문을 이해하기 어려울 수 있습니다. 이 경우에는 생명공학에 대한 기초적인 지식을 학습하고, 이 논문을 다시 읽어보는 것이 좋습니다.


결론: 응? 무엇을 요약했는지 무슨 말인지 하나도 모르겠다.

아니 생명공학에 대한 기본 지식이 있는 전공자가 귀찮아서 생명공학을 전공하지 않은 사람들에게 설명하는 글을 작성해달라고 clova-x를 돌렸는데 기초지식을 학습하고 다시 논문을 읽어보라니.... 요놈 보소

결국 UK Biobank는 아이디어만 있으면 할 수 있는게 무궁무진 하다는 것 되겠습니다.




출처: @ye._.vely618