WO2023090709A1 - 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 - Google Patents
염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 Download PDFInfo
- Publication number
- WO2023090709A1 WO2023090709A1 PCT/KR2022/017157 KR2022017157W WO2023090709A1 WO 2023090709 A1 WO2023090709 A1 WO 2023090709A1 KR 2022017157 W KR2022017157 W KR 2022017157W WO 2023090709 A1 WO2023090709 A1 WO 2023090709A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- state
- cell
- cells
- tissue
- genome structure
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B15/00—ICT specially adapted for analysing two-dimensional or three-dimensional molecular structures, e.g. structural or functional relations or structure alignment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Definitions
- the present invention relates to a cell analysis device and method for predicting and diagnosing diseases through finding and comparing information on deformation or change of states such as opening and closing on chromosome structure, and more particularly, It determines whether there are diseased cells in the cell group, and analyzes the deformation and change according to the degree of opening and closing of the chromosome structure. In addition, it relates to a device and method for predicting the tissue origin and quantity of diseased cells through this.
- CTC blood circulating tumor cells
- organ epithelial cells have been identified using simple and specialized biomarkers.
- circulating tumor cells (CTC) or epithelial cells of organs are present in very small amounts in the blood and urine of cancer patients or patients with inflammation or heart disease, so even if they are enriched using a liquid biopsy analysis device or kit, There is a problem in which accurate detection is difficult.
- the technical problem to be achieved by the present invention is to analyze the state of the chromosome structure and the patterns of the state, determine whether diseased cells are present in the cell population collected from the subject's specimen, and predict the tissue origin and quantification of the diseased cells. It is to provide a cell analysis device and method using chromosome structure information to do.
- a cell analysis method using state information of chromosome structure for achieving the above technical problem includes obtaining a state of a genome structure of a cell collected from a specimen; Classifying the collected cells into diseased cells and normal cells by analyzing state-altered regions of the genome structure based on a pre-stored standard genome structure state pattern DB; Obtaining the tissue origin of the diseased cell by analyzing a deformation or change region of the genome structure state, such as opening or closing, based on a previously stored genome structure state pattern DB for each tissue; and obtaining a quantity of the diseased cells by analyzing a modified or changed region of the genome structure based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB. Transformation refers to a change in the storage state of a chromosome compared to a normal one, and the resulting relative change is called a change in the structure of a chromosome.
- the state of the genome structure stored in the standard genome structure state pattern DB is compared with the state of the genome structure of the captured cells based on the number of sequences and the peak of the state variation region of the genome structure,
- the collected cells may be divided into the diseased cells and the normal cells.
- the state of the genome structure stored in the genome structure state pattern DB for each tissue is compared with the state of the genome structure of the captured cells based on the peak pattern of the state variation region of the genome structure. , obtaining the tissue origin of the cells of the disease.
- the tissue origin obtaining step may include obtaining the tissue origin of the diseased cell by comparing the peak position of the genomic structure stored in the genomic structure state pattern DB for each tissue with the peak position of the genomic structure of the collected cells. .
- the step of acquiring the tissue origin may include determining the tissue of the diseased cell based on the overlap ratio between the peak region of the genomic structure stored in the genomic structure state pattern DB for each tissue and the peak region of the genomic structure of the collected cells. It can be done by acquiring the origin.
- the tissue origin acquisition step is obtained based on a matrix obtained based on a peak score of the genome structure stored in the genome structure state pattern DB for each tissue and a peak score of the genome structure of the captured cells.
- the tissue origin of the diseased cells may be obtained.
- the step of acquiring the quantity of diseased cells may include the number of sequences acquired targeting the state-modified region of the specific genome structure of the diseased cell based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB, and the Quantification of the diseased cells may be obtained by calculating the number of the diseased cells compared to the total number of cells using the number of sequences obtained by targeting the state transformation region of the specific genome structure of the normal cell.
- a cell analysis device using state or state change information of a chromosome structure for achieving the above technical object includes: a cell analysis unit that obtains a state of a genome structure of a cell collected from a specimen; a cell sorting unit for classifying the collected cells into diseased cells and normal cells by analyzing state-altered regions of the genome structure based on a pre-stored standard genome structure state pattern DB; a cell origin acquisition unit for acquiring a tissue origin of the diseased cell by analyzing a state-altered region of the genome structure based on a pre-stored genome structure state pattern DB for each tissue; and a cell quantitative acquisition unit configured to obtain a quantitative amount of the diseased cells by analyzing a state-altered region of the genome structure based on the standard genome structural state pattern DB and the tissue-specific genome structural state pattern DB.
- the cell classification unit compares the state of the genome structure stored in the standard genome structure state pattern DB and the state of the genome structure of the captured cells based on the number of sequences and peaks of the state variation region of the genome structure,
- the collected cells can be divided into the diseased cells and the normal cells.
- the cell origin obtaining unit compares the state of the genome structure stored in the genome structure state pattern DB for each tissue based on the peak pattern of the state transformation region of the genome structure and the state of the genome structure of the captured cells, The tissue origin of the diseased cells can be acquired.
- the cell origin obtaining unit may obtain the tissue origin of the diseased cell by comparing the peak position of the genomic structure stored in the genomic structure state pattern DB for each tissue with the peak position of the genomic structure of the collected cells.
- the cell origin obtaining unit determines the tissue origin of the diseased cell based on the overlap ratio between the peak region of the genomic structure stored in the genomic structure state pattern DB for each tissue and the peak region of the genomic structure of the collected cells. can be obtained.
- the cell origin acquisition unit obtains a matrix obtained based on a peak score of the genome structure stored in the tissue-specific genome structure state pattern DB and a peak score of the genome structure of the captured cells. By preparing the matrix, the tissue origin of the diseased cells can be obtained.
- the cell quantitative acquisition unit based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB, obtains the number of sequences obtained targeting the state-altered region of the specific genome structure of the diseased cell and the normal cell Quantification of the diseased cells can be obtained by calculating the number of diseased cells compared to the total number of cells using the number of sequences obtained by targeting the state transformation region of the specific genome structure of .
- the cell analysis apparatus and method using chromosome structure state information it is possible to classify diseased cells at a low price and with high accuracy by determining whether diseased cells are present in a cell group collected from a sample of a subject through state analysis of chromosome structure.
- CTC circulating tumor cells
- multi-omics multi-markers such as structure-related disease gene function markers, epigenomic markers, and mutation markers.
- FIG. 1 is a block diagram for explaining a cell analysis device using state information of chromosome structure according to a preferred embodiment of the present invention.
- Figure 2 is a picture for explaining the state information of the chromosome structure.
- FIG. 3 is a diagram for explaining the difference in state information of chromosome structure for each cell line according to tissue type.
- FIG. 4 is a diagram for explaining an example of decoding of a euchromatin region using ATAC-seq according to the present invention.
- FIG. 5 is a diagram for explaining the number of sequences and peaks of the state transformation region of the genome structure according to the present invention.
- FIG. 6 is a diagram for explaining an example of comparison between the standard leukocyte genome structure and the diseased cell genome structure according to the present invention.
- FIG. 7 is a diagram for explaining an example of pattern comparison of a tissue/disease-specific genomic structure according to the present invention.
- FIG. 8 is a view for explaining the comparison of genome structure patterns using peak positions of genome structures according to the present invention.
- FIG. 9 is a diagram for explaining a genome structure pattern contrast using a peak area overlap ratio of a genome structure according to an exemplary embodiment of the present invention.
- FIG. 10 is a diagram for explaining the comparison of genomic structure patterns using peak scores of genomic structures according to the present invention.
- FIG. 11 is a flowchart illustrating a cell analysis method using state information of chromosome structure according to a preferred embodiment of the present invention.
- FIG. 12 is a flow chart illustrating exemplary experimental steps for confirming, with experimental data, that the captured cells can be classified into normal cells and diseased cells by analyzing the state transformation region of the genomic structure of the captured cells according to the present invention.
- FIG. 13 is a result of analyzing sequencing data for cells isolated from a diseased cell sample
- FIG. 14 is a result of analyzing sequencing data for cells isolated from a normal cell sample.
- FIG. 15 is a result of analyzing sequencing data for cells isolated from sample 1 of the experimental group
- FIG. 16 is a result of analyzing sequencing data of cells isolated from sample 3 of the experimental group.
- 17 is a graph comparing peak sizes detected in sequencing data of cells isolated from a normal cell sample and experimental sample 3, respectively, with respect to the location of the same chromosome.
- FIG. 18 is data obtained by analyzing a disease cell-specific region not seen in normal cell samples in a sequence obtained by sequencing experimental group sample 1 with a computer program
- FIG. FIG. 20 is data obtained by analyzing diseased cell-specific regions not seen in normal cell samples in sequences obtained by sequencing experimental group sample 3 with a computer program.
- FIG. 1 is a block diagram for explaining a cell analysis device using state information of chromosome structure according to a preferred embodiment of the present invention
- FIG. 2 is a diagram for explaining state information of chromosome structure
- FIG. 3 is a diagram for tissue type It is a picture to explain the difference in state information of chromosome structure by cell line according to the following.
- a cell analysis device (hereinafter referred to as a 'cell analysis device') 100 using state information of a chromosome structure according to a preferred embodiment of the present invention collects data from a sample of a subject through analysis of the state of a chromosome structure. It is determined whether diseased cells (eg, circulating tumor cells, circulating cardiovascular adventitial cells, circulating inflammatory disease epithelial cells, etc.) are present in the identified cell population, and the tissue origin and quantity of diseased cells are predicted.
- diseased cells eg, circulating tumor cells, circulating cardiovascular adventitial cells, circulating inflammatory disease epithelial cells, etc.
- the state information of the chromosome structure i.e., genome structure
- Open chromatin is a region in which many genes to be expressed are distributed, and the density of chromatin is relatively low, so that there is transcriptional activity.
- Heterochromatin is a region in which chromatin density is relatively high and transcriptional activity is low, and gene expression is suppressed.
- Assay for Transposase-Accessible Chromatin using sequencing is used.
- ATAC-seq it is a sequencing method that sees the difference in the open/closed state of the chromosome structure, and it can profile all euchromatin regions on the genome by decoding the functionally open region of chromatin.
- the pattern of euchromatin is different depending on the tissue origin of each cell. Therefore, through the analysis of ATAC-seq data, patterns of euchromatin can be profiled, and the tissue origin of specific cells can be predicted and analyzed.
- diseases-derived cells circulating tumor cells, circulating inflammatory disease epithelial cells, circulating cardiovascular adventitial cells, etc.
- the cells from which the disease is derived can be predicted/analyzed. For example, by detecting circulating tumor cells (CTC) in the blood of cancer patients, the tissue origin of circulating tumor cells can be found through state analysis of chromosome structure information.
- the cell analysis device 100 includes a storage unit 110, a cell collection unit 120, a cell analysis unit 130, a cell sorting unit 140, a cell origin acquisition unit 150, and a cell A quantitative acquisition unit 160 may be included.
- the storage unit 110 stores a standard genome structure pattern database (DB), a tissue-specific genome structure pattern database (DB), and the like.
- DB standard genome structure pattern database
- DB tissue-specific genome structure pattern database
- the standard genome structure pattern DB stores information on the state of the genome structure of white blood cells that can be regarded as normal cells. Since the genomic structure patterns of leukocyte cells may differ according to race, a standard genome structure pattern DB may be constructed for each race.
- the genome structure pattern DB for each tissue stores state information of the genome structure corresponding to each tissue or disease (eg, cancer type).
- the genome structure stored in the standard genome structure state pattern DB or the genome structure state pattern DB for each tissue includes the euchromatin region structure of the genome, the heterochromatin region structure of the genome, and the genome chromatin region.
- the genomic structure is assumed to be the structure of the euchromatin region of the genome, and the present invention is described below.
- the cell collection unit 120 collects cells from a subject's specimen (blood, urine, etc.) through a liquid biopsy device or kit.
- the cell analysis unit 130 obtains state information on the genomic structure of the cells collected from the sample.
- the cell analysis unit 130 may identify sequence patterns and structures on the genome through genome decoding or inspection of the collected cells.
- FIG. 4 is a diagram for explaining an example of decoding of a euchromatin region using ATAC-seq according to the present invention.
- the cell analyzer 130 may decode the genome of the cells collected through the ATAC-seq experiment to identify an open chromatin region on the genome.
- the cell classification unit 140 classifies the collected cells into diseased cells and normal cells by analyzing the state-altered region of the genome structure based on the standard genome structure state pattern DB previously stored in the storage unit 110 .
- FIG. 5 is a diagram for explaining the number of sequences and peaks of the state transformation region of the genomic structure according to the present invention
- FIG. 6 explains an example of comparison between the genomic structure of a standard leukocyte and the genomic structure of a diseased cell according to the present invention. It is a picture for
- the cell sorting unit 140 determines the genome structure stored in the standard genome structure pattern DB and the genome structure of the captured cells based on the number of sequences and the peak of the state transformation region of the genome structure as shown in FIG.
- the collected cells can be divided into disease cells and normal cells.
- the cell sorting unit 140 analyzes the specific genomic structure state transformation region of the collected cells, that is, compares the genomic structure stored in the standard genomic structure state pattern DB with the genomic structure of the collected cells to obtain a genome commonly found in leukocytes. By excluding the structural state region, it is possible to secure a candidate region predicted to be a genomic structural state region of a diseased cell. Referring to FIG. 6 , although there is no difference between the genomic structures of diseased cells and normal cells (leukocytes) of the Gapdh gene, it can be confirmed that the genomic structure of the Grin1 gene is different between diseased cells and normal cells (leukocytes).
- the cell origin acquisition unit 150 analyzes the genomic structure variation region based on the genome structure pattern DB for each tissue previously stored in the storage unit 110 and classifies the diseased cells as diseased cells through the cell classification unit 140. Obtain the tissue origin of
- FIG. 7 is a diagram for explaining an example of a state pattern contrast of a tissue/disease-specific genomic structure according to the present invention.
- the cell origin acquisition unit 150 compares the genome structure stored in the genome structure state pattern DB for each tissue and the genome structure state of the collected cells based on the peak pattern of the state transformation region of the genome structure, The tissue origin of the cells can be obtained.
- disease cell 1 is similar to the peak pattern of the genomic structure status transformation region of gastric cancer, it can be confirmed that the tissue origin of disease cell 1 is gastric cancer (i.e., stomach), and disease cell 2 is of colorectal cancer. Since it is similar to the peak pattern of the genome structural state transformation region, it can be confirmed that the tissue origin of diseased cell 2 is colorectal cancer (i.e., colon).
- gastric cancer i.e., stomach
- disease cell 2 is of colorectal cancer. Since it is similar to the peak pattern of the genome structural state transformation region, it can be confirmed that the tissue origin of diseased cell 2 is colorectal cancer (i.e., colon).
- the cell origin acquisition unit 150 may select one or more methods from among the three methods described below to determine similarity using the peak pattern of the genome structural state variation region, alone or in combination.
- the cell origin acquisition unit 150 compares the peak position of the genome structure stored in the genome structure state pattern DB for each tissue and the peak position of the genome structure of the collected cells to obtain the tissue origin of the diseased cell. .
- FIG. 8 is a view for explaining the comparison of genome structure patterns using peak positions of genome structures according to the present invention.
- the cell origin acquisition unit 150 may expand the range to a gene control region including a tissue/disease-specific peak, and determine that the gene region and the gene control region match each other when diseased cell peaks exist.
- disease cell 1 and disease cell 2 are included in the gene region and gene control region containing the gastric cancer-specific ABC gene peak, and thus are determined to match the gastric cancer-specific ABC gene peak, and disease cell 3 is not included in the gene region containing the peak of the gastric cancer-specific ABC gene and the gene control region, and thus discriminates that it is inconsistent with the gastric cancer-specific ABC gene peak.
- the cell origin acquisition unit 150 uses the degree of overlap between the peak region of the genome structure stored in the genome structure state pattern DB for each tissue and the peak region of the genome structure of the collected cells,
- the tissue origin of can be obtained.
- the tissue origin of the diseased cell can be obtained based on the overlapping ratio of the peak regions of the genome structure.
- FIG. 9 is a diagram for explaining a genome structure pattern contrast using a peak area overlap ratio of a genome structure according to an exemplary embodiment of the present invention.
- the cell origin acquisition unit 150 uses a "reciprocal > 50% overlap" method used for comparison of general range regions, so that the length of the region crossing between samples is 50 of the length of the peak region of each sample. % or more, it can be determined that the two peaks coincide.
- disease cell 1 is determined to match the gastric cancer-specific ABC gene peak because it meets the reciprocal 50% overlap with the peak region of the gastric cancer-specific ABC gene, and disease cell 2 does not meet the reciprocal 50% overlap. Therefore, it is determined that it does not match the gastric cancer-specific ABC gene peak.
- the cell origin acquisition unit 150 calculates the matrix obtained based on the peak score of the genome structure stored in the genome structure state pattern DB for each tissue and the peak score of the genome structure of the captured cells.
- the tissue origin of the diseased cells can be obtained by preparing the matrix obtained based on this.
- FIG. 10 is a diagram for explaining the comparison of genomic structure patterns using peak scores of genomic structures according to the present invention.
- the cell origin acquisition unit 150 determines the reference value of the peak score for all gene regions, and then creates a matrix with Off if the peak score corresponding to the gene is lower than the reference value and On if the peak score is higher than the reference value.
- the cell origin obtaining unit 150 may find a tissue/disease pattern similar to that of the diseased cells by comparing On/Off values of the diseased cells based on the matrix.
- disease cell 1 was determined to match gastric cancer tissue because a peak was found in G7, a gastric cancer-specific gene, and disease cell 2 did not have a tissue/disease-specific gene, so a combination of genes (A, B , C are all On), which is determined to match lung cancer tissue.
- the cell quantification acquisition unit 160 acquires the quantity of diseased cells by analyzing the state-altered region of the genome structure based on the standard genome structure state pattern DB and tissue-specific genome structure state pattern DB stored in the storage unit 110. do.
- the cell quantification acquisition unit 160 calculates the number of sequences acquired by targeting the state-altered region of the specific genome structure of diseased cells and normal cells based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB. Quantification of diseased cells can be obtained by calculating the number of diseased cells compared to the total number of cells using the number of sequences obtained by targeting the state transformation region of the specific genome structure of .
- the cell quantification acquisition unit 160 compares the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB to determine the state variation region of the diseased cell-specific genome structure that does not exist in normal cells (leukocytes).
- the number of sequences (Dr) translated into the target is calculated through [Equation 1] below.
- n the total number of disease cell-specific regions.
- the cell quantification acquisition unit 160 compares the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB, and compares the number of decoded sequences targeting the state variation region of the normal cell-specific genome structure that does not exist in the diseased cell ( Cr) is calculated through [Equation 2] below.
- m represents the total number of normal cell-specific regions.
- profiling of the disease cell specific region/normal cell specific region is performed through the following process.
- BAM binary alignment map
- the cell quantification acquisition unit 160 calculates the number of sequences (Dr) decoded for diseased cell-specific genomic structure state change regions and the number (Cr) of sequences decoded for normal cell-specific genome structure state change regions. Based on this, the quantity of diseased cells can be obtained by calculating the number (concentration) of diseased cells relative to the total number of cells through [Equation 4] below.
- FIG. 11 a cell analysis method using state modification information of a chromosome structure according to a preferred embodiment of the present invention will be described.
- FIG. 11 is a flowchart illustrating a cell analysis method using state modification information of chromosome structure according to a preferred embodiment of the present invention.
- the cell analysis device 100 collects cells from the subject's specimen (S110).
- the cell analysis device 100 acquires the state of the genome structure of the collected cells (S120). That is, the cell analysis device 100 can identify a sequence pattern, structure, etc. on the genome through genome decoding or assay of the collected cells.
- the cell analysis device 100 analyzes the state-altered region of the genome structure based on the standard genome structure state pattern DB, and classifies the captured cells into diseased cells and normal cells (S130). That is, the cell analysis device 100 compares the genome structure stored in the standard genome structure state pattern DB with the genome structure of the captured cells based on the number of sequences and the peak of the state transformation region of the genome structure, Cells can be divided into diseased cells and normal cells.
- the cell analysis device 100 obtains the tissue origin of the diseased cells by analyzing the state-altered region of the genome structure based on the tissue-specific genome structure state pattern DB (S140). That is, the cell analysis device 100 compares the genome structure stored in the genome structure state pattern DB for each tissue with the genome structure of the captured cells based on the peak pattern of the state transformation region of the genome structure, Tissue origin can be obtained.
- S140 tissue-specific genome structure state pattern DB
- the cell analysis apparatus 100 may select one of the three methods described below to perform similarity determination using the peak pattern of the state change region of the genome structure.
- the cell analysis apparatus 100 may obtain the tissue origin of diseased cells by comparing the peak position of the genomic structure stored in the genomic structure state pattern DB for each tissue with the peak position of the genomic structure of the captured cells.
- the cell analysis device 100 is based on the overlapping ratio between the peak region of the genome structure stored in the genome structure state pattern DB for each tissue and the peak region of the genome structure of the captured cells, Tissue origin can be obtained.
- the cell analysis device 100 is based on the matrix obtained based on the peak score of the genome structure stored in the genome structure state pattern DB for each tissue and the peak score of the genome structure of the captured cells. By contrasting the obtained matrix, the tissue origin of the diseased cells can be obtained.
- the cell analysis device 100 analyzes the state-altered region of the genome structure based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB to obtain the quantity of diseased cells (S150). That is, the cell analysis device 100 calculates the number of sequences obtained by targeting the state-altered region of the specific genome structure of a disease cell and normal cells based on the standard genome structure state pattern DB and the tissue-specific genome structure state pattern DB. Quantification of diseased cells may be obtained by calculating the number of diseased cells relative to the total number of cells using the number of sequences obtained by targeting the state transformation region of a specific genome structure.
- FIG. 12 is a flowchart illustrating the steps of an experiment conducted to obtain experimental data.
- a device (10) capable of isolating cancer cells such as CTCs from blood was used to separate diseased cells from samples in the experimental group.
- whole blood whole blood
- PBMC peripheral blood mononuclear cell obtained from blood
- a cancer cell line was prepared as a disease cell sample (positive control sample).
- _SK-OV-3 ovarian cancer_SK-OV-3) was used, and the number of spiked cancer cell lines was spiked into PBMC obtained from the whole blood of a normal person to prepare experimental samples. Same as 1.
- the normal cell sample 11, the diseased cell sample 12, and the experimental group samples 1 to 3 are put into the device 10, respectively, and cells are separated for each sample.
- the membrane 13 containing the cells separated from each sample is taken out of the device 10 and purified (lysis), and then an ATAC-seq library is prepared, and the sequencing data is analyzed to determine the difference between the samples. select
- FIG. 13 is a result of analyzing sequencing data for cells isolated from a diseased cell sample 12
- FIG. 14 is a result of analyzing sequencing data for cells isolated from a normal cell sample 11.
- sequences that are not detected in a normal cell sample but are detected in a diseased cell sample can be selected to select a state change region of the genome structure, and a peak in the corresponding region of the diseased cell (see FIG. 5). Thus, the aforementioned peak) can be found.
- samples 1 to 3 can be classified into diseased cells and normal cells by analyzing whether corresponding peaks are detected in samples 1 to 3.
- FIG. 15 is a result of analyzing sequencing data for cells isolated from Sample 1
- FIG. 16 is a result of analyzing sequencing data for cells isolated from Sample 3.
- the euchromatin region detected only in the sequencing data of the diseased cell sample (12) compared to the normal cell sample (11) is spiked with one (1ea) ovarian cancer_SK-OV-3 in PBMC. It can be seen that it is well detected in one sample 1. Therefore, according to the present invention, even when a small amount of diseased cells actually exist in the collected cells, the collected cells can be clearly distinguished as diseased cells through analysis of the state change region of the genome structure.
- FIG. 17 shows peak sizes detected in sequencing data of cells isolated from normal cell sample 11 (shown in the lower part of the graph) and sequencing data of cells isolated from sample 3 (shown in the upper part of the graph). It is a graph comparing at the location of the same chromosome.
- the x-axis represents the chromosomal location (unit: megabases, MB) of chromatin 19 (chr19), and the y-axis represents the peak size in units of 200 base sequences (Bin 200).
- the corresponding sample can be determined as a diseased cell.
- a peak is detected for sample 3 in the region 21 corresponding to 7 to 8 MB, but no peak is detected for the normal cell sample 11, and the region corresponding to 55 to 56 MB ( 22), since the peak is detected only in sample 3, sample 3 can be determined as diseased cells.
- FIGS. 18 to 20 show data obtained by analyzing the sequences obtained by sequencing Samples 1 to 3 by the above-described method using a computer program (eg, GEN RICHTM).
- FIGS. 18 to 20 show Samples 1 to 3, respectively.
- the first column is the chromatin number
- the fourth column is the gene symbol.
- data for each sample are 1) data 31 for sequence regions detected only in the diseased cell sample 12 compared to the normal cell sample 11, and 2) normal cell sample 11 Compared to , among the sequences detected only in the diseased cell sample 12 , sequences detected differently depending on the amount of diseased cells can be classified as data 32 .
- the values of peak data in the third column and depth data in the fourth column are identically shown in the data tables of FIGS. 19 and 20.
- the peak data in the third column and the depth data in the fourth column are shown in FIG. 19 and FIG. 20, where the content of diseased cells gradually increases. It can be seen that the .
- a diseased cell sample can be distinguished from a normal cell sample, and the number of sequences and the number of reads in the distinct sequence region can be confirmed.
- the present invention can also be implemented as computer readable codes on a computer readable recording medium.
- a computer-readable recording medium includes all types of recording devices in which data readable by a computer is stored. Examples of the computer-readable recording medium include a ROM, a RAM, a CD-ROM, a magnetic tape, a floppy disk, and an optical data storage device.
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biotechnology (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Crystallography & Structural Chemistry (AREA)
- Bioethics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Analytical Chemistry (AREA)
- Epidemiology (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
- Apparatus Associated With Microorganisms And Enzymes (AREA)
Abstract
염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법이 개시된다. 본 발명은, 염색체 구조의 상태 분석을 통해 피검자의 검체로부터 포집된 세포군에 질환 세포가 존재하는지 판별하고, 질환 세포의 조직 기원(tissue origin)과 정량을 예측한다. 본 발명에 따르면, 저렴한 가격에 정확도 높은 질환 세포 구분을 할 수 있고, 기존에 사용하고 있는 세포 염색법보다 쉽고 정확하게 정량 측정을 할 수 있다.
Description
본 발명은 염색체 구조상의 열리고, 닫힘 등의 상태의 변형 혹은 변화의 정보를 찾아 비교를 통해 질병 등의 예측 및 진단을 하는 세포 분석 장치 및 방법에 관한 것으로, 더욱 상세하게는 피검자의 검체에서 포집된 세포군 중에 질환세포가 있는지 판별하고, 염색체 구조의 열리고 닫힘의 정도에 따른 변형과 변화의 분석을 한다. 또, 이를 통해 질환 세포의 조직 기원(tissue origin)과 정량을 예측하는 장치 및 방법에 관한 것이다.
종래에는 혈중 순환 종양 세포(CTC)나 장기의 상피 세포(epithelial cell) 등을 단순하고 특정화된 바이오 마커를 이용하여 확인하고 있다. 그러나, 혈중 순환 종양 세포(CTC)나 장기의 상피 세포(epithelial cell) 등은 암환자나 염증 및 심장병 환자의 혈액과 소변 등에서 매우 적게 존재하여, 액체생검 분석 디바이스나 키트를 활용하여 축적(enrichment)해도 정확한 검출이 어려운 문제가 있다.
본 발명이 이루고자 하는 기술적 과제는, 염색체 구조의 상태와 그 상태의 패턴들을 분석하여 피검자의 검체로부터 포집된 세포군에 질환 세포가 존재하는지 판별하고, 질환 세포의 조직 기원(tissue origin)과 정량을 예측하는 염색체 구조 정보를 이용한 세포 분석 장치 및 방법을 제공하는 데 있다.
상기의 기술적 과제를 달성하기 위한 본 발명에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 방법은, 검체로부터 포집된 세포의 게놈 구조의 상태를 획득하는 단계; 미리 저장되어 있는 표준 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 포집된 세포를 질환 세포와 정상 세포로 구분하는 단계; 미리 저장되어 있는 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조 상태의 열리고, 닫힘 등의 변형 혹은 변화 영역을 분석하여 상기 질환 세포의 조직 기원(tissue origin)을 획득하는 단계; 및 상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조 상태의 변형 또는 변화 영역을 분석하여 상기 질환 세포의 정량을 획득하는 단계;를 포함한다. 변형이라 함은 염색체의 저장상태가 정상 등과 비교해서 변형이 일어난 것이고, 그 결과로 상대적으로 생긴 변화를 염색체상의 구조의 상태변화라고 한다.
상기 구분 단계는, 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 상기 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 포집된 세포를 상기 질환 세포와 상기 정상 세포로 구분하는 것으로 이루어질 수 있다.
상기 조직 기원 획득 단계는, 게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어질 수 있다.
상기 조직 기원 획득 단계는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 상기 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어질 수 있다.
상기 조직 기원 획득 단계는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 상기 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 비율을 기반으로, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어질 수 있다.
상기 조직 기원 획득 단계는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 상기 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어질 수 있다.
상기 질환 세포 정량 획득 단계는, 상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 상기 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 상기 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 상기 질환 세포의 수를 계산하여 상기 질환 세포의 정량을 획득하는 것으로 이루어질 수 있다.
상기의 기술적 과제를 달성하기 위한 본 발명에 따른 염색체 구조의 상태 또는 상태변화정보를 이용한 세포 분석 장치는, 검체로부터 포집된 세포의 게놈 구조의 상태를 획득하는 세포 분석부; 미리 저장되어 있는 표준 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 포집된 세포를 질환 세포와 정상 세포로 구분하는 세포 구분부; 미리 저장되어 있는 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 조직 기원(tissue origin)을 획득하는 세포 기원 획득부; 및 상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 정량을 획득하는 세포 정량 획득부;를 포함한다.
상기 세포 구분부는, 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 상기 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 포집된 세포를 상기 질환 세포와 상기 정상 세포로 구분할 수 있다.
상기 세포 기원 획득부는, 게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 질환 세포의 조직 기원을 획득할 수 있다.
상기 세포 기원 획득부는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 상기 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 상기 질환 세포의 조직 기원을 획득할 수 있다.
상기 세포 기원 획득부는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 상기 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 비율을 기반으로, 상기 질환 세포의 조직 기원을 획득할 수 있다.
상기 세포 기원 획득부는, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 상기 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 상기 질환 세포의 조직 기원을 획득할 수 있다.
상기 세포 정량 획득부는, 상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 상기 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 상기 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 상기 질환 세포의 수를 계산하여 상기 질환 세포의 정량을 획득할 수 있다.
본 발명에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법에 의하면, 염색체 구조의 상태 분석을 통해 피검자의 검체로부터 포집된 세포군에 질환 세포가 존재하는지 판별함으로써, 저렴한 가격에 정확도 높은 구분을 할 수 있다.
그리고, 질환 세포의 조직 기원(tissue origin)과 정량을 예측함으로써, 기존에 사용하고 있는 세포 염색법보다 쉽고 정확하게 정량 측정을 할 수 있다.
또한, 질환 세포 중 순환 종양 세포(CTC)의 게놈 구조의 상태 변형 영역은 암세포와 같은 질환 유래 세포의 유전자 및 외유전자(epigenetic) 변형에 연관이 높은 영역으로, 이를 분석함으로써 다양한 다른 암 분자 마커에 연관 적용할 수 있고, 이 방법론은 심장병 같은 다른 질병에도 같은 원리로 적용할 수 있다.
아울러, 질환 세포의 게놈 구조 기반의 분석을 통하여, 구조와 연관된 질환 유전자 기능 마커, 외유전체(epigenomic) 마커, 돌연변이 마커 등 다중오믹스(multi-omics) 다중 마커 개발과 쉽게 연계할 수 있다.
도 1은 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치를 설명하기 위한 블록도이다.
도 2는 염색체 구조의 상태 정보를 설명하기 위한 그림이다.
도 3은 조직 타입에 따른 세포주(cell line)별 염색체 구조의 상태 정보의 차이를 설명하기 위한 그림이다.
도 4는 본 발명에 따른 ATAC-seq를 이용한 유크로마틴(euchromatin) 영역의 해독 예시를 설명하기 위한 그림이다.
도 5는 본 발명에 따른 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 설명하기 위한 그림이다.
도 6은 본 발명에 따른 표준 백혈구 게놈 구조와 질환 세포의 게놈 구조의 대비 예시를 설명하기 위한 그림이다.
도 7은 본 발명에 따른 조직/질환 특이적 게놈 구조의 패턴 대비 예시를 설명하기 위한 그림이다.
도 8은 본 발명에 따른 게놈 구조의 피크 위치를 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
도 9는 본 발명의 예시적인 실시예에 따른 게놈 구조의 피크 영역 오버랩 비율을 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
도 10은 본 발명에 따른 게놈 구조의 피크 스코어를 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
도 11은 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 방법을 설명하기 위한 흐름도이다.
도 12는 본 발명에 따라 포집 세포의 게놈 구조의 상태 변형 영역을 분석함으로써 그 포집 세포를 정상 세포와 질환 세포로 구분할 수 있음을 실험 데이터로 확인하기 위한 예시적인 실험 단계를 도식화한 흐름도이다.
도 13은 질환 세포 샘플에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이고, 도 14는 정상 세포 샘플에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이다.
도 15는 실험군 샘플 1에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이고, 도 16은 실험군 샘플 3에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이다.
도 17은 정상 세포 샘플과 실험군 샘플 3으로부터 각각 분리된 세포의 시퀀싱 데이터에서 검출한 피크의 크기를 동일 염색체의 위치에 대해서 비교한 그래프이다.
도 18은 실험군 샘플 1을 시퀀싱하여 나오는 서열에서 정상 세포 샘플에서 보이지 않는 질환 세포 특이적 영역을 컴퓨터 프로그램으로 분석한 결과 데이터이고, 도 19는 실험군 샘플 2를 시퀀싱하여 나오는 서열에서 정상 세포 샘플에서 보이지 않는 질환 세포 특이적 영역을 컴퓨터 프로그램으로 분석한 결과 데이터이고, 도 20은 실험군 샘플 3을 시퀀싱하여 나오는 서열에서 정상 세포 샘플에서 보이지 않는 질환 세포 특이적 영역을 컴퓨터 프로그램으로 분석한 결과 데이터이다.
이하에서 첨부한 도면을 참조하여 본 발명에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법의 바람직한 실시예에 대해 상세하게 설명한다.
먼저, 도 1 내지 도 3을 참조하여 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치에 대하여 설명한다.
도 1은 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치를 설명하기 위한 블록도이고, 도 2는 염색체 구조의 상태 정보를 설명하기 위한 그림이며, 도 3은 조직 타입에 따른 세포주(cell line)별 염색체 구조의 상태 정보의 차이를 설명하기 위한 그림이다.
도 1을 참조하면, 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치(이하 '세포 분석 장치'라 합니다)(100)는 염색체 구조의 상태 분석을 통해 피검자의 검체로부터 포집된 세포군에 질환 세포(예컨대, 순환 종양 세포, 순환 심혈관 외막 세포, 순환 염증 질환 상피 세포 등)가 존재하는지 판별하고, 질환 세포의 조직 기원(tissue origin)과 정량을 예측한다.
여기서, 염색체 구조(즉, 게놈 구조)의 상태 정보는 도 2에 도시된 바와 같이, 게놈의 서열, 게놈의 영역이 기능적으로 열린 것(open chromatin, euchromatin), 외유전자(epigenetic)들의 종합적 배치, 종류, 패턴 등과 같은 다양한 종류의 정보를 통칭한다. 유크로마틴(open chromatin)은 발현해야 할 유전자들이 많이 분포되어 있으며, 염색질(chromatin)의 밀도가 비교적 낮아 전사활성이 있는 영역이다. 헤테로크로마틴(heterochromatin, closed chromatin)은 염색질의 밀도가 비교적 높고, 전사활성이 낮아 유전자 발현이 억제된 영역이다. 이러한 염색체의 구조 정보를 알아보기 위한 방법으로 Assay for Transposase-Accessible Chromatin using sequencing(ATAC-seq)을 사용한다. ATAC-seq의 경우 염색체의 구조의 열림/닫힘의 상태 차이를 보는 서열해독 방법이며, 염색질이 기능적으로 열린 영역을 해독하여 게놈 상의 모든 유크로마틴 영역을 프로파일링할 수 있다.
그리고, 유크로마틴의 패턴은 도 3에 도시된 바와 같이, 각 세포의 조직 기원에 따라 다르게 나타나는 특징이 있다. 따라서, ATAC-seq 데이터의 분석을 통해 유크로마틴의 패턴을 프로파일링하고, 특정 세포의 조직 기원을 예측 및 분석할 수 있다. 즉, 특정 질환 환자의 혈액에 포함된 질환유래세포(순환 종양세포, 순환 염증질환 상피세포, 순환 심혈관 외막세포 등)에서 ATAC-seq을 분석하여 정상 백혈구 세포 게놈 구조 DB와 비교하여 질환 유래세포 특이적 게놈 구조 변이 영역 판독 후 질환의 유래된 세포를 예측/분석 할 수 있다. 예를 들어, 암환자의 혈액에 포함된 혈중 순환 종양 세포(Circulating Tumor Cell, CTC)를 검출해 염색체 구조 정보의 상태 분석을 통해 순환 종양 세포의 조직 기원(tissue origin)을 찾아낼 수 있다.
그러면, 도 4 내지 도 10을 참조하여 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 정보를 이용한 세포 분석 장치에 대하여 보다 자세하게 설명한다.
세포 분석 장치(100)는 도 1에 도시된 바와 같이 저장부(110), 세포 포집부(120), 세포 분석부(130), 세포 구분부(140), 세포 기원 획득부(150) 및 세포 정량 획득부(160)를 포함할 수 있다.
저장부(110)는 표준 게놈 구조 패턴 데이터 베이스(DB), 조직별 게놈 구조 패턴 데이터 베이스(DB) 등을 저장하고 있다.
여기서, 표준 게놈 구조 패턴 DB는 정상 세포로 간주할 수 있는 백혈구 세포의 게놈 구조의 상태 정보가 저장되어 있다. 인종별로 백혈구 세포의 게놈 구조 패턴이 상이할 수 있으므로, 표준 게놈 구조 패턴 DB는 인종별로 구축될 수도 있다.
그리고, 조직별 게놈 구조 패턴 DB는 조직별로 혹은 질환별(예컨대, 암 종별 등)로 조직/질환에 대응되는 게놈 구조의 상태 정보가 저장되어 있다.
이때, 표준 게놈 구조 상태 패턴 DB 또는 조직별 게놈 구조 상태 패턴 DB에 저장되어 있는 게놈 구조는, 게놈의 유크로마틴(euchromatin) 영역 구조, 게놈의 헤테로크로마틴(heterochromatin) 영역 구조, 게놈의 크로마틴 교차결합(chromatin cross-link) 영역 구조, 게놈의 단백질 결합 영역 구조, 게놈의 외유전체 영역 구조, 게놈의 일부 복사 수 변이 영역 등이 있을 수 있다. 설명의 편의를 위해 게놈 구조는 게놈의 유크로마틴(euchromatin) 영역 구조인 것으로 가정하고 본 발명에 대해 하기에서 설명한다.
세포 포집부(120)는 피검자의 검체(혈액, 소변 등)로부터 액체생검 디바이스나 키트 등을 통해 세포를 포집한다.
세포 분석부(130)는 검체로부터 포집된 세포의 게놈 구조의 상태 정보를 획득한다.
즉, 세포 분석부(130)는 포집된 세포의 게놈 해독 혹은 검형을 통해 게놈 상의 서열 패턴, 구조 등을 확인할 수 있다.
도 4는 본 발명에 따른 ATAC-seq를 이용한 유크로마틴 영역의 해독 예시를 설명하기 위한 그림이다.
도 4에 도시된 바와 같이, 세포 분석부(130)는 ATAC-seq 실험을 통해 포집된 세포의 게놈을 해독하여 게놈 상의 유크로마틴(open chromatin) 영역을 확인할 수 있다.
세포 구분부(140)는 저장부(110)에 미리 저장되어 있는 표준 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 포집된 세포를 질환 세포와 정상 세포로 구분한다.
도 5는 본 발명에 따른 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 설명하기 위한 그림이고, 도 6은 본 발명에 따른 표준 백혈구 게놈 구조와 질환 세포의 게놈 구조의 대비 예시를 설명하기 위한 그림이다.
즉, 세포 구분부(140)는 도 5에 도시된 바와 같은 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 표준 게놈 구조 패턴 DB에 저장된 게놈 구조와 포집된 세포의 게놈 구조를 대비하여, 포집된 세포를 질환 세포와 정상 세포로 구분할 수 있다.
예컨대, 세포 구분부(140)는 포집된 세포의 특이적 게놈 구조 상태 변형 영역을 분석, 즉 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조와 포집된 세포의 게놈 구조를 비교하여 백혈구에서 일반적으로 나타나는 게놈 구조 상태 영역을 제외하여, 질환 세포의 게놈 구조 상태 영역으로 예측되는 후보 영역을 확보할 수 있다. 도 6을 참조하면, Gapdh 유전자의 질환 세포와 정상 세포(백혈구)의 게놈 구조는 차이가 없지만, Grin1 유전자의 게놈 구조는 질환 세포가 정상 세포(백혈구)와 차이가 있음을 확인할 수 있다.
세포 기원 획득부(150)는 저장부(110)에 미리 저장되어 있는 조직별 게놈 구조 패턴 DB를 기반으로, 게놈 구조 변형 영역을 분석하여 세포 구분부(140)를 통해 질환 세포로 구분된 질환 세포의 조직 기원(tissue origin)을 획득한다.
도 7은 본 발명에 따른 조직/질환 특이적 게놈 구조의 상태 패턴 대비 예시를 설명하기 위한 그림이다.
즉, 세포 기원 획득부(150)는 게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조와 포집된 세포의 게놈 구조 상태를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
도 7을 참조하면, 질환 세포 1의 경우 위암의 게놈 구조 상태 변형 영역의 피크 패턴과 유사하므로 질환 세포 1의 조직 기원은 위암(즉, 위)임을 확인할 수 있고, 질환 세포 2의 경우 대장암의 게놈 구조 상태 변형 영역의 피크 패턴과 유사하므로 질환 세포 2의 조직 기원은 대장암(즉, 대장)임을 확인할 수 있다.
보다 자세하게 설명하면, 세포 기원 획득부(150)는 게놈 구조 상태 변형 영역의 피크 패턴을 이용한 유사도 판별을 아래에서 설명하는 세 개의 방법 중에서 하나 이상의 방법을 선택하여 단독으로 또는 조합하여 수행할 수 있다.
첫 번째로, 세포 기원 획득부(150)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
도 8은 본 발명에 따른 게놈 구조의 피크 위치를 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
즉, 세포 기원 획득부(150)는 조직/질병 특이적 피크가 포함된 유전자 조절 영역으로 범위를 넓혀서 해당 유전자 영역과 유전자 조절 영역에 질환 세포의 피크가 존재하면 서로 일치하는 것으로 판별할 수 있다.
도 8을 참조하면, 질환 세포 1과 질환 세포 2는 위암 특이적 ABC 유전자의 피크가 포함된 유전자 영역과 유전자 조절 영역에 포함되어 있으므로 위암 특이적 ABC 유전자 피크와 일치하는 것으로 판별하고, 질환 세포 3은 위암 특이적 ABC 유전자의 피크가 포함된 유전자 영역과 유전자 조절 영역에 포함되어 있지 않으므로 위암 특이적 ABC 유전자 피크와 불일치하는 것을 판별한다.
두 번째로, 세포 기원 획득부(150)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 정도를 이용하여, 질환 세포의 조직 기원을 획득할 수 있다. 예를 들어, 도 9와 같이 게놈 구조의 피크 영역이 서로 오버랩되는 비율에 기반하여 질환 세포의 조직 기원을 획득할 수 있다.
도 9는 본 발명의 예시적인 실시예에 따른 게놈 구조의 피크 영역 오버랩 비율을 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
예시적인 실시예에서, 세포 기원 획득부(150)는 일반적인 범위 영역의 비교에 사용되는 "reciprocal > 50% overlap" 방법을 사용하여, 샘플 간의 교차되는 영역의 길이가 각 샘플의 피크 영역 길이의 50% 이상일 경우에 두 피크가 일치하는 것으로 판별할 수 있다.
도 9를 참조하면, 질환 세포 1은 위암 특이적 ABC 유전자의 피크 영역과 reciprocal 50% overlap을 충족하므로 위암 특이적 ABC 유전자 피크와 일치하는 것으로 판별하고, 질환 세포 2는 reciprocal 50% overlap을 충족시키지 못하므로 위암 특이적 ABC 유전자 피크와 일치하지 않는 것으로 판별한다.
세 번째로, 세포 기원 획득부(150)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
도 10은 본 발명에 따른 게놈 구조의 피크 스코어를 이용한 게놈 구조 패턴 대비를 설명하기 위한 도면이다.
즉, 세포 기원 획득부(150)는 모든 유전자 영역을 대상으로 피크 스코어의 기준값을 정한 후, 유전자에 해당하는 피크 스코어가 기준값보다 낮으면 Off, 높으면 On으로 매트릭스를 만든다. 그리고, 세포 기원 획득부(150)는 매트릭스를 기준으로 질환 세포의 On/Off값을 비교하여 질환 세포와 유사한 패턴의 조직/질병을 찾을 수 있다.
도 10을 참조하면, 질환 세포 1은 위암 특이적 유전자인 G7에 피크가 발견되었으므로 위암 조직과 일치하는 것으로 판별하고, 질환 세포 2는 조직/질병 특이적 유전자가 없기 때문에 유전자의 조합(A, B, C 모두 On)으로 폐암 조직과 일치하는 것으로 판별한다.
세포 정량 획득부(160)는 저장부(110)에 저장되어 있는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 질환 세포의 정량을 획득한다.
즉, 세포 정량 획득부(160)는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB를 기반으로, 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 질환 세포의 수를 계산하여 질환 세포의 정량을 획득할 수 있다.
보다 자세하게 설명하면, 세포 정량 획득부(160)는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB와 비교하여 정상 세포(백혈구)에는 존재하지 않는 질환 세포 특이적 게놈구조의 상태 변형 영역을 대상으로 해독된 서열의 수(Dr)를 아래의 [수학식 1]을 통해 계산한다.
여기서, n은 질환세포 특이적 영역의 총 개수를 나타낸다.
세포 정량 획득부(160)는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB와 비교하여 질환 세포에는 존재하지 않는 정상 세포 특이적 게놈구조의 상태 변형 영역을 대상으로 해독된 서열의 수(Cr)를 아래의 [수학식 2]를 통해 계산한다.
여기서, m은 정상세포 특이적 영역의 총 개수를 나타낸다.
이때, 질환 세포 특이적 영역/정상 세포 특이적 영역을 프로파일(profile)은 아래의 과정을 거쳐 수행된다.
- 먼저 ATAC-seq를 통해 생산된 서열을 human reference genome에 정렬(alignment)한다.
- 정렬 후에 생성된 BAM(binary alignment map) 파일의 필터링 과정을 거친다(BAM 파일 프로세싱).
- Peak calling 프로그램을 이용하여 각 샘플의 피크 영역을 프로파일한다.
- 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB와 비교하여, 질환 세포 특이적 영역/정상 세포 특이적 영역을 찾는다.
- 질환 세포 특이적 영역/정상 세포 특이적 영역에 해당하는 서열의 수를 계산한다.
세포 정량 획득부(160)는 질환 세포 특이적 게놈구조 상태 변형 영역을 대상으로 해독된 서열의 수(Dr)와 정상 세포 특이적 게놈구조 상태 변형 영역을 대상으로 해독된 서열의 수(Cr)를 토대로 아래의 [수학식 4]를 통해 전체 세포의 수 대비 질환 세포의 수(농도)를 계산하여 질환 세포의 정량을 획득할 수 있다.
즉, 전체 세포의 수 중 질환 세포의 수의 비율은 아래의 [수학식 3]으로 표현할 수 있다.
따라서, 질환 세포의 수는 아래의 [수학식 4]를 통해 계산할 수 있다.
그러면, 도 11을 참조하여 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 변형 정보를 이용한 세포 분석 방법에 대하여 설명한다.
도 11은 본 발명의 바람직한 실시예에 따른 염색체 구조의 상태 변형 정보를 이용한 세포 분석 방법을 설명하기 위한 흐름도이다.
도 11을 참조하면, 세포 분석 장치(100)는 피검자의 검체로부터 세포를 포집한다(S110).
그리고, 세포 분석 장치(100)는 포집된 세포의 게놈 구조의 상태를 획득한다(S120). 즉, 세포 분석 장치(100)는 포집된 세포의 게놈 해독 혹은 검형을 통해 게놈 상의 서열 패턴, 구조 등을 확인할 수 있다.
그런 다음, 세포 분석 장치(100)는 표준 게놈 구조 상태 패턴 DB를 기반으로 게놈 구조의 상태 변형 영역을 분석하여 포집된 세포를 질환 세포와 정상 세포로 구분한다(S130). 즉, 세포 분석 장치(100)는 게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조와 포집된 세포의 게놈 구조를 대비하여, 포집된 세포를 질환 세포와 정상 세포로 구분할 수 있다.
그리고, 세포 분석 장치(100)는 조직별 게놈 구조 상태 패턴 DB를 기반으로 게놈 구조의 상태 변형 영역을 분석하여 질환 세포의 조직 기원을 획득한다(S140). 즉, 세포 분석 장치(100)는 게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조와 포집된 세포의 게놈 구조를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
보다 자세하게 설명하면, 세포 분석 장치(100)는 게놈 구조의 상태 변형 영역의 피크 패턴을 이용한 유사도 판별을 아래에서 설명하는 세개의 방법 중에서 하나를 선택하여 수행할 수 있다.
첫 번째로, 세포 분석 장치(100)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
두 번째로, 세포 분석 장치(100)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 비율을 기반으로, 질환 세포의 조직 기원을 획득할 수 있다.
세 번째로, 세포 분석 장치(100)는 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 질환 세포의 조직 기원을 획득할 수 있다.
이후, 세포 분석 장치(100)는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB를 기반으로 게놈 구조의 상태 변형 영역을 분석하여 질환 세포의 정량을 획득한다(S150). 즉, 세포 분석 장치(100)는 표준 게놈 구조 상태 패턴 DB와 조직별 게놈 구조 상태 패턴 DB를 기반으로, 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 질환 세포의 수를 계산하여 질환 세포의 정량을 획득할 수 있다.
이하에서는, 포집 세포의 게놈 구조의 상태 변형 영역을 분석함으로써 질환 세포 양이 적은 경우에도 쉽게 포집 세포가 질환 세포인지 정상 세포인지 구분할 수 있음을 실험 데이터를 통해 다시 한번 설명한다. 도 12는 실험 데이터를 얻기 위해 실시한 실험의 단계를 도식화한 흐름도이다.
실험에서는 혈액에서 CTC 등의 암세포를 분리할 수 있는 장치(10) (예를 들어 클리노믹스사의 CD-CTC Duo disc™를 사용하여 실험군 샘플로부터 질환 세포를 분리하였다. 대조군으로는 일반인의 전혈(whole blood)에서 얻은 PBMC(peripheral blood mononuclear cell)를 정상 세포 샘플(negative control sample)로 준비하였다. 그리고 질환 세포 샘플(positive control sample)로는 암세포주(cancer cell line)를 준비하였다. 암세포주로는 난소암_SK-OV-3(ovarian cancer_SK-OV-3)을 사용하였으며, 일반인의 전혈에서 얻은 PBMC에 암세포주를 개수별로 스파이크(spike)하여 실험군 샘플을 제작하였다. 샘플별로 스파이크된 암세포주의 개수는 표 1과 같다.
실험군 샘플 | 암세포주 개수 |
샘플 1 | 1개 |
샘플 2 | 10개 |
샘플 3 | 100개 |
먼저, 정상 세포 샘플(11), 질환 세포 샘플(12), 그리고 실험군 샘플 1 내지 3을 각각 장치(10)에 넣어 샘플별로 세포를 분리한다. 그리고 각 샘플에서 분리된 세포가 담긴 멤브레인(13)을 장치(10)에서 꺼내어 정제(lysis)시킨 후 ATAC-seq 라이브러리(library)를 제작하고, 그 시퀀싱 데이터를 분석하여 샘플들 간에 차이나는 영역을 선정한다.
도 13은 질환 세포 샘플(12)에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이고, 도 14는 정상 세포 샘플(11)에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이다. 도 13의 데이터에서는 검출되나 도 14의 데이터에서는 검출되지 않는 서열들을 선정함으로써, 질환 세포 샘플과 정상 세포 샘플 간에 차이나는 영역을 알 수 있다. 즉, 도 13의 데이터에서는 검출되나 도 14의 데이터에서는 검출되지 않는 서열들이 있는 영역은, 정상 세포 샘플에서는 전사 발현이 일어나지 않은 게놈 영역이고 질환 세포 샘플에서는 전사 발현이 일어난 유크로마틴 영역임을 알 수 있다.
이렇게 도 13과 도 14를 비교하여 정상 세포 샘플에서는 검출되지 않지만 질환 세포 샘플에서는 검출되는 서열들을 선정하여 게놈 구조의 상태 변형 영역을 선정할 수 있으며, 질환 세포의 해당 영역에서 피크(도 5를 참조하여 전술한 피크)를 찾을 수 있다. 그리고, 샘플 1 내지 샘플 3에서 해당 피크가 검출되는지를 분석함으로써, 샘플 1 내지 3을 질환 세포와 정상 세포로 구분할 수 있다.
도 15는 샘플 1에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이고, 도 16은 샘플 3에서 분리된 세포에 대해서 시퀀싱 데이터를 분석한 결과이다. 도 15를 참조하면, 정상 세포 샘플(11)과 비교하여 질환 세포 샘플(12)의 시퀀싱 데이터에서만 검출되는 유크로마틴 영역이, PBMC에 난소암_SK-OV-3를 1개(1ea) 스파이크한 샘플 1에서도 잘 검출되는 것을 알 수 있다. 따라서 본 발명에 따르면 실제로 포집된 세포에 소량의 질환 세포가 존재하는 경우에도 게놈 구조의 상태 변형 영역 분석을 통해 그 포집된 세포를 질환세포로 명확하게 구분할 수 있다.
또한, 도 15와 도 16을 비교하여 알 수 있는 바와 같이, PBMC에 난소암_SK-OV-3를 100개(100ea) 스파이크한 샘플 3에서는 샘플 1에 비해 해당 유크로마틴 영역에서의 서열 개수(depth)가 더 많이 증가하는 것을 확인할 수 있다.
도 17은 정상 세포 샘플(11)에서 분리된 세포의 시퀀싱 데이터(그래프의 아래부분에 도시함)와 샘플 3으로부터 분리된 세포의 시퀀싱 데이터(그래프의 윗부분에 도시함)에서 각각 검출한 피크의 크기를 동일 염색체의 위치에서 비교한 그래프이다. 도 17의 그래프에서 x축은 크로마틴 19(chr19)의 염색체의 위치(단위: 메가베이스, MB)를 나타내고 y축은 200개의 염기서열(Bin 200)을 단위로 피크 크기를 나타내었다.
이렇게 정상 세포 샘플(11)과 샘플 1 내지 3을 비교하여 실험군 샘플에서만 나타나는 피크를 확인함으로써, 해당 샘플을 질환 세포로 판별할 수 있다. 예를 들어, 도 17에서 7 내지 8 MB에 해당하는 영역(21)에서 샘플 3에 대해서는 피크가 검출되지만 정상 세포 샘플(11)에 대해서는 피크가 검출되지 않으며, 55 내지 56 MB에 해당하는 영역(22)에서도 샘플 3에서만 피크가 검출되므로, 샘플 3을 질환 세포로 판별할 수 있다.
이러한 방식으로 각 영역의 서열을 통계처리하여 유의미한 결과를 얻을 수 있다. 도 18 내지 도 20은 전술한 방법으로 샘플 1 내지 3을 각각 시퀀싱하여 나오는 서열을 컴퓨터 프로그램(예를 들어, GEN RICH™으로 분석한 결과 데이터이다. 도 18 내지 도 20은 각각 샘플 1 내지 샘플 3에 대한 결과 데이터이다. 도 18 내지 도 19의 데이터 테이블에서 첫 번째 컬럼은 크로마틴 번호이고, 네 번째 컬럼(빨간 색 박스로 표시됨)은 유전자 심볼(gene symbol)이다.
도 18 내지 도 20의 데이터 테이블을 비교하면, 정상 세포 샘플(11)에서와 구별되는 영역의 유전자 심볼이 각 샘플에서 유사한 패턴으로 검출되는 것을 알 수 있다. 도 18을 참조하면, 각 샘플에 대한 데이터는 1) 정상 세포 샘플(11)과 비교하여 질환 세포 샘플(12)에서만 검출되는 서열 영역에 대한 데이터(31)와, 2) 정상 세포 샘플(11)과 비교하여 질환 세포 샘플(12)에서만 검출되는 서열 중에서도 질환 세포의 양에 따라 다르게 검출되는 서열들의 데이터(32)로 구분할 수 있다.
즉, 도 18에서 초록색 박스로 표시된 데이터(31) 중에서, 세 번째 컬럼의 피크 데이터와 네 번째 컬럼의 서열수(depth) 데이터의 수치는 도 19와 도 20의 데이터 테이블에서도 동일하게 나타난다. 그리고, 도 18에서 노란색 박스로 표시된 데이터(32) 중에서, 세 번째 컬럼의 피크 데이터와 네 번째 컬럼의 서열수(depth) 데이터의 수치는, 질환 세포의 함유량이 점점 많아지는 도 19에서와 도 20에서 점점 더 크게 나타남을 알 수 있다. 이렇게 도 18 내지 도 20의 데이터를 통해, 질환 세포 샘플을 정상 세포 샘플에서 구별할 수 있으며, 구별되는 서열 영역에서 서열 개수와 리드(read)수를 확인할 수 있다.
본 발명은 또한 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터로 읽을 수 있는 기록 매체는 컴퓨터에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 롬(ROM), 램(RAM), 씨디-롬(CD-ROM), 자기 테이프, 플로피 디스크, 광 데이터 저장장치 등이 있다.
이상에서 본 발명의 바람직한 실시예에 대하여 상세하게 설명하였지만 본 발명은 상술한 특정의 바람직한 실시예에 한정되지 아니하며, 다음의 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 누구든지 다양한 변형 실시가 가능한 것은 물론이고, 그와 같은 변경은 청구범위 기재의 범위 내에 있게 된다.
Claims (14)
- 검체로부터 포집된 세포의 게놈 구조의 상태를 획득하는 단계;미리 저장되어 있는 표준 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 포집된 세포를 질환 세포와 정상 세포로 구분하는 단계;미리 저장되어 있는 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 조직 기원(tissue origin)을 획득하는 단계; 및상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 정량을 획득하는 단계;를 포함하는 염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제1항에서,상기 구분 단계는,게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 상기 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 포집된 세포를 상기 질환 세포와 상기 정상 세포로 구분하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제1항에서,상기 조직 기원 획득 단계는,게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제3항에서,상기 조직 기원 획득 단계는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 상기 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제3항에서,상기 조직 기원 획득 단계는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 상기 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 비율을 기반으로, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제3항에서,상기 조직 기원 획득 단계는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 상기 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 상기 질환 세포의 조직 기원을 획득하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 제1항에서,상기 질환 세포 정량 획득 단계는,상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 상기 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 상기 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 상기 질환 세포의 수를 계산하여 상기 질환 세포의 정량을 획득하는 것으로 이루어지는,염색체 구조의 상태 정보를 이용한 세포 분석 방법.
- 검체로부터 포집된 세포의 게놈 구조의 상태를 획득하는 세포 분석부;미리 저장되어 있는 표준 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 포집된 세포를 질환 세포와 정상 세포로 구분하는 세포 구분부;미리 저장되어 있는 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 조직 기원(tissue origin)을 획득하는 세포 기원 획득부; 및상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 게놈 구조의 상태 변형 영역을 분석하여 상기 질환 세포의 정량을 획득하는 세포 정량 획득부;를 포함하는 염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제8항에서,상기 세포 구분부는,게놈 구조의 상태 변형 영역의 서열 수와 피크(peak)를 기반으로, 상기 표준 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 상태와 상기 포집된 세포의 게놈 구조의 상태를 대비하여, 상기 포집된 세포를 상기 질환 세포와 상기 정상 세포로 구분하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제8항에서,상기 세포 기원 획득부는,게놈 구조의 상태 변형 영역의 피크(peak) 패턴을 기반으로, 상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조와 상기 포집된 세포의 게놈 구조를 대비하여, 상기 질환 세포의 조직 기원을 획득하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제10항에서,상기 세포 기원 획득부는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 위치와 상기 포집된 세포의 게놈 구조의 피크 위치를 대비하여, 상기 질환 세포의 조직 기원을 획득하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제10항에서,상기 세포 기원 획득부는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 영역과 상기 포집된 세포의 게놈 구조의 피크 영역이 서로 오버랩(overlap)되는 비율을 기반으로, 상기 질환 세포의 조직 기원을 획득하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제10항에서,상기 세포 기원 획득부는,상기 조직별 게놈 구조 상태 패턴 DB에 저장된 게놈 구조의 피크 스코어(peak score)를 기반으로 획득된 매트릭스(matrix)와 상기 포집된 세포의 게놈 구조의 피크 스코어를 기반으로 획득된 매트릭스를 대비하여, 상기 질환 세포의 조직 기원을 획득하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
- 제8항에서,상기 세포 정량 획득부는,상기 표준 게놈 구조 상태 패턴 DB와 상기 조직별 게놈 구조 상태 패턴 DB를 기반으로, 상기 질환 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수와 상기 정상 세포의 특이적 게놈 구조의 상태 변형 영역을 대상으로 하여 획득된 서열 수를 이용하여, 전체 세포의 수 대비 상기 질환 세포의 수를 계산하여 상기 질환 세포의 정량을 획득하는,염색체 구조의 상태 정보를 이용한 세포 분석 장치.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210160058A KR102397822B1 (ko) | 2021-11-19 | 2021-11-19 | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 |
KR10-2021-0160058 | 2021-11-19 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2023090709A1 true WO2023090709A1 (ko) | 2023-05-25 |
Family
ID=81583501
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/017157 WO2023090709A1 (ko) | 2021-11-19 | 2022-11-03 | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR102397822B1 (ko) |
WO (1) | WO2023090709A1 (ko) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102397822B1 (ko) * | 2021-11-19 | 2022-05-13 | 주식회사 클리노믹스 | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7014997B2 (en) * | 2000-05-16 | 2006-03-21 | The Children's Mercy Hospital | Chromosome structural abnormality localization with single copy probes |
KR20150006267A (ko) * | 2013-07-08 | 2015-01-16 | 에스케이텔레콤 주식회사 | 염색체 구조변이 검출 장치 및 이의 제조방법 |
KR102397822B1 (ko) * | 2021-11-19 | 2022-05-13 | 주식회사 클리노믹스 | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES2702603T3 (es) | 2015-06-23 | 2019-03-04 | Zytovision Gmbh | Procedimiento para la detección de aberraciones cromosómicas |
-
2021
- 2021-11-19 KR KR1020210160058A patent/KR102397822B1/ko active IP Right Grant
-
2022
- 2022-11-03 WO PCT/KR2022/017157 patent/WO2023090709A1/ko unknown
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7014997B2 (en) * | 2000-05-16 | 2006-03-21 | The Children's Mercy Hospital | Chromosome structural abnormality localization with single copy probes |
KR20150006267A (ko) * | 2013-07-08 | 2015-01-16 | 에스케이텔레콤 주식회사 | 염색체 구조변이 검출 장치 및 이의 제조방법 |
KR102397822B1 (ko) * | 2021-11-19 | 2022-05-13 | 주식회사 클리노믹스 | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 |
Non-Patent Citations (2)
Title |
---|
SUN YUANYUAN, MIAO NAN, SUN TAO: "Detect accessible chromatin using ATAC-sequencing, from principle to applications", HEREDITAS, vol. 156, no. 1, 1 December 2019 (2019-12-01), XP093068479, DOI: 10.1186/s41065-019-0105-9 * |
YANG HAI, WEI QIANG, LI DONGDONG, WANG ZHE: "Cancer classification based on chromatin accessibility profiles with deep adversarial learning model", PLOS COMPUTATIONAL BIOLOGY, vol. 16, no. 11, pages e1008405, XP093068477, DOI: 10.1371/journal.pcbi.1008405 * |
Also Published As
Publication number | Publication date |
---|---|
KR102397822B1 (ko) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019139363A1 (ko) | 무세포 dna를 포함하는 샘플에서 순환 종양 dna를 검출하는 방법 및 그 용도 | |
JP5171254B2 (ja) | 多重プローブターゲット相互作用パターンの自動分析:パターンマッチング及び対立遺伝子同定 | |
CN111341383B (zh) | 一种检测拷贝数变异的方法、装置和存储介质 | |
WO2017023148A1 (ko) | 다양한 플랫폼에서 태아의 성별과 성염색체 이상을 구분할 수 있는 새로운 방법 | |
WO2023090709A1 (ko) | 염색체 구조의 상태 정보를 이용한 세포 분석 장치 및 방법 | |
CN110211633B (zh) | Mgmt基因启动子甲基化的检测方法、测序数据的处理方法及处理装置 | |
CN106460045B (zh) | 人类基因组常见拷贝数变异用于癌症易感风险评估 | |
WO2017126943A1 (ko) | 염색체 이상 판단 방법 | |
WO2012041333A1 (en) | Automated imaging, detection and grading of objects in cytological samples | |
CN113470743A (zh) | 一种基于bd单细胞转录组和蛋白组测序数据的差异基因分析方法 | |
CN115094142B (zh) | 用于诊断肺肠型腺癌的甲基化标志物 | |
CN109712671B (zh) | 基于ctDNA的基因检测装置、存储介质及计算机*** | |
WO2012021042A2 (ko) | 대장암 진단용 저질량 이온 결정 방법 및 이를 이용한 대장암 진단 방법 | |
WO2020235721A1 (ko) | 다중 오믹스 분석을 이용한 우울증 또는 자살 위험 예측용 마커 발굴 방법, 우울증 또는 자살 위험 예측용 마커, 및 다중 오믹스 분석을 이용한 우울증 또는 자살 위험 예측 방법 | |
WO2018147608A2 (ko) | 종양 치료를 위한 표적 유전자 판별 방법 | |
WO2015126058A1 (ko) | 암 예후 예측 방법 | |
WO2023158253A1 (ko) | 핵산서열 분석 기반 유전자 변이 해석 방법 | |
WO2020184782A1 (ko) | 공통 유전자 추출에 의한 다중 암 분류 방법 | |
WO2023191262A1 (ko) | 환자 맞춤형 패널을 이용한 암의 재발을 예측하는 방법 | |
CN112102944A (zh) | 一种基于ngs的脑肿瘤分子诊断的分析方法 | |
WO2016208827A1 (ko) | 유전자를 분석하는 방법 및 장치 | |
CN109215736A (zh) | 一种肠道病毒组的高通量检测方法及应用 | |
CN113355438A (zh) | 一种血浆微生物物种多样性评估方法、装置和存储介质 | |
WO2023214620A1 (ko) | 진양성 변이 및 위양성 변이를 구별하는 piseq 장치 및 알고리즘 | |
WO2024144247A1 (ko) | 폐암 stas 검출 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22895916 Country of ref document: EP Kind code of ref document: A1 |