Genomic scars, mutational signature3 which were accumulated by homologous recombination deficiency (HRD), and BRCA1/2 mutations were used as prediction markers for DNA damage inducing drug sensitivity. However, predicting sensitivity of DNA damage inducing drugs is suffering considerable difficulties by various mechanism of acquiring resistance including restoration of homologous recombination (HR). Especially, identifying resistant patients has been becoming highly important issue, because genomic scars and mutational signature 3 cannot represent a functionality of homologous recombination. In this study, we used RNA sequencing data as a highly dynamic data sources to overcome limitations of static data sources (e.g. DNA data). Consequently, we found significantly different splicing patterns in DNA repair pathway genes between HRD group and HR proficient (HRP) group. Because these splicing patterns do not represent their functional difference, we compared relative transcript expression to confirm their functionality. Strikingly, we found that significantly increased aberrant transcript usage (aTU) in HRD group. Because these patterns represent a
reduced functionality of genes, we suggest transcriptional HRD (tHRD) machine learning model to predict DNA damage inducing drug sensitivity and HRD functionality based on aberrant transcript usage of DNA repair genes. Finally, the tHRD model was validated by showing better performance than genomic scars and
mutational signature3 for classifying responder group of DNA damage inducing drug in breast and ovarian cancer patients and cell lines. These results suggest that importance of RNA splicing and isoform usage in expanding the application of the DNA damage inducing drug and establishing patient specific treatment strategies.
상동재조합 손상으로 인해 축적되는 게놈흉터와 돌변변이 서명3과 BRCA1/2 의 돌연변이는 DNA 손상유도 약물의 감수성을 예측하는 주요 마커로 사용되고 있다. 하지만 상동재조합 복구를 비롯한 다양한 저항성 형성 요인에 의해 DNA 손상유도 약물에 대한 감수성 예측은 상당한 어려움을 겪고 있다. 특히 게놈흉터와 돌연변이 서명3는 복구된 상동재조합의 상태를 대변하지 못하기 때문에 저항성 환자들을 구분하는 것은 DNA 손상유도 약물 감수성 예측에서 중요한 분야로 자리잡고 있다. 이에 본 연구에서는 기존의 정적인 DNA 기반 방식의 한계를 극복하기 위해 동적인 데이터로서 RNA를 이용하여 대체 스플라이싱에 의해 생성되는 비정형 전사체 발현패턴을 통해 상동재조합결핍 상태를 예측했다. 이를 위해 상동재조합 결핍군과 정상군 사이에 스플라이싱 비교분석을 진행하여 DNA 수리 기작과 관련된 유전자에서 상당한 대체 스플라이싱 차이를 확인하고, 그것의 기능적 결과물을 확인하기 위해 비정형 전사체의 사용량 정량화하여 비교했다. 그 결과 상동재조합 결핍군에서 비정형 전사체가 유의하게 많이 사용되는 것을 확인했다. 비정형 전사체의 사용량 증가는 결과적으로 해당 유전자의 기능성을 감소시키는 방향으로 작용하기 때문에 이들 패턴에 기반한 상동재조합 결핍 및 DNA 손상유도 약물의 감수성을 예측하는 전사체 기반 상동재조합결핍 기계학습 모델을 구축하였다. 전사체 기반상동재조합결핍 예측 모델은 다수의 난소암, 유방암 환자 및 세포주에서 게놈흉터와 돌연변이 서명3 대비 DNA 손상유도 약물의 감수성을 높은 정확도로 예측하는 것을 확인함으로써 그것의 성능을 검증하였다. 이러한 결과는 DNA 손상유도 약물의 적용범위를 확대하고 환자 맞춤형 치료전략을 수립하는 데에 RNA 스플라이싱과 전사체 사용량의 중요성을 시사한다.
