1만 4,837개의 유방암이 말해준 것:유전자 아형을 넘어서는 종양 미세환경(TME) 지형도

🔎 한눈에 보는 핵심 요약

이 연구는 전 세계 1만 4,837명의 유방암 환자 종양 RNA 데이터를 모아, 종양 미세환경(Tumor Microenvironment, TME) 의 세부 세포 구성을 정밀 분석한 초대형 메타 분석입니다.

연구진은

• 15가지 TME deconvolution 알고리즘을 실제 유방암 코호트에서 벤치마킹하고,
• 단일세포 기반으로 학습된 InstaPrism을 선택해 7가지 TME type을 정의했으며,
• 이 TME type이 PAM50·유전체 기반 아형과 무관하게 독립적으로 예후와 재발·전이·항암제 반응을 예측한다는 점을 보여줍니다.

결론적으로, 이 논문은

“유전자 아형만으로는 설명되지 않던 유방암의 예후 차이를, TME라는 두 번째 축으로 재정의한 연구”라고 정리할 수 있습니다.

---

🧪 연구 배경: 왜 유방암에서 TME가 중요한가?

유방암은 이미 PAM50, IntClust와 같은 정교한 유전체 기반 분류가 잘 확립된 암종입니다. 그럼에도 같은 아형 안에서도:

• 재발 속도와 양상이 다르고
• 항암·표적·면역치료 반응이 크게 갈리며
• 장기 생존과 전이 패턴이 서로 다르게 나타납니다.

이 격차를 설명할 강력한 후보가 바로 종양 미세환경(TME) 입니다.

TME에는

• T/B 세포, NK 세포, 수지상세포(DC) 같은 면역세포,
• CAF(cancer-associated fibroblast), 혈관내피, perivascular-like cell 같은 기질·혈관 세포,
• 정상 상피세포, 기타 stromal 세포
  가 함께 섞여 있으며,

이들의 비율과 활성 상태가

• 면역 활성(inflamed) vs 면역 배제(immune-excluded)
• 혈관 재형성, 섬유화, 염증
  같은 중요한 생물학적 축을 형성합니다.

하지만 지금까지의 TME 연구는

• 단일 코호트, 제한된 샘플 수,
• 소수의 세포 타입에만 초점을 둔 경우가 많아

“유방암 전체 스펙트럼에서 TME가 어떻게 조직되는지” 를 체계적으로 그린 지도는 없었습니다.
이번 연구는 바로 그 공백을 메우는 작업입니다.

---

📊 연구 설계와 방법: 15개 TME 알고리즘 vs 693·14,837개 샘플

1) 1단계 – 15개 미세환경 deconvolution 방법 벤치마크

연구진은 먼저 693개의 유방암 샘플에서, 다음 세 가지를 모두 확보했습니다.

• Bulk 유전자 발현 데이터
• 디지털 병리(immunohistochemistry 기반 세포 비율)
• DNA 메틸레이션 기반 세포 구성 추정치

여기에 다음 15개의 TME 추정 알고리즘을 적용했습니다.

CIBERSORT, xCell, EPIC, MCPCounter, TIMER, ConsensusTME, Quantiseq, ABIS, ESTIMATE, Kassandra, InstaPrism, Scaden, BCPS, Methylayer, ASCAT 등

그리고 각 알고리즘이

• 병리·메틸레이션 기반 cellularity(종양 세포 비율) 및
• 주요 면역·기질 세포 비율을 얼마나 잘 재현하는지 비교했습니다.

그 결과,

• 단일세포 유방암 atlas로 학습된 BayesPrism 기반 InstaPrism이
  • 여러 코호트와 플랫폼(microarray vs RNA-seq)에서
  • 안정적이고 해석 가능한 세포 구성 추정을 보여
• 이후 메타 분석의 핵심 deconvolution 엔진으로 채택되었습니다.

다양한 데이터 소스(디지털 병리·메틸레이션·bulk RNA)를 기준으로 15개 TME deconvolution 방법의 성능을 비교한 도식. 출처: Tu, K. J., et al. (2025). The tumor microenvironment of 14,837 breast cancers is associated with clinical outcome independently of genomic subtypes. Cell Reports Medicine, 6, 102450. Figure 1.

---

2) 2단계 – 1만 4,837개 유방암 메타데이터 구축

연구진은 총 13개 독립 코호트에서

• 초기 16,337건의 primary 유방암 RNA 발현 데이터를 수집한 뒤,
• deconvolution 실패·중복 환자를 제거하고
• 최종 14,837건의 메타 코호트를 구성했습니다.

특징은 다음과 같습니다.

• 데이터 플랫폼
  • microarray: 3개 연구 (3,444샘플)
  • RNA-seq: 10개 연구 (12,947샘플)
• 임상 분포
  • ER+ 유방암: 72.7%
  • HER2+: 14.2%
  • 연령 41–80세: 82.5%
  • 대부분 2등급, 1기에서 진단된 종양이 다수
• 주요 코호트: METABRIC, SCANB, TCGA 등 대형 공개 코호트 포함

여기에 InstaPrism을 적용해,
각 샘플별로 T·B 세포 하위 집단, 수지상세포 subtype, 다양한 CAF subtype, 혈관·perivascular 세포까지 포함한 정교한 세포 구성 매트릭스를 만들고, 이후 모든 분석의 기반으로 사용했습니다.

이 단계에서도, 배치 효과는

• 각 연구 내 상대적 marker 발현을 이용하는 compositional transform
• centered log-ratio 변환 및 Z-score 표준화 로 최대한 완화하도록 설계했습니다.

---

🧩 7가지 TME type: 유방암 미세환경의 새로운 ‘언어’

연구진은 특히 대규모 RNA-seq 코호트인 SCANB (7,868 샘플) 에서 InstaPrism으로 얻은 세포 비율을 기반으로 k-means clustering을 수행해 TME 패턴을 분류했습니다.

Bayesian Information Criterion(BIC)을 이용해 최적 군집 수 = 7로 선택했고, 이렇게 정의된 군집을 TME type 1~7 (T1~T7) 이라 명명했습니다.

1) 7가지 TME type의 특징

논문에서 제시한 각 type의 요약은 다음과 같습니다.

1. T1 – stromal-vascular dominant, 낮은 적응면역
   • 혈관내피·perivascular 세포, CAF가 풍부하지만
   • T·B 세포 등 adaptive immunity는 낮은 패턴
2. T2 – immune-inflamed, 활성 cytotoxic & regulatory
   • CD8 T cell, NK cell, effector T 세포, Treg가 함께 풍부
   • 전형적인 “hot tumor” 형태의 염증성 TME
3. T3 – immunosuppressive + vascular remodeling + B cell 지원
   • 면역억제성 myeloid/macrophage + 재형성된 혈관
   • B cell·plasmablast 지원이 동반되는 복합 억제 패턴
4. T4 – dual-enriched: immunosuppressive + cytotoxic 동시 활성
   • 공격적인 cytotoxic 면역과 억제성 면역이 동시에 높은,
     일종의 “충돌하는 프로그램”을 가진 TME
5. T5 – stromal-immunosuppressive, effector 감소
   • CAF·myCAF·면역억제 macrohage가 우세하고
   • effector T cell은 상대적으로 줄어든 패턴
6. T6 – stromal-proliferative, 최소 면역 침윤
   • 낮은 tumor cellularity + stromal·기질 세포 풍부
   • 면역세포 침윤은 매우 낮아서 일종의 “면역 공백” 상태
7. T7 – naive-epithelial dominant, 낮은 stromal & immune
   • 거의 종양상피/정상상피 중심의 구성
   • stromal·immune signature가 전반적으로 낮은 초기·단순 TME 느낌

2) 유전자 아형과는 “반쯤 독립적인” 구조

중요한 관찰은,

• 각 TME type이 PAM50 subtype과 겹치기는 하지만, 완전히 일치하지 않는다는 점입니다.
• 예를 들면, basal subtype 안에서도 T3(불량 예후)와 T6(상대적 양호 예후) 가 명확하게 갈렸고,
• HER2 subtype에서도 TME type에 따라 재발·생존 곡선이 분리되었습니다.

즉,

“같은 PAM50 subtype 안에서도 TME type이 다르면 환자의 예후가 달라진다”는 메시지입니다.

이는 TME가 유전자 아형과 독립적인 예후 정보를 제공한다는 강력한 근거입니다.

SCANB 코호트에서 InstaPrism 세포 비율을 k-means로 클러스터링해 얻은 7가지 TME type을 정리한 heatmap과, 각 TME type별 병기·등급 분포 및 재발 없는 생존(RFS) Kaplan-Meier 곡선을 함께 제시한 그림. 동일한 PAM50 subtype 안에서도 TME type에 따라 RFS 곡선이 분리되는 양상을 보여줍니다. 출처: Tu, K. J., et al. (2025). The tumor microenvironment of 14,837 breast cancers is associated with clinical outcome independently of genomic subtypes. Cell Reports Medicine, 6, 102450. Figure 4.

---

📈 재발, 항암제 반응, 전이 위험: TME가 결정하는 세부 패턴

연구진은 이후 TME 정보를 활용해 재발(RFS), 질병 특이 생존(BCSS), 전이 없는 생존(MFS), 항암제 반응(pCR) 과의 연관성을 정교하게 분석했습니다. 모든 분석은

• ER+ vs ER−를 분리해
• 병기, 등급, 림프절 상태, 코호트 등의 교란 요인을 다변량 Cox 모델에서 보정한 상태로 수행했습니다.

1) 재발(특히 장기 재발)을 결정하는 세포들

• 전체 4,976명(METABRIC, SCANB, TCGA 통합)에서,
  • 수지상세포(DC) 및 일부 adaptive immune 관련 세포
    → 재발 감소와 연관
  • 염증성 CAF(inflammatory CAF)
    → 오히려 재발 감소와 연관 (면역세포를 끌어들여 anti-tumor 작용 가능성)
  • M2 macrophage, LAM1(lipid-associated macrophage 1), 증식하는 perivascular-like 세포
    → 재발 증가와 연관

흥미로운 점은 세포의 “분화/발달 상태”도 중요하다는 점입니다.

• 덜 분화되고 증식 중인 perivascular-like 세포는 재발 위험 증가와 연관
• 더 분화된 PVL 세포는 오히려 재발 감소와 연관

또한 장기 재발(10년 이후) 분석에서는

• 혈관·stromal 세포 및 선천면역(innate immunity) 가
  • 단기 재발보다 장기 재발의 핵심 조절자로 작동하는 패턴이 관찰되었습니다.

즉, “초기 몇 년”은 종양 자체·항암제 감수성이,
“10년 이후”는 TME의 혈관·기질·선천면역 구조가 더 중요해지는 그림입니다.

2) ER+ vs ER−에서 다른 면역 논리

• ER+ 유방암에서는
  • DC, plasmablast, 일부 innate·adaptive immune 세포가 재발 감소와 강하게 연관
• ER− 유방암에서는
  • myeloid와 T cell signature가 재발 관련 signal의 89%를 차지
  • myCAF, LAM1 → 재발 증가
  • plasmacytoid/FCGR3A(특정 단핵구) → 재발 감소
  • 특히 Treg조차 재발 감소와 연관되는데, 이는 기존 대형 메타 분석과도 부합하는 결과로 제시됩니다.

또 하나의 중요한 메시지는,

• LAM1 vs LAM2
  • LAM1: 재발 증가 방향
  • LAM2: 재발 감소 방향
    → 같은 lipid-associated macrophage 계열이라도 기능적으로 상반될 수 있음을 시사합니다.

3) 항암제 병리학적 완전관해(pCR)와의 연관성

Neoadjuvant chemotherapy를 받은 코호트(Hatzis 2011, I-SPY2, TransNEO 등)에서,

• ER+·ER− 공통
  • 증식 중인(proliferating) T cell
  • luminal progenitor cell
    → pCR과 강하게 양의 상관
• ER+에서 특이적으로
  • plasmablast, plasmacytoid DC, M1 macrophage 등
    → 빠른 면역 활성과 관련된 세포들이 pCR과 연관
• ER−에서 특이적으로
  • Th1, central memory CD4 T cell, memory B cell 등
    → adaptive immunity의 장기 기억·효과기 세포들이 pCR과 연관

따라서,

“어떤 subtype에서 어떤 TME 상태가 있을 때 neoadjuvant chemo에 잘 반응할지” 를 TME 기반으로 예측할 수 있는 가능성을 보여줍니다.

4) 전이 위험과 전이 병소의 TME

전이 없는 생존(MFS)을 분석한 결과,

• proliferating myeloid cell, myCAF
  → 전이 위험 증가와 일관되게 연관

또한, 전이 병소에서의 TME를 보면

• B cell lineage(특히 plasmablast, memory B cell)의 고갈이
  → 전이 병소의 공통적인 특징으로 나타났습니다.

이는

• B cell 및 그 파생 세포들을 회복·재구축하는 치료 전략이
  • 전이성 유방암에서 새로운 타겟이 될 수 있음을 암시합니다.

---

🩺 임상적 의미: 유전자 아형 위에 TME라는 “두 번째 축” 올리기

이 연구가 임상에 던지는 메시지는 명확합니다.

1. PAM50 / 유전체 아형만으로는 부족하다
   • 같은 basal subtype 안에서도
     • T3(면역억제·혈관 재형성·B cell 지원) → 매우 나쁜 예후
     • T6(낮은 cellularity, stromal-proliferative, low immune) → 상대적으로 좋은 예후
   • 즉, 동일 아형·동일 병기라도 TME type에 따라 위험도가 크게 다를 수 있음.
2. TME type은 예후 모델의 독립 변수
   • 다변량 모델에서 병기, 등급, 림프절, PAM50 등을 보정한 뒤에도
   • TME type 및 특정 세포 하위집단은 독립적인 hazard ratio를 유지합니다.
3. 치료 전략 선정에 활용 가능
   • immune-inflamed T2, dual-enriched T4 등은
     → 면역치료 반응성이 높을 가능성이 있는 cluster
   • stromal-immunosuppressive T5/T6는
     → CAF·myeloid 타깃 약제 + 항암제/면역치료의 병합 전략이 필요할 수 있는 환자군
4. 장기 추적 관점에서의 관리 전략
   • 장기 재발(10년+)이 혈관·stromal·선천면역에 의해 조절된다는 점은
     → “5년 무재발이면 끝” 이 아니라,
     → TME signature를 본 뒤 10년 이상 장기 모니터링 전략을 차별화할 수 있음을 시사합니다.

---

⚠️ 연구의 한계와 앞으로의 과제

1. 관찰 연구 + bulk deconvolution의 한계
   • Instaprism을 포함한 모든 deconvolution은
     → 단일세포 reference와 bulk RNA를 기반으로 한 통계적 추정치입니다.
   • 공간 정보(spatial context)나 세포 간 상호작용 네트워크는 직접적으로 관찰되지 않습니다.
2. 코호트·플랫폼 이질성
   • 13개 연구, microarray vs RNA-seq, 서로 다른 치료 시대·진단 기준
   • compositional transform과 batch 보정을 했지만,
     → 완벽한 교정은 불가능하며, 남은 bias가 있을 가능성을 고려해야 합니다.
3. TME type → “actionable biomarker”까지는 추가 검증 필요
   • 현재 TME type은 prognostic/predictive signal을 보여주는 수준
   • 실제 임상 시험에서
     • TME type에 따라 치료를 달리 했을 때
     • 결과가 개선되는지에 대한 prospective trial이 아직 없습니다.
4. 전이 병소 분석의 범위
   • 전이 병소에서의 B cell depletion, myeloid dominance 등이 제시되었으나
   • 전이 위치(간, 폐, 뼈, 뇌)에 따른 TME 차이, 치료 전·후 비교 등은
     → 앞으로의 세밀한 연구에서 더 확장될 필요가 있습니다.

그럼에도, 이 논문은

“유방암 TME를 대규모·다코호트 수준에서 정량화하고, 그 임상적 의미를 체계적으로 제시한 최초의 작업 중 하나” 라는 점에서 매우 높은 학술적 가치를 가집니다.

---

✅ 초록을 기반으로 한 결론 정리

초록 내용을 바탕으로 정리하면, 이 논문의 결론은 다음과 같습니다.

1. TME는 유방암 이질성의 핵심 축
   • TME의 세포 구성은 유방암의 예후·재발·전이·치료 반응에 깊게 관여하지만,
   • 기존 임상 의사결정에서는 거의 반영되지 않아 왔습니다.
2. InstaPrism 기반 7가지 TME type은 PAM50과 독립적인 예후 정보를 제공
   • 14,837개의 유방암 발현 데이터에서 7개의 TME 패턴을 정의했고,
   • 이 패턴들은 intrinsic subtype과 관계없이 disease-free survival을 강하게 예측합니다.
3. TME 세부 세포들이 ER 상태에 따라 재발·치료 반응을 다르게 조절
   • vascular stromal cell, innate immunity, B cell lineage 등이
     → 단기/장기 재발, 항암제 반응, 전이 위험을 복합적으로 조절
   • 특히 전이 병소에서의 B cell 계열 고갈은
     → B cell 기반/지원 치료 전략의 가능성을 제시합니다.
4. 종양 미세환경 프로파일링은 향후 유방암에서 중요한 prognostic & predictive biomarker
   • 향후 TME 기반 stratification을 통해
     → 더 정교한 위험 분류,
     → 맞춤형 항암·면역치료 전략 설계,
     → 신약 타깃 발굴에 직접적으로 활용될 수 있습니다.

---

💡 한줄평

대규모 유방암 코호트의 TME 지형 분석을 통해, 유전자 아형을 넘어서는 예후·치료 반응 예측의 새로운 기준을 제시한 연구입니다.

 

참고문헌 : DOI: 10.1016/j.xcrm.2025.102450