Unveiling the Prognostic Significance of Protein Expression in Advanced High-grade Serous Ovarian Cancer: A Comparative Study between Long-Term Survivors and Early Mortal Patients

Abstract

High-grade serous ovarian cancer (HGSOC), despite its high lethality, lacks reliable biomarkers for predicting poor prognosis, and limited progression has been made in personalized treatment. Targeted therapy based on genetic profile has not met expectations, as genomic alterations alone do not exclusively determine cancer cell phenotypes. Protein expression critically influences cellular processes. Recognizing proteomic alterations is even more crucial. This study proposes a novel technique, utilizing statistical deviation and machine-learning to select protein factors determining ovarian cancer prognosis. In advanced HGSOC, divided into two groups with very good (n=24) and poor prognoses (n=23), proteins were extracted from fresh frozen tissue and subjected to proximity extension assay (PEA). We explored a novel approach called artificial intelligence (AI)-based machine learning to identify key proteins that could distinguish between groups with good and poor prognoses. By developing a model, we found that high levels of NPTN and PPM1A indicated a poor prognosis group, demonstrating remarkably high efficacy (Precision 0.857, Recall 0.818, F1-score 0.893). After IHC of NPTN and PPM1A in a tissue microarray (TMA), survival analysis showed that survival decreased when the expression was high..In vitro experiments with NPTN and PPM1A knockdown showed reduced cell proliferation, migration, and invasion. Our results suggest that it is feasible to select factors with significant differences between prognostic groups, particularly those that are amenable to clustering based on identified proteins. The research highlights the potential of proteomic markers to guide personalized therapeutic strategies to improve patient outcomes.

고등급 장액성 난소암은 높은 치사율에도 불구하고 예후를 예측할 수 있는 신뢰할 만한 바이오마커가 부족해 개인 맞춤형 치료의 진전이 제한적이었다. 게놈을 기반으로 한 많은 연구가 이어지고 있지만, 유전적 변형만으로는 암세포의 표현형을 결정하지 못하고 직접적인 역할을 하며 암의 표현형을 결정하는 것은 결국 단백질이기에 그 무엇보다도 단백질 발현을 확인하는 것이 더 중요하다고 할 수 있다. 이 연구는 머신러닝을 활용하여 난소암 예후를 결정하는 단백질 인자를 선별하는 새로운 기법을 제안했다. 우리는 고등급 장액성 난소암 환자군들 중 예후가 매우 좋은 군과 예후가 좋지 않은 군을 설정한 뒤, 진행성 고등급 장액성 난소암 환자의 항암 전 신선 동결 조직을 예후가 좋은군 24개, 예후가 안좋은 군 23개씩 확보하였다. 이들 조직에서 단백질을 추출한 뒤 microarray 기법을 활용하여 단백질을 정량화 하는 Olink사의 Proximity extension assay를 이용하여 단백질 분석을 하였다. 그리고 그 결과를 바탕으로 인공지능 기반 머신 러닝을 통하여 분석해 두개의 군을 예측할 수 있는 모델을 만들었다. 그 결과 NPTN과 PPM1A가 발현 량이 높을 때 예후가 나쁜 군과 좋은 군을 분류해서 볼 수 있었고 그 모델의 성능은 Precision 0.857, Recall 0.818, F-1 score 0.893로 훌륭했다. 우리는 NPTN과 PPM1A를 장액성 난소암 환자의 조직 마이크로어레이에서 면역 염색을 시행하였고, 발현량이 높을수록 생존 지수가 낮아지는 결과를 확인하였다. 또한, NPTN과 PPM1A의 발현을 감소시킨 세포를 가지고 세포 증식 실험, 세포 이동 실험, 보이든 챔버 침투 실험을 시행하였다. 그 결과, 두개의 단백질이 발현이 적을 때 증식, 이동, 침투가 감소됨을 확인하였다. 위의 결과들을 통해 우리는 그룹 간에 유의미한 차이가 있는 인자, 특히 단백질을 기반으로 클러스터링에 적합한 인자를 선별하는 것이 가능하다는 것을 시사하였다. 이 연구는 환자 치료 결과를 개선하기 위한 개인 맞춤형 치료의 발전에 있어 단백질 마커의 잠재적인 가능성을 다시 한번 확인하게 해주었다.