Key Reviews

비소세포폐암(NSCLC) 치료에서 면역관문억제제(Immune Checkpoint Inhibitors, ICIs)는 질병 경과를 근본적으로 변화시킨 혁신적인 치료법으로 자리 잡았다. PD-1/PD-L1 경로의 억제제는 특히 삼중음성 유방암(TNBC)과 NSCLC에서 내구성 있는 장기적 질병 조절을 보여주었으며 [1], CTLA-4와 PD-1은 T세포 면역 기능의 음성 조절자로서 서로 다른 시점과 장소에서 작용한다. CTLA-4는 주로 림프절에서 초기 T세포 증식을 조절하는 반면, PD-1은 말초 조직에서 후기 면역 반응을 억제하므로, 이 두 경로의 차이는 Ipilimumab(anti-CTLA-4)와 Nivolumab/Pembrolizumab(anti-PD-1)의 임상적 프로필과 부작용 발생 시점(CTLA-4는 2-3개월, PD-1은 3-10개월)에 영향을 미친다 [16]. 이러한 기전적 차이에도 불구하고, ICIs는 흑색종, NSCLC 등 다양한 암종에서 생존율을 비례적으로 연장시켰으나, 모든 환자에게 효과적인 것은 아니며 내성(resistance)과 면역관련 부작용(irAEs)이 주요 한계점으로 남아있다 [21].

ICI 치료의 반응 예측을 위해 PD-L1 발현량 외에도 종양 돌연변이 부담(Tumor Mutation Burden, TMB)이 중요한 바이오마커로 부상하고 있다. 전장 엑솜 시퀀싱(WES) 기반의 연구에 따르면, 폐암, 방광암, 두경부암에서 TMB가 약 200개 이상의 비동종 소마틱 돌연변이를 가질 때 ICB 치료의 이점이 일관되게 관찰된다 [11]. 고 TMB 종양에서는 단일제 PD-(L)1 항체에 대한 반응이 PD-L1 발현에 영향을 받지만, anti-CTLA4 또는 조합 요법에서는 PD-L1 의존성이 낮아질 수 있다. 그러나 다른 악성종양에서의 질병 특이적 TMB 임계값은 아직 확립되지 않았으며, 해석의 정교화가 필요하다 [11]. 또한, 종양 미세환경(TME) 내의 면역 침윤 세포들의 이질성과 동적 변화는 치료 반응과 직접적인 연관이 있으며, 단일세포 RNA 시퀀싱(scRNA-seq) 및 질량 세포계측법(mass cytometry)을 통한 TME의 체계적 분석은 새로운 치료 전략 개발에 필수적이다 [6].

ICI 치료의 주요 장애물 중 하나는 내성 발생과 심각한 irAEs이다. ICI 내성은 단일 기전이 아니라 TME 내 역동적인 상호작용에서 비롯되며, 종양 세포 고유 모듈, 골수 억제 네트워크, 간질 장벽 등 세 가지 억제 모듈이 피드백 루프를 형성하여 저항 상태를 안정화시킨다 [32]. 특히 NSCLC에서 ICI 치료 후 발생하는 고진행성 질환(Hyperprogressive disease)이나 가짜 진행(Pseudoprogression)은 임상적 판단을 복잡하게 만든다. 부작용 측면에서는 신장 독성이 주목할 만하며, 급성 간질성 신염(AIN)이 PD-1 억제제의 주요 부작용으로 보고되고 있으며, 그 발생 빈도는 초기 생각보다 높게(9.9-29%) 추정된다 [2]. 또한, 근염-심근염-중증 근무력증 중첩 증후군(IM3OS)은 ICI 관련 치명적 결과와 연관되어 있으며, 나이가 많고 심근 트로포닌 I 수치가 높은 환자에서 사망 위험이 유의미하게 증가한다(OR 2.427 per tenfold increase) [25]. 이러한 부작용 관리는 스테로이드 치료뿐만 아니라 IVIG 및 혈장 교환 등 다양한 면역조절 요법을 필요로 한다.

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 NSCLC에서 ICI의 임상 적용(예: Durvalumab consolidation, Neoadjuvant Nivolumab)과 부작용 관리(Pneumonitis, Hyperprogressive disease, Pseudoprogression)에 대한 풍부한 문헌을 보유하고 있다. 그러나 TMB와 PD-L1의 상호작용 기전, 그리고 IM3OS와 같은 드물지만 치명적인 irAEs에 대한 상세한 병리생리학적 분석은 상대적으로 부족하며, 특히 TME 내 골수 억제 네트워크와 간질 장벽의 구체적인 재구성 전략에 대한 문헌이 결여되어 있다.

종양 미세환경(TME)은 NSCLC의 진행과 치료 반응성을 결정하는 핵심 요소이며, 최근 연구들은 TME를 단순한 배경이 아닌 능동적인 저항 메커니즘으로 인식하고 있다. 거대식세포(Macrophages)는 선천성 면역의 중요한 구성 요소로, M1/M2 분화 상태를 통해 혈관 생성, 세포외 기질 변형, 전이, 그리고 화학요법 및 체크포인트 억제제에 대한 내성을 조절한다 [12]. TME 내 거대식세포의 신호 전달, 대사 경로, 미토콘드리아 및 전사적 조절을 이해하는 것은 표적 치료 전략 개발에 필수적이다. 또한, NF-κB 신호 전달 경로는 염증 반응뿐만 아니라 PI3K/AKT, MAPK, Wnt 등 다른 주요 경로와 상호작용하며 TME 내 면역 조절과 종양 진행에 깊이 관여한다 [17].

TME의 이질성은 공간적 및 시간적 차원에서 존재하며, 이는 치료 실패의 주요 원인이 된다. 최근 단일세포 및 공간 멀티오믹스(spatial multiomics) 기술은 TME 매개 저항의 복잡한 조직화를 밝혀냈으며, 종양 세포 고유 모듈, 골수 억제 네트워크, 간질 장벽 간의 상호작용이 어떻게 내성을 유지하는지를 설명한다 [32]. 이러한 역동적인 재구성은 정적 biomarker로는 예측하기 어렵기 때문에, 장기적 프로파일링(longitudinal profiling)을 통한 동적 모니터링이 필요하다. 또한, 외소체(Exosomes)와 그 내부의 microRNA(miRNAs)는 세포 간 통신을 통해 혈관 생성을 자극하고 전이를 촉진하며, 이는 TME의 면역 억제 상태를 강화하는 데 기여한다 [24].

면역 요법의 효과를 높이기 위한 또 다른 접근법은 TME를 재구성하여 면역 세포의 침투와 기능을 향상시키는 것이다. CAR-T 세포 치료는 혈액암에서 성공을 거두었으나, 고형종(NSCLC 포함)에서는 제한된 효능을 보인다. 이를 극복하기 위해 in vivo CAR 면역 세포 공학이 주목받고 있으며, 바이러스 벡터나 비바이러스성 나노캐리어를 이용해 체내에서 직접 면역 세포를 재프로그래밍하는 시도가 이루어지고 있다 [30]. 또한, CAR macrophages와 CAR natural killer cells는 고형종 치료에 보완적인 접근법으로 제시되며, TME 재구성, 대사 적응, 정밀 유전체 공학을 통해 면역 세포의 지속성과 침투성을 개선하려는 노력이 계속되고 있다.

사용자 라이브러리 현황 및 Gap: 라이브러리는 Radiogenomics와 Multiomics를 통한 TME 분석 및 Immune-Pathology Informed Radiomics Model 개발에 초점을 맞춘 문헌을 많이 포함하고 있다. 그러나 거대식세포의 M1/M2 분화 조절 기전, 외소체 miRNA의 세포 간 통신 역할, 그리고 in vivo CAR immunotherapy와 같은 차세대 면역 공학 기술에 대한 구체적인 문헌은 현재 라이브러리에 존재하지 않아, TME 재구성의 분자적·기술적 측면에서 확장할 필요가 있다.

NSCLC의 분자적 기전은 EGFR, KRAS, PI3K-Akt-mTOR 복합체, TITF1 등 주요 유전자의 변이에 의해 주도되며, 이러한 경로의 이상 조절은 종양 발생과 치료 내성에 기여한다 [15]. 특히 PI3K/AKT/mTOR(PAM) 신호 전달 경로는 인간 암에서 가장 빈번하게 활성화되는 경로 중 하나로, 세포 생존, 성장 및 세포 주기 진행을 촉진하며, PTEN 기능 상실이나 AKT의 기능 획득 변이는 치료 저항성과 질병 진행의 주요 원인이 된다 [18]. PAM 경로의 억제제는 단일 요법뿐만 아니라 다른 항암제와의 병용 요법으로 임상 시험에서 평가되고 있으며, 이는 치료 내성을 극복하기 위한 중요한 전략이다.

Wnt/β-catenin 신호 전달 경로 역시 배아 발달과 성인 조직 항상성에 중요한 역할을 하며, 그 이상 조절은 다양한 암을 포함한 심각한 질환을 유발한다 [9]. Wnt 신호 경로를 표적으로 하는 소분자 화합물의 개발은 현재 진행 중이며, 이는 NSCLC를 포함한 고형종 치료에 새로운 기회를 제공할 수 있다. 또한, Nrf2/HO-1 시스템은 산화 스트레스 반응과 세포 보호 기전에서 중요한 역할을 하며, HO-1의 이상 조절은 신경퇴행성 질환 및 암의 병인학과 관련이 있다 [10]. ROS(Reactive Oxygen Species)는 DNA 손상 응답(DDR)에 영향을 미치며, 화학요법 및 방사선 치료로 인한 유독 스트레스를 증폭시킬 수 있어, ROS 조절제를 기존 요법과 병용하는 임상 평가가 이루어지고 있다 [22].

아포토시스(Apoptosis)와 피롭토시스(Pyroptosis)는 종양 세포 사멸의 두 가지 주요 기전이다. 아포토시스 결함은 악성 변환, 전이 및 항암제 내성을 초래하며, 이를 표적으로 하는 치료 전략이 활발히 연구되고 있다 [7]. 반면, 피롭토시스는 선천성 면역과 관련이 깊으며, 종양 발전에 양면적인 역할을 한다. 가스데르민(gasdermin) 계열의 발견으로 피롭토시스 연구가 확대되었으며, 이는 방사선 및 화학요법의 부작용을 유발할 수도 있지만, 새로운 항암제 개발의 아이디어를 제공한다 [14]. 이러한 세포 사멸 기전들의 이해는 NSCLC 치료에서 표적 요법과 면역 요법을 결합하는 데 중요한 통찰력을 제공한다.

사용자 라이브러리 현황 및 Gap: 라이브러리는 EGFR 억제제 반응 예측 및 Oncogene mutation status prediction에 대한 문헌을 보유하고 있으나, PI3K/AKT/mTOR, Wnt/β-catenin, Nrf2/HO-1, 그리고 Apoptosis/Pyroptosis와 같은 구체적인 신호 전달 경로 및 세포 사멸 기전에 대한 심층적인 리뷰 문헌은 부족하다. 특히 PAM 경로의 내성 기전과 ROS-DDR 상호작용에 대한 문헌이 결여되어 있어, 표적 치료의 분자적 기반을 강화할 필요가 있다.

NSCLC의 정확한 진단과 치료 반응 평가는 전통적인 해부학적 기준(WHO, RECIST)에서 대사적 및 기능적 평가로 빠르게 전환되고 있다. RECIST 1.1은 최대 5개의 종양 초점을 평가하여 원래 RECIST보다 완전 반응률(complete response rate)을 높였지만, 림프종이나 간암 등 일부 종양에서는 크기 변화가 미미하여 한계가 있다 [4]. 이에 따라 (18)F-FDG PET 기반의 PERCIST(PET Response Criteria in Solid Tumors)가 제안되었으며, 이는 대사적 종양 반응 평가를 통해 치료 반응을 더 민감하게 포착할 수 있게 한다. 특히 NSCLC에서 동적 (18)F-FDG PET/CT는 신조 면역요법(neoadjuvant immunotherapy) 후 주요 병리학적 반응(major pathological response)을 예측하는 데 유용하다 [라이브러리].

기계 학습(Machine Learning, ML) 기술은 NSCLC의 예후 및 치료 반응 예측에 혁신적인 도구로 자리 잡았다. 인공 신경망(ANNs), 베이지안 네트워크(BNs), 서포트 벡터 머신(SVMs) 등의 지도형 ML 기법은 복잡한 데이터셋에서 주요 특징을 추출하여 환자 위험군 분류와 치료 결과 모델링에 활용된다 [5]. 최근 연구들은 CT 기반의 딥러닝(deep learning) 모델을 사용하여 신조 화학면역요법(neoadjuvant chemoimmunotherapy) 후 병리학적 완전 반응(pCR)을 비침습적으로 예측하는 데 성공했으며, 이는 다기관 연구에서 그 유효성이 입증되었다 [라이브러리]. 또한, Radiomics features와 혈액학적 지수(haematological index)를 결합한 Delta-radiomics 모델은 재sectable NSCLC 환자의 pCR 예측 정확도를 높이는 것으로 나타났다.

영상 기반 바이오마커는 PD-L1 발현량과 생존 결과(survival outcomes)를 예측하는 데에도 중요한 역할을 한다. 다기관 연구에 따르면, 영상 기반 바이오마커는 Nivolumab 및 Pembrolizumab으로 치료받는 진행성 NSCLC 환자의 PD-L1 발현과 생존 결과를 효과적으로 예측할 수 있다 [라이브러리]. 또한, Radiogenomics-based multiomic approach를 통해 TME를 해독함으로써 면역요법 결과를 예측하는 모델이 개발되고 있으며, 이는 종양의 이질성을 반영한 정밀 의학 접근법의 핵심이다. 그러나 Radiomics features의 보편성(universality)에 대한 질문도 제기되며, 장기별 적용 가능성과 표준화 필요성이 강조된다 [라이브러리].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 NSCLC 분야에서 Radiomics, AI 기반 예측 모델, PET/CT 반응 평가, 그리고 영상-병리 융합 모델에 대한 매우 포괄적인 문헌을 보유하고 있다. 이는 진단 및 치료 반응 예측 측면에서 강력한 기반을 제공한다. 그러나 RECIST와 PERCIST의 비교 분석, 또는 ML 알고리즘의 검증(validation) 과정에 대한 방법론적 리뷰는 상대적으로 부족하며, 특히 Radiomics features의 표준화 및 보편성에 대한 비판적 고찰이 더 필요할 수 있다.

NSCLC 치료를 위한 약물 전달 기술은 전통적인 화학요법의 한계를 극복하고 표적 치료의 효율성을 높이기 위해 빠르게 발전하고 있다. 리포좀(Liposomes)은 최초의 임상 적용이 성공한 나노 약물 전달 시스템으로, Doxil®과 같은 제품이 이미 임상에서 사용되고 있으며, 약물의 생체 분포(biodistribution)를 변경하여 치료 지수(therapeutic index)를 향상시킨다 [20]. 리포좀 기술은 Stealth technology와 DepoFoam™ Technology 등의 진보를 통해 항암제, 항진균제, 유전자 치료제의 전달에 널리 활용되고 있다.

플라티넘 기반 약물(Platinum drugs)의 차세대 개발도 주목할 만하다. Cisplatin, Carboplatin, Oxaliplatin 이후, 비전통적인 Pt(II) 복합체, 다핵 Pt(II) 화합물, Pt(IV) 프로드러그(prodrugs), 그리고 광활성화 Pt(IV) 복합체 등이 개발되고 있다 [13]. 이러한 새로운 플라티넘 제제는 기존 약물과 다른 작용 기전을 가지며, 나노입자(Nanoparticles)를 이용한 전달 시스템(탄소 나노튜브, 금 나노입자, 양자점 등)과 결합하여 표적 전달의 정확도를 높이고 부작용을 줄이는 데 기여한다. 특히 Pt(IV) 프로드러그는 나노입자에 포접되어 안정성을 높이고, 종양 미세환경에서 선택적으로 활성화될 수 있다.

mRNA 기반 치료제와 지질 나노입자(Lipid Nanoparticles, LNPs)의 결합은 NSCLC를 포함한 고형종 치료에 새로운 가능성을 제시한다. LNP는 mRNA를 보호하고 세포 내 전달을 향상시키며, 안전성을 개선하는 비바이러스성 전달체로 작용한다 [28]. 최근 LNP-mRNA 요법은 mRNA 백신, 사이토카인 전달, 면역 조절, CAR 기반 전략 등에 적용되고 있으며, 개인 맞춤형 mRNA 백신과 치료제의 개발이 활발하다. 그러나 조직 특이성(tissue specificity), 면역원성(immunogenicity), 제조 공정의 복잡성 등의 과제가 남아있다. 또한, GDF15(Growth/differentiation factor 15) 억제제의 경우, 단클론항체가 주로 사용되지만 생산 비용과 주사 투여의 한계로 인해 펩타이드(peptides) 및 peptidomimetics로의 전환이 시도되고 있으며, 이는 NSCLC의 악액질(cachexia) 및 체크포인트 억제제 내성 극복에 잠재력을 가진다 [29].

사용자 라이브러리 현황 및 Gap: 현재 사용자의 라이브러리는 주로 진단(Radiomics/AI)과 임상 치료 전략(ICI, Surgery)에 집중되어 있으며, 약물 전달 시스템(Drug Delivery Systems), 나노의학(Nanomedicine), LNP-mRNA 기술, 그리고 차세대 플라티넘 제제나 GDF15 억제제와 같은 새로운 약물 개발 플랫폼에 대한 문헌이 거의 없다. 이는 NSCLC 치료의 물리적·화학적 접근법 측면에서 큰 공백을 의미하며, 나노 기반 전달 시스템과 신약 개발 트렌드를 반영한 문헌 추가가 시급하다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

폐암의 진단 및 치료 반응 예측 분야에서 영상 의학은 단순한 해부학적 관찰을 넘어 종양 미세환경(Tumor Microenvironment, TME)과 유전체 정보를 비침습적으로 연결하는 핵심 도구로 진화하고 있다. 최근 연구들은 CT 기반의 Radiomics와 Deep Learning을 결합하여 NSCLC 환자의 면역치료 반응 및 병리적 완전 반응(pCR)을 예측하는 모델의 정확도를 크게 향상시켰다. 특히, Neoadjuvant chemoimmunotherapy 후 pCR을 예측하기 위해 Delta-radiomics features와 혈액학적 지표를 결합한 연구는 높은 예측 성능을 보였으며, 이는 수술 전 치료 전략 최적화에 중요한 시사점을 제공한다 [Library: Non-invasive prediction for pathologic complete response...; Library: Delta-radiomics features combined with haematological index...]. 또한, (18)F-FDG PET/CT의 동적 변화는 Neoadjuvant immunotherapy에 대한 주요 병리적 반응을 예측하는 데 유용한 바이오마커로 확인되었다 [Library: Dynamic (18) F-FDG PET/CT can predict...]. 이러한 영상 기반 접근법은 종양의 이질성(Heterogeneity)을 정량화하여, 단일 생검 샘플의 한계를 극복하고 전체 종양 부피에 대한 더 포괄적인 정보를 제공한다 [Library: Investigation of radiomics based intra-patient inter-tumor heterogeneity...].

Ground-glass nodules (GGN)의 관리 역시 영상학적 모니터링과 정밀한 위험 평가가 중요한 분야이다. GGN의 질량 증가(Mass increase)는 성장의 초기 지표로 활용될 수 있으며, 이는 조기 발견 및 적시 개입의 기회를 제공한다 [Library: Pulmonary Ground-Glass Nodules Increase in Mass...]. 또한, 수술 후 잔류 GGN에 대해 Almonertinib과 같은 표적 치료제의 임상적 효과는 EGFR mutation-positive 환자에서 재발 위험을 줄이는 데 기여할 수 있음을 시사한다 [Library: Clinical effect of Almonertinib...]. 그러나 중앙부 종양(Central tumour)의 정의와 occult mediastinal metastasis 예측 간의 관계는 여전히 논쟁의 여지가 있으며, 방사선학적 N0 질환 환자에서 더 정확한 전이 위험 평가가 필요하다 [Library: Which definition of a central tumour is more predictive...].

사용자 라이브러리는 이미 Radiomics 기반의 면역치료 반응 예측, GGN의 자연 경과 및 치료 반응, 그리고 PET/CT를 이용한 치료 모니터링에 대한 광범위한 연구를 포함하고 있다. 특히 AI 기반의 돌연변이 상태 예측 [Library: Prediction of oncogene mutation status...]과 종양 미세환경 해독 [Library: Deciphering the tumor microenvironment through radiomics...]에 대한 연구가 풍부하다. 그러나 아직 채워지지 않은 Gap으로는, 다양한 영상 모달리티(CT, PET, MRI)를 통합한 Multi-omic Radiogenomic 모델의 표준화 및 다기관 검증 연구의 부재, 그리고 GGN 관리에서 수술적 절제(Sublobar resection)와 비수술적 치료(SBRT, Ablation) 선택을 위한 정량적인 영상학적 결정 트리(Decision tree)의 명확한 확립이 필요하다 [Library: Sublobar resection, stereotactic body radiotherapy...].

Immune checkpoint inhibitors (ICIs), specifically PD-1/PD-L1 blockers, have revolutionized the treatment of advanced lung cancer, offering durable responses in a subset of patients. The efficacy of ICIs is closely linked to biomarkers such as PD-L1 expression and Tumor Mutational Burden (TMB). Recent studies highlight that APOBEC3-mediated mutational signatures are not only associated with acquired resistance to targeted therapies but also serve as emerging biomarkers for ICI response, particularly in non-small-cell lung cancer (NSCLC) [32]. This suggests a complex interplay between genomic instability and immunogenicity, where high APOBEC activity may enhance neoantigen load, thereby improving ICI efficacy. Furthermore, the combination of Neoadjuvant Nivolumab plus Chemotherapy has shown significant improvements in Overall Survival (OS) and pathological response rates in resectable lung cancer, establishing a new standard of care for early-stage disease [Library: Neoadjuvant Nivolumab plus Chemotherapy...; Library: Overall Survival with Neoadjuvant Nivolumab...].

However, the clinical application of ICIs is complicated by immune-related adverse events (irAEs). Renal toxicity, such as acute interstitial nephritis (AIN), is a notable concern, with incidence rates potentially higher than initially thought (9.9-29%) [3]. The onset of kidney injury with PD-1 inhibitors tends to be later (3-10 months) compared to CTLA-4 antagonists (2-3 months) [3]. More severe and life-threatening irAEs include the myositis-myocarditis-myasthenia overlap syndrome (IM3OS), which has a high fatality rate (36.4%) in reported cases [29]. Older age and higher peak cardiac troponin I levels are significant predictors of fatal outcomes in IM3OS, emphasizing the need for vigilant monitoring and prompt immunomodulatory treatment, such as intravenous immunoglobulin or plasma exchange [29]. Additionally, PD-1 inhibitor-related pneumonitis presents distinct radiographic patterns and clinical courses that require careful differentiation from disease progression [Library: PD-1 Inhibitor–Related Pneumonitis...].

The phenomenon of hyperprogressive disease (HPD) in NSCLC patients treated with ICIs remains a subject of debate, questioning whether it is a real biological entity or a statistical artifact [Library: Hyperprogressive disease in non-small cell lung cancer...]. Similarly, pseudoprogression, where tumors appear to grow before shrinking, can complicate response assessment but is relatively rare ("Few Drops in the Ocean") [Library: Pseudoprogression in Non-Small Cell Lung Cancer upon Immunotherapy...]. In Stage III NSCLC, consolidation therapy with Durvalumab after chemoradiotherapy has become a standard approach, improving survival outcomes. Real-world data from studies like RELEVANCE confirm these benefits across diverse populations, including those with varying PD-L1 expression levels [Library: Durvalumab after Chemoradiotherapy...; Library: Real-world survival outcomes... The RELEVANCE study]. However, questions regarding the optimal duration of adjuvant durvalumab and de-escalation strategies are currently under investigation to balance efficacy and toxicity [Library: De-escalating adjuvant durvalumab treatment duration...].

사용자 라이브러리는 ICI 관련 폐렴, HPD, Pseudoprogression, 그리고 Durvalumab의 Stage III NSCLC에서의 역할에 대한 광범위한 임상 데이터를 포함하고 있다. 또한 Neoadjuvant Nivolumab의 OS 이득에 대한 중요한 연구도收录되어 있다. 그러나 아직 명확히 다루어지지 않은 Gap으로는, APOBEC3 돌연변이 서명(Mutational signatures)을 이용한 ICI 반응 예측의 실제 임상 적용 가능성 및 표준화 방법, 그리고 IM3OS와 같은 중증 irAEs의 조기 예측 바이오마커 개발에 대한 연구가 부족하다. 또한, Durvalumab 치료 기간 단축(De-escalation)의 장기적 재발 위험에 대한 데이터가 더 필요하다.

The molecular landscape of lung cancer is defined by key oncogenic drivers, particularly in NSCLC, where epidermal growth factor receptor (EGFR) mutations are prevalent. The prediction of EGFR mutation status using non-invasive methods, including AI-based radiomics and liquid biopsy, has advanced significantly, allowing for personalized treatment planning without immediate tissue biopsy [Library: Prediction of oncogene mutation status...; Library: Combining radiomic phenotypes...]. However, resistance to EGFR tyrosine kinase inhibitors (TKIs) remains a major challenge. Emerging evidence suggests that APOBEC3-mediated mutagenesis plays a critical role in the evolution of drug-tolerant persister cells and the emergence of resistant clones, contributing to acquired resistance to targeted therapies [32]. This mechanism is not unique to EGFR inhibitors but is also observed in endocrine therapy resistance in breast cancer and androgen receptor blockade resistance in prostate cancer, highlighting a common pathway of therapy-induced genomic instability [32].

Beyond EGFR, other biomarkers such as CIP2A (Cancerous inhibitor of PP2A) have been identified as predictors of poor prognosis across various cancers, including lung cancer. Elevated CIP2A expression is associated with reduced overall survival (OS) and progression-free survival (PFS), although heterogeneity between cancer types necessitates cautious interpretation [31]. The role of TMB as a predictive biomarker for immunotherapy response has also been extensively studied, with radiomic features correlating with TMB levels to improve prediction accuracy [Library: Predicting response to immunotherapy... using tumor mutational burden radiomic biomarker]. This integration of genomic and imaging data offers a more comprehensive view of tumor biology.

In the context of small-cell lung cancer (SCLC), the distinction between primary SCLC and transformed SCLC (from NSCLC) is crucial for treatment decisions. Transformed SCLC often exhibits different clinical outcomes and neuroendocrine features compared to primary SCLC, necessitating tailored therapeutic approaches [Library: Clinical outcomes and neuroendocrine features of transformed versus primary small-cell lung cancer]. Additionally, the recurrence risk following percutaneous transthoracic needle biopsy in patients undergoing sublobar resection for Stage I lung cancer is a practical concern that influences surgical planning and patient counseling [Library: Recurrence Risk Following Percutaneous Transthoracic Needle Biopsy...].

사용자 라이브러리는 EGFR 돌연변이 예측, TMB 기반 면역치료 반응 예측, 그리고 SCLC의 임상적 특징에 대한 연구를 포함하고 있다. 특히 AI와 Radiomics를 결합한 비침습적 진단 방법이 잘 다루어져 있다. 그러나 아직 채워지지 않은 Gap으로는, APOBEC3 관련 내성 기전의 구체적인 치료 전략(예: oligonucleotide-based inhibitors)의 임상 시험 데이터 부족, 그리고 CIP2A와 같은 새로운 바이오마커가 폐암 하위 그룹에서 어떻게 다른 예후적 의미를 가지는지에 대한 상세한 분석이 필요하다. 또한, Liquid biopsy와 Radiomics를 결합한 다중 오믹스(Multi-omic) 접근법의 표준화 프로토콜이 아직 확립되지 않았다.

Lung cancer is frequently accompanied by malnutrition and systemic inflammation, which significantly impact patient outcomes and quality of life. The role of nutritional interventions, particularly omega-3 (n-3) polyunsaturated fatty acids (PUFAs), has been explored to mitigate these effects. A network meta-analysis comparing different EPA/DHA supplementation regimens in lung cancer patients revealed that medium-dose EPA-dominant n-3 PUFAs were associated with lower levels of pro-inflammatory cytokines such as TNF-α, although no significant difference was observed in body weight change compared to control groups [30]. This suggests that while n-3 PUFAs may help modulate systemic inflammation, their impact on nutritional status (e.g., body weight) might be limited or require longer intervention periods. The consistency of these findings across different study designs highlights the potential benefit of anti-inflammatory dietary strategies in lung cancer care.

Systemic inflammation is also linked to broader health risks, including cardiovascular disease and mortality. Exposure to fine particulate matter (PM2.5) air pollution has been causally linked to increased cardiovascular morbidity and mortality, with mechanisms involving oxidative stress and inflammatory pathways [17, 19]. Similarly, heavy metal toxicity, such as cadmium exposure from cigarette smoking, contributes to chronic inflammation and organ damage, further exacerbating the health burden in lung cancer patients who are often smokers [20, 21]. The interplay between environmental exposures, systemic inflammation, and cancer progression underscores the importance of holistic management strategies that address both local tumor control and systemic health.

The Health Belief Model (HBM) provides a framework for understanding patient behaviors related to preventive health and treatment adherence. Perceived barriers are identified as the most powerful dimension influencing health behaviors, suggesting that addressing patient concerns and misconceptions is crucial for effective intervention [8]. In the context of lung cancer, this could involve educating patients about the benefits of nutritional support and the risks of environmental exposures. Furthermore, social relationships have been shown to significantly influence mortality risk, with stronger social integration associated with a 50% increased likelihood of survival [11]. This highlights the importance of psychosocial support as part of comprehensive lung cancer care.

사용자 라이브러리는 주로 진단, 영상, 및 면역/표적 치료에 초점을 맞추고 있으며, 영양 지원이나 환경 요인의 직접적인 임상 연구는 포함되지 않았다. 따라서 이 분야는 사용자 라이브러리에서 상대적으로 빈약한 부분이다. Gap으로는, 폐암 환자에서의 n-3 PUFA 보충의 최적 용량 및 지속 기간에 대한 대규모 RCT 데이터 부족, 그리고 환경 오염물질(예: PM2.5, 중금속) 노출이 폐암 진행 및 치료 반응에 미치는 구체적인 영향에 대한 연구가 필요하다. 또한, 환자의 사회적 지지 체계와 건강 결과 간의 연관성을 폐암 특정 코호트에서 검증한 연구가 추가되어야 한다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

Deep learning, 특히 Convolutional Neural Networks (CNNs),는 의료 영상 분석 분야에서 기존 수작업 특징 추출(hand-crafted features)의 한계를 극복하고 계층적 특징 표현(hierarchical feature representations)을 학습함으로써 진단 성능을 혁신적으로 향상시켰습니다 [17]. CNN은 convolution layers, pooling layers, fully connected layers 등의 구성 요소를 통해 공간적 계층 구조를 자동으로 학습하며, 이는 방사선학(radiology) 분야에서 특히 두드러진 성과를 보였습니다 [18]. 예를 들어, BRATS(Brain Tumor Image Segmentation Benchmark)와 같은 벤치마크 연구에서는 다양한 알고리즘의 융합(fusion)이 인간 판독자 간 변이(inter-rater variability, Dice score 74%-85%)에 필적하는 성능을 달성할 수 있음을 보여주었으며, 이는 단일 알고리즘보다 앙상블 접근법의 우월성을 시사합니다 [8]. 또한, 흉부 X선(chest radiographs)에서 10가지 일반적인 이상 징후를 감지하거나, 폐 결절(pulmonary nodules)의 악성 확률을 추정하는 데 deep learning 모델이 높은 민감도와 특이도를 보인 사례들이 다수 보고되었습니다. 사용자 라이브러리의 "Development and validation of a deep learning algorithm detecting 10 common abnormalities on chest radiographs" 및 "Multicentre performance... for incidental pulmonary nodules" 논문들은 이러한 진단 보조 시스템의 임상적 유효성을 검증하는 중요한 증거로 작용합니다.

그러나 의료 영상에 Deep learning을 적용할 때는 소규모 데이터셋(small dataset)과 과적합(overfitting)이라는 주요 도전 과제가 존재합니다 [18]. 이를 해결하기 위해 전이 학습(transfer learning)이나 데이터 증강(data augmentation) 기법이 널리 사용되며, 모델의 일반화(generalization) 능력을 높이기 위한 다기관 연구(multicentre studies)의 중요성이 강조되고 있습니다. 사용자 라이브러리의 "Multicentre performance..." 논문은 이러한 다기관 검증의 필요성을 반영하며, 모델의 일관성(consistency)과 성능을 평가하는 기준이 되고 있습니다. 또한, "Radiomics Quality Score 2.0" 논문은 radiomics 연구의 품질 관리와 임상 번역(clinical translation)을 위한 표준화 프레임워크를 제시함으로써, deep learning 기반 영상 분석의 신뢰성을 높이는 데 기여하고 있습니다.

최근에는 단일 모달리티(monomodal)를 넘어 다중 모달리티(multimodal) 접근법이 주목받고 있습니다. "Multimodal deep learning for integrating chest radiographs and clinical parameters: a case for transformers" 논문은 Transformer 아키텍처를 활용하여 영상 데이터와 임상 매개변수를 통합함으로써 진단 정확도를进一步提升하는 가능성을 보여줍니다. 이는 Deep learning이 단순한 패턴 인식을 넘어, 환자의 전체적인 임상 맥락을 고려한 종합적 판단을 지원할 수 있음을 시사합니다. 또한, "Deep Learning to Estimate Biological Age From Chest Radiographs"는 영상 데이터를 통해 생물학적 나이(biological age)를 추정하는 새로운 응용 분야를 개척하며, 예방 의학 및 노화 연구에 deep learning이 기여할 수 있는 잠재력을 드러냅니다.

사용자 라이브러리는 이미 흉부 영상 기반의 진단 보조 및 생물학적 나이 추정, 그리고 radiomics 품질 관리 측면에서 상당한 내용을 포괄하고 있습니다. 그러나 뇌 종양 분할(brain tumor segmentation)이나 다른 장기(예: 간세포암종 hepatocellular carcinoma)에 대한 영상 분석 연구는 상대적으로 부족하거나, "Interpretable multimodal deep learning for time-resolved survival prediction after hepatocellular carcinoma resection"과 같이 생존 예측(survival prediction)에 초점이 맞춰져 있어, 순수한 진단(diagnosis) 단계에서의 다기관 검증 연구나 다른 영상 모달리티(MRI, PET 등)에 대한 포괄적인 review가 아직 gap으로 남아 있습니다.

Deep learning은 암 치료를 포함한 다양한 질환에서 치료 반응을 예측하고 개인화된 치료 전략을 수립하는 데 핵심적인 도구로 자리 잡고 있습니다. 특히, 비소세포폐암(non-small-cell lung cancer, NSCLC)과 같은 고형암에서 면역치료(immunotherapy) 또는 신조성 화학면역요법(neoadjuvant chemoimmunotherapy)에 대한 반응을 예측하는 모델들이 활발히 개발되고 있습니다. 사용자 라이브러리의 "Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker"와 "Non-invasive prediction for pathologic complete response to neoadjuvant chemoimmunotherapy in lung cancer using CT-based deep learning: a multicenter study"는 CT 영상 기반의 radiomic biomarker와 deep learning을 결합하여 치료 반응을 비침습적으로 예측하는 성공적인 사례를 제시합니다. 이러한 모델들은 종양 돌연변이 부담(tumor mutational burden, TMB)이나 영상 특징(image features)을 활용하여, 어떤 환자가 특정 치료에 잘 반응할지 사전에 판별함으로써 불필요한 부작용을 줄이고 치료 효율을 높이는 데 기여합니다.

크론병(Crohn’s disease, CD)과 같은 자가면역 질환에서도 생물학적 제제(biologic therapies)에 대한 치료 반응을 예측하는 deep learning 모델의 중요성이 부각되고 있습니다. [32]번 review는 CD 환자에서 생물학적 제제 치료 반응 예측 모델들의 성능을 체계적으로 평가한 결과, pooled AUC가 0.82(95% CI, 0.80–0.84)로 보고되었으나, 연구 간 이질성(heterogeneity, I² = 88.3%)이 매우 높음을 지적합니다. 이는 예측 모델들이 albumin, fecal calprotectin, C-reactive protein 등 다양한 임상 및 실험실 지표, 그리고 영상 특징을 포함하고 있지만, 표준화된 검증 프로토콜의 부재로 인해 임상 적용에 어려움이 있음을 시사합니다. 사용자 라이브러리의 "Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: A multicentre study" 역시 NSCLC에서 주요 병리학적 반응(major pathological response)을 예측하는 다기관 연구를 통해, deep learning 모델의 임상적 유용성과 한계를 동시에 조명하고 있습니다.

또한, 간세포암종(hepatocellular carcinoma) 절제술 후 생존 예측(survival prediction)에 대한 "Interpretable multimodal deep learning for time-resolved survival prediction after hepatocellular carcinoma resection" 논문은 해석 가능한(interpretable) 다중 모달리티 deep learning 모델이 시간 경과에 따른 생존율을 더 정확하게 예측할 수 있음을 보여줍니다. 이는 black box 문제로 비판받는 deep learning 모델의 투명성을 높이고, 임상 의사들이 모델의 판단 근거를 이해할 수 있도록 하는 중요한 진전입니다. 이러한 해석 가능성(explainability)은 의료 AI의 신뢰성 확보와 실제 임상 현장에서의 채택(adoption)에 필수적인 요소입니다.

사용자 라이브러리는 NSCLC와 간세포암종에서의 치료 반응 및 생존 예측에 대한 deep learning 적용 사례를 잘 다루고 있습니다. 그러나 크론병과 같은 자가면역 질환이나 다른 종양 유형(예: 두경부암 HNSCC [24])에서의 치료 반응 예측 모델에 대한 포괄적인 review나, 다양한 biomarker(영상, 유전체, 임상)를 통합한 다중 모달리티 예측 모델의 비교 연구는 아직 부족합니다. 특히, [32]번 review에서 지적된 높은 이질성을 해결하기 위한 표준화된 예측 모델 개발 가이드라인이나, 해석 가능한 AI(XAI) 기술이 치료 반응 예측에 어떻게 구체적으로 적용되는지에 대한 심층적인 분석은 추가적인 연구가 필요한 gap입니다.

Deep learning과 인공지능(AI)은 단순한 진단이나 예측을 넘어, 전체적인 환자 관리(patient care)와 임상 의사결정(clinical decision-making) 과정을 재구성하는 데 기여하고 있습니다. [25]번 review는 디지털 헬스(digital health) 시대의 환자 관리를 재설계하기 위한 체계적 문헌 고찰로, telemedicine, electronic health records (EHRs), wearable devices, 그리고 AI가 환자 접근성, 임상 의사결정, 의료진 업무 부담, 환자 참여, 거버넌스 및 형평성에 미치는 영향을 종합적으로 분석합니다. 연구 결과, deep learning 기반 영상 도구는 pooled sensitivity 87.0%로 임상 전문가(86.4%)와 유사하거나 더 나은 성능을 보였으나, sepsis 예측 모델의 경우 external-validation AUC가 0.63에 불과하고 67%의 sepsis 사례를 놓치는 등 모델의 일반화 능력과 실제 임상 환경에서의 유효성 간에는 여전히 격차가 존재함을 보여줍니다. 이는 AI 모델이 개발 단계에서 높은 성능을 보인다고 해서 실제 임상 현장에서도 동일하게 작동하지 않을 수 있음을 경고합니다.

응급실(emergency department) triage와 같은 시간 민감도가 높은 영역에서도 machine learning 기반 clinical decision support systems (CDSSs)의 적용이 시도되고 있습니다. [26]번 review는 응급실 triage를 위한 ML 기반 CDSS들의 사용자 인터페이스(user interface) 설계와 구현 과정을 체계적으로 검토한 결과, 대부분의 시스템이 시각적 구성 요소(visual component)를 사용하지만, 오디오 경고(audio alerts)는 전혀 사용하지 않았으며, 위험 점수(risk score)나 이진 지표(binary indicator)만 제시하고 구체적인 행동 권장사항(actionable recommendations)을 제공하지 않는 경우가 많음을 지적합니다. 또한, 모델의 불확실성(uncertainty)이나 성능 지표(performance indicators)가 인터페이스에 거의 반영되지 않아, 의료진이 AI의 판단을 신뢰하고 적절히 활용하기 어려운 상황임을 드러냅니다. 이는 기술적 성능뿐만 아니라 사용자 중심 설계(user-centred design)와 설명 가능성(explainability)이 실제 임상 도입(adoption)에 있어 결정적인 역할을 함을 시사합니다.

[15]번 review는 AI가 의료 데이터(구조화 및 비구조화)를 처리하여 암, 신경학, 심장학 등 주요 질환 영역에서 조기 진단, 치료, 예후 예측에 활용되고 있음을 개괄하며, IBM Watson과 같은 선구적 AI 시스템의 한계와 실제 배포(deployment) 장벽을 논의합니다. [25]번 review에서도 지적된 바와 같이, 디지털 도구는 재설계된 워크플로우(workflow)에 통합되고, 현지 검증(local validation)을 거치며, 투명하게 거버넌스(governance)되고 형평성(equity) 있게 배포될 때만 진정한 치료 개선 효과를 낼 수 있습니다. 사용자 라이브러리의 논문들은 주로 특정 질환(폐암, 간암)이나 영상 분석에 집중되어 있어, 이러한 광범위한 디지털 헬스케어 시스템의 통합적 관점과 임상 워크플로우 통합 문제는 상대적으로 덜 다루어져 있습니다.

사용자 라이브러리는 특정 질환군에서의 deep learning 적용 사례를 잘 포함하고 있으나, [25] 및 [26]번 review에서 강조하는 바와 같이, AI 기반 CDSS의 실제 임상 환경에서의 구현 문제, 사용자 인터페이스 설계, 모델 불확실성 관리, 그리고 디지털 격차(digital divide)와 같은 사회적·윤리적 문제는 아직 충분히 반영되지 않았습니다. 이는 기술적 성능 평가 너머에 있는 '인간-AI 상호작용' 및 '시스템 통합' 측면에서의 연구 gap을 의미합니다.

Deep learning의 성공은 데이터 표현(data representation) 학습 능력에 크게 의존하며, 이는 Representation Learning의 핵심 개념입니다 [2]. [2]번 review는 unsupervised feature learning과 deep learning의 최근 발전을 검토하며, probabilistic models, autoencoders, manifold learning, 그리고 deep networks를 아우르는 다양한 접근법을 소개합니다. 특히, 데이터의 잠재적 설명 요인(explanatory factors of variation)을 효과적으로 분리하고 표현하는 것이 모델 성능의 핵심임을 강조합니다. 이러한 이론적 배경은 이후 CNN [14], RNN/LSTM [13], GNN [3] 등 구체적인 아키텍처의 발전을 이끌었습니다.

Convolutional Neural Networks (CNNs)는 컴퓨터 비전 및 의료 영상 분석에서 지배적인 역할을 하며, 1-D, 2-D, 다차원 convolution을 통해 공간적 계층 구조를 학습합니다 [14]. Recurrent Neural Networks (RNNs), 특히 Long Short-Term Memory (LSTM) 셀은 시계열 데이터(sequential data) 처리에 강점을 보이며, gate functions를 도입하여 장기 의존성(long-term dependencies) 문제를 해결했습니다 [13]. Graph Neural Networks (GNNs)는 비유클리드(non-Euclidean) 도메인에서 생성된 그래프 데이터의 복잡한 관계와 상호 의존성을 모델링하는 데 사용되며, recurrent GNNs, convolutional GNNs, graph autoencoders, spatial-temporal GNNs 등으로 분류됩니다 [3]. 이러한 다양한 아키텍처는 의료 데이터의 다면성(영상, 시계열 생체 신호, 환자 간 관계 네트워크 등)을 처리하는 데 필수적입니다.

[17]번 review는 deep learning이 medical image analysis에서 state-of-the-art가 된 이유를 계층적 특징 표현 학습 능력에 기인한다고 설명하며, image registration, anatomical/cellular structure detection, tissue segmentation, disease diagnosis/prognosis 등 다양한 응용 분야에서의 성공 사례를 나열합니다. [18]번 review는 CNN의 기본 개념과 radiology 적용, 그리고 small dataset과 overfitting이라는 도전 과제를 다루며, 이를 최소화하기 위한 기술들을 논의합니다. 이러한 방법론적 이해는 새로운 deep learning 모델을 개발하거나 기존 모델을 개선하는 데 필수적인 기초가 됩니다.

사용자 라이브러리의 논문들은 주로 특정 응용 분야(진단, 예측)에 초점을 맞추고 있어, [2], [3], [13], [14]번 review에서 다루는 이러한 근본적인 모델 아키텍처와 표현 학습 이론에 대한 명시적인 논의는 부족합니다. 예를 들어, Transformer [25의 참고 논문]나 GNN이 의료 데이터 분석에 어떻게 구체적으로 적용될 수 있는지에 대한 방법론적 심층 분석은 현재 라이브러리 내에서 gap으로 남아 있습니다. 또한, 다양한 아키텍처(CNN vs RNN vs GNN) 간의 성능 비교 및 선택 기준에 대한 체계적인 review는 추가적으로 필요할 수 있습니다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

면역 관문 억제제(Immune checkpoint inhibitors, ICIs)는 종양 미세환경(TME) 내 면역 반응을 재편함으로써 암 치료의 패러다임을 근본적으로 변화시켰습니다. PD-1/PD-L1 경로를 표적하는 항체들은 특히 삼중음성 유방암(triple-negative breast cancer, TNBC)과 같은 하위 유형에서 인상적인 항종양 활성과 지속적인 장기 질병 조절을 보여주었습니다 [1]. 이러한 치료의 성공은 단순히 종양 세포를 직접 공격하는 것이 아니라, 환자의 고유한 면역 시스템을 활성화하여 종양을 제거하는 'cancer immunoediting' 개념에 기반합니다. 즉, 면역계는 종양 성장을 억제하는 동시에, 면역competent host 내에서 생존할 수 있는 더 적합한 종양 세포를 선택하거나 종양 미세환경 내 조건을 조성하여 종양 진행을 촉진하는 이중적인 역할을 수행합니다 [8]. 따라서 ICIs의 임상적 효능은 TME 내 동적 면역 반응과 추가 경로의 조절에 대한 이해, 그리고 이를 통한 조합 요법(combo therapy) 개발에 달려 있습니다 [14].

그러나 이러한 강력한 항종양 효과는 심각한 면역 관련 부작용(irAEs)을 동반할 수 있으며, 이는 치료 관리의 핵심 과제가 됩니다. 특히 신장 독성은 초기에는 드물 것으로 여겨졌으나, 최근 연구에서는 발생률이 9.9%에서 29%까지 높게 나타날 수 있음을 시사합니다 [3]. CTLA-4 억제제(ipilimumab)는 급성 간질성 신염(AIN), 포도구병증(podocytopathy), 저나트륨혈증을 유발하며, 발현 시기는 치료 시작 후 2-3개월인 반면, PD-1 억제제(pembrolizumab, nivolumab)로 인한 신장 손상은 주로 AIN 형태로 나타나며 발생 시기가 더 늦은 3-10개월 경입니다 [3]. 이러한 차이는 각 약물의 작용 기전과 면역 반응의 시간적 역학에 기인하며, 스테로이드는 이러한 면역 관련 부작용 치료에 효과적입니다 [3]. 또한, 두경부 편평상피암(HNSCC)과 같은 특정 종양에서도 pembrolizumab과 nivolumab은 재발성 또는 전이성 질환의 FDA 승인 요법으로 자리 잡았으며, HPV 양성/음성 하위 유형에 따른 면역생물학적 차이를 고려한 표적 치료 전략이 모색되고 있습니다 [16].

사용자 라이브러리는 비소세포폐암(NSCLC)에서 방사체학(radiomics)과 다오믹스(multiomics)를 결합하여 TME를 해독하고 면역요법 결과를 예측하는 연구들을 이미 포괄하고 있습니다. 특히 PD-L1/PD-L2 발현이 종양 침윤 림프구(TILs)와 M2형 대식세포(M2 TAMs) 및 종양 분화와 연관된다는 점, 그리고 수술 전 pembrolizumab 치료 후의 면역 프로파일링에 대한 연구가 포함되어 있어, NSCLC 분야의 TME 기반 예측 biomarker 개발은 비교적 잘 정립되어 있습니다. 그러나 다른 종양 유형(예: 유방암, HNSCC)에서의 TME 특이적 면역 프로파일링과 irAEs 발생 위험을 사전에 예측하는 통합 모델에 대한 연구는 아직 라이브러리 내에 명시적으로 부족합니다.

종양 미세환경은 악성 세포와 그들이 유도하고 분산되어 있는 간질(stroma)로 구성된 상호 의존적인 구획입니다 [18]. 이 중 종양 관련 섬유아세포(Cancer-associated fibroblasts, CAFs)는 TME의 핵심 구성 요소로서, 기질 침착 및 재구성, 종양 세포와의 광범위한 상호 신호 전달, 그리고 침윤 백혈구와의 교신(crosstalk)을 통해 종양 진행에 중요한 역할을 합니다 [20]. CAFs의 기능은 이질적이며, 일부는 항종양성 기능을 유지할 수 있어 치료적 개입 시 이러한 이중성을 고려해야 합니다. 또한, 상피-간엽 이행(Epithelial-mesenchymal transition, EMT)은 조직 섬유증, 종양 침습성 및 전이에 관여하는 간엽 세포의 중요한 원천으로, 만성 염증 조직과 신생종에서 배아 발달 과정과 유사한 신호 전달 경로가 도용되어 세포 표현형의 가소성(plasticity)을 유도합니다 [5].

최근 'Cancer Hallmarks'의 새로운 차원에서는 비변이적 후성유전학적 재프로그래밍(nonmutational epigenetic reprogramming)과 다형성 미생물군(polymorphic microbiomes)이 hallmark capabilities를 획득하는 것을 촉진하는 독특한 활성화 특성(enabling characteristics)으로 제시되었습니다 [4]. 특히 노화 세포(senescent cells)는 종양 억제 기전으로서의 역할 외에도, 노화 관련 분비 표현형(Senescence-associated secretory phenotype, SASP)을 통해 섬유아세포를 프로인플라메토리(proinflammatory) 세포로 전환시켜 종양 진행을 촉진하는 '어두운 면'을 가지고 있습니다 [10]. 이러한 SASP는 TME 내 만성 염증 상태를 유지하고, 종양 미세환경의 재구성을 통해 전이와 치료 저항성을 강화합니다.

사용자 라이브러리는 NSCLC의 TME에서 PD-L1 발현과 M2 TAMs의 연관성에 초점을 맞추고 있으나, CAFs의 이질성이나 SASP와 같은 노화 관련 미세환경 변화에 대한 구체적인 분석은 포함되어 있지 않습니다. 또한, EMT 과정이 TME 내 기계적 힘(mechanical force)과 어떻게 상호작용하여 전이를 촉진하는지에 대한 생리학적 메커니즘에 대한 심층적인 논의는 현재 라이브러리 내에서 간과되고 있는 부분입니다.

종양 세포와 미세환경 구성 요소 간의 통신은 다양한 세포외 소포(Extracellular vesicles, EVs)를 통해 이루어집니다. 엑소좀(exosomes)과 미세소포(microvesicles)는 막 단백질, 지질, RNA 등을 운반하여 세포 간 신호 전달의 중요한 매개체 역할을 합니다 [6]. 이러한 EVs는 종양 미세환경의 재프로그래밍에 기여하며, 면역 감시를 회피하고 전이를 촉진하는 데 관여합니다. 또한, 최근 주목받는 'Cancer Glycocalyx'는 단순한 수동적 코팅이 아닌, 동적인 생리학적 및 면역학적 인터페이스입니다 [25]. 종양 세포의 glycocalyx 두께, 조성, 전하 및 나노스케일 조직은 종양 신호 전달, 세포외 기질 결합, 수용체 클러스터링, 그리고 면역 감시 회피에 영향을 미칩니다. 특히 hyaluronan-CD44 상호작용과 sialoglycan-Siglec 축은 TME 내 면역 억제 회로에서 중요한 역할을 하며, 이는 간세포암, 췌장암, 유방암 등에서 진단 및 예후 biomarker로서의 잠재력을 가지고 있습니다 [25].

미생물군(Microbiota) 또한 TME와 전신 면역 반응에 깊은 영향을 미칩니다. 장내 미생물과 숙주 면역계 간의 상호작용은 항상성 유지와 질병 발병에 결정적이며, 특정 환경 맥락에서 미생물-면역 상호작용의 불균형은 다양한 면역 매개 질환의 병인에 기여합니다 [19]. 예를 들어, 구강염증(Periodontitis)은 지속적인 미생물 dysbiosis와 전신 염증 신호를 통해 혈뇌장벽(BBB)을 손상시키고 뇌 내 미세아교세포(microglia)를 과민 반응 상태로 만들어 신경퇴행성 질환과 치매의 위험을 증가시킬 수 있습니다 [28]. 이는 TME가 국소적인 현상을 넘어 전신적인 면역 및 대사 네트워크와 어떻게 연결되는지를 보여주는 사례입니다.

사용자 라이브러리는 NSCLC의 TME 해독에 집중하고 있으나, EVs나 Glycocalyx와 같은 세포외 통신 매개체의 구체적인 역할, 그리고 미생물군(Microbiota)이 TME를 통해 종양 진행이나 면역요법 반응에 미치는 영향에 대한 내용은 현재 포함되어 있지 않습니다. 이는 TME의 다차원적 이해를 위해 향후 추가되어야 할 중요한 gap입니다.

종양 미세환경을 표적으로 하는 치료 전략은 국소적 파괴와 전신적 면역 조절의 조합으로 발전하고 있습니다. 광역학 요법(Photodynamic therapy, PDT)은 광감작제와 빛 조사로 직접적인 종양 세포 사멸, 미세혈관 손상 및 국소 염증 반응을 유도하여, 특히 초기 단계 종양에서 치료적 효과를 보이며 정상 조직 독성이 낮고 내성 메커니즘이 거의 없는 장점을 가집니다 [11]. 또한, 경동맥 화학색전술(TACE)과 면역 관문 억제제(ICIs)의 조합은 비절제 가능한 간세포암(uHCC) 환자에서 유의미한 임상적 이점을 보여줍니다. 네트워크 메타분석(NMA) 결과, TACE 단독 요법에 비해 TACE + ICI 기반 전략은 무진행 생존기간(PFS)을 현저히 개선(HR 0.69, 95% CI 0.63-0.77)하고 객관적 반응률(ORR)을 높였습니다(RR 1.41, 95% CI 1.34-1.49) [26]. 특히 atezolizumab + bevacizumab + TACE regimen이 PFS 측면에서 가장 높은 순위를 차지했으며, ALBI score 1인 환자군이 더 큰 PFS 이득을 얻는 것으로 나타났습니다 [26].

나노의학(Nanomedicine)은 TME의 물리적 및 화학적 장벽을 극복하기 위한 핵심 도구로 부상했습니다. 지질 나노입자(Lipid nanoparticles, LNPs)는 mRNA 기반 치료제(백신, 사이토카인 전달, CAR-T 전략 등)의 비바이러스성 전달체로서, mRNA를 보호하고 세포 내 전달을 향상시키며 TME를 개선하는 데 기여합니다 [31]. 또한, 나노효소(Nanozymes)는 TME 내 reactive oxygen species (ROS) 농도에 반응하여 과산화수소(H2O2)를 생성하거나 제거함으로써 화학동적 요법(Chemodynamic therapy)과 면역 조절을 동시에 수행할 수 있습니다 [30]. 이러한 나노캐리어의 생체분포와 혈류 체류 시간은 입자 크기, 표면 전하, PEGylation 등 물리적 특성에 크게 의존하며, 이는 TME 내 효과적인 약물 축적을 결정합니다 [24], [13].

사용자 라이브러리는 NSCLC에서의 면역요법 반응 예측에 초점을 맞추고 있으나, TACE와 같은 국소 요법과 면역요법의 조합 효과, 또는 나노기술을 활용한 TME 표적 전달 시스템에 대한 구체적인 연구는 포함되어 있지 않습니다. 특히 간세포암이나 다른 고형종에서 TME 특이적인 나노의학적 접근법이 어떻게 기존 표준 치료(Standard of Care)를 보완할 수 있는지에 대한 데이터는 현재 라이브러리 내에서 빈백 상태입니다.

면역요법의 성공은 모든 암 유형에서 균일하지 않으며, 종양 미세환경의 이질성과 저항 메커니즘이 주요 장벽으로 작용합니다. 예를 들어, 교모세포종(Glioblastoma, GBM)에서는 면역요법이 다른 종양만큼 혁명적인 성과를 거두지 못했습니다. 최근 수행된 네트워크 메타분석(NMA)에 따르면, 23건의 무작위 대조 시험(RCT)을 분석한 결과, 어떤 실험적 regimen도 표준 치료(SoC) 대비 전체 생존기간(OS)이나 무진행 생존기간(PFS)에서 통계적으로 유의미한 이점을 보이지 않았습니다 [32]. 이는 GBM의 독특한 TME(예: 강력한 면역 억제 환경, 혈뇌장벽 등)가 기존 면역요법의 효능을 제한함을 시사합니다.

또한, 세포 사멸 경로의 다양성도 치료 저항성과 관련이 있습니다. Ferroptosis는 철 의존성 비세포사멸(non-apoptotic) 세포 사멸 방식으로, TME 내 산화 스트레스와 밀접하게 연관되어 있습니다 [17]. NFE2L2 전사 인자는 항-ferroptosis 방어 기전을 상향 조절하며, 선택적 자가포식(selective autophagy)은 ferroptotic death를 촉진할 수 있습니다 [17]. 이러한 세포 사멸 경로의 조절 실패는 종양 세포가 TME의 스트레스에 적응하고 생존하는 데 기여합니다. 또한, Autophagy 기능 장애는 다양한 질병에서 병리적 특징으로 나타나며, 약리학적 조작을 통해 치료 표적으로 활용될 가능성이 있습니다 [2].

사용자 라이브러리는 NSCLC의 TME와 면역요법 반응 예측에 강점을 가지고 있으나, GBM과 같이 면역요법이 실패한 종양의 TME 특이적 저항 메커니즘, 또는 Ferroptosis/Autophagy와 같은 대체 세포 사멸 경로가 TME 내에서 어떻게 조절되어 치료 내성을 유발하는지에 대한 내용은 다루고 있지 않습니다. 이는 고형종 전반에 걸친 TME 기반 치료 전략의 한계를 이해하고 극복하기 위해 반드시 보충되어야 할 부분입니다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

ILD, 특히 Idiopathic Pulmonary Fibrosis (IPF)와 같은 진행성 섬유화 질환의 정확한 진단과 예후 예측은 임상 관리의 핵심이다. 전통적으로 폐기능검사(PFTs)는 필수적이었으나, ERS/ATS 기술 표준에 따르면 spirometry, lung volumes, gas transfer 측정값의 해석은 건강한 인구 기준(reference population)과의 비교와 함께 임상적 맥락에서 통합되어야 한다 [6]. 특히 6분 걷기 검사(6MWT), incremental shuttle walk test (ISWT), endurance shuttle walk test (ESWT)는 운동 능력을 평가하고 예후를 판단하는 데 널리 사용된다. 최근의 체계적 문헌 고찰에 따르면, 6MWD는 intra-class correlation coefficients가 0.82에서 0.99 사이로 높은 신뢰성을 보이며, peak work capacity(r=0.59-0.93) 및 physical activity(r=0.40-0.85)와 호흡기 기능(r=0.10-0.59)보다 더 강하게 상관관계가 있는 것으로 나타났다 [2, 18]. 또한 학습 효과(learning effect)가 존재하므로, 6MWT와 ISWT는 최소 두 번 시행하여 안정된 결과를 얻어야 한다는 것이 강조된다 [2, 18].

영상 진단과 함께 미세혈관 병변을 평가하는 Nailfold videocapillaroscopy (NVC)는 Systemic sclerosis-associated interstitial lung disease (SSc-ILD)의 진행을 예측하는 중요한 비침습적 도구로 부각되고 있다. 최근의 체계적 검토에 따르면, baseline capillary disorganization은 2년 동안 FVC와 DLCO의 더 큰 감소를 예측하며, late NVC pattern은 DLCO 감소 및 KL-6 증가와 연관되어 있어 SSc-ILD 환자의 폐 기능 악화를 조기에 식별하는 데 유용하다 [25]. 이는 단순한 진단을 넘어 질병 진행의 위험도를 정량화할 수 있는 바이오마커로서의 가능성을 시사한다.

또한, 상기도 병변과 하기도 질환의 연결고리를 이해하기 위해 Flexible nasolaryngoscopy (FNL)의 역할이 재조명되고 있다. FNL은 호흡곤란, 만성 기침, 객혈 등의 증상을 보이는 환자에서 upper/middle airway pathologies를 point-of-care로 평가할 수 있게 해주며, 이는 폐내과 의사들이 종합적인 기도 관리(integrated airway care)를 수행하는 데 필수적이다 [27]. 이러한 다각적인 접근은 ILD의 이질적인 임상 양상을 더 정밀하게 분류하고, 특히 RA-associated lung disease와 같이 비-ILD 호흡기 병변(airway and pleural disease)이 공존하는 경우에도 개별화된 치료 전략을 수립하는 데 기여한다 [26].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리에는 'Update of the international multidisciplinary classification of the interstitial pneumonias: an ERS/ATS statement'와 같은 분류 체계 관련 논문이 포함되어 있어 진단의 기초적인 틀은 갖추고 있다. 또한 'Risk factors and prognostic indicators for progressive fibrosing interstitial lung disease: a deep learning-based CT quantification approach'와 'Quantitative CT Imaging in Progressive Pulmonary Fibrosis'는 영상 기반의 정량적 분석에 대한 관심을 보여준다. 그러나 NVC(Nailfold videocapillaroscopy)를 활용한 SSc-ILD의 예후 예측 [25]나 FNL(Flexible nasolaryngoscopy)을 통한 상기도 평가 [27]와 같은 비전통적인 진단 도구에 대한 구체적인 임상 적용 가이드라인이나 연구 데이터는 아직 라이브러리에 명시적으로 포함되어 있지 않아, 다학제적 진단 프로토콜의 확장을 위한 추가 자료가 필요하다.

ILD의 병리생리학은 단순한 염증 반응을 넘어 복잡한 세포 간 상호작용과 유전적 요인이 얽힌 과정이다. IPF의 경우, 노화와 관련된 epithelial cells에서의 유전적 변화가 profibrotic pathways를 활성화시키는 것이 주요 기전으로 알려져 있다 [24]. 이러한 과정에서 fibroblasts와 extracellular matrix의 병리적 변화가 발생하며, 이는 결국 폐 조직의 비가역적인 섬유화로 이어진다. 최근 연구들은 Rho-associated protein kinase (ROCK) isoforms, 특히 ROCK1과 ROCK2가 cardiopulmonary 및 fibrotic disease의 발병에서 중심적인 조절자 역할을 한다는 것을 밝혀냈다 [30]. ROCK 신호 전달의 억제는 혈관 벽과 폐 실질의 dysregulated hyperproliferative, fibrotic, contractile cellular components에 강력한 영향을 미치며, pan-ROCK inhibitors가 ROCK2-selective agents보다 복잡한 cardiopulmonary 및 fibrotic diseases에서 더 유리할 수 있다는 주장이 제기되고 있다 [30].

또한, 장내 미생물과 숙주 간의 상호작용도 ILD의 전신적 염증 및 섬유화 과정에 영향을 줄 수 있다. Microbial tryptophan catabolites는 aryl hydrocarbon receptor (AHR)를 통해 면역 시스템을 활성화하고, intestinal epithelial barrier를 강화하며, anti-inflammatory 또는 anti-oxidative 효과를 발휘하여 systemic circulation에서의 homeostasis를 조절한다 [3]. 이러한 대사물질의 역할은 ILD와 같은 전신적 질환에서 장-폐 축(gut-lung axis)을 통한 새로운 치료 표적을 제시할 수 있다.

RA-associated lung disease의 경우, Pulmonary involvement가 RA 환자의 30-40%에서 발생하며, ILD 외에도 airway 및 pleural disease 등 다양한 호흡기 병변이 공존한다 [26]. 이러한 이질성으로 인해 단일 치료법으로는 모든 환자를 커버하기 어렵다. 따라서, inflammatory imaging pattern을 보이는 환자에게는 corticosteroids가 고려될 수 있으나, 장기 사용은 피해야 한다 [26]. Methotrexate (MTX)는 MTX-induced pneumonitis이 의심되지 않는 한 RA-ILD 환자에서 계속 사용할 수 있으며, immunomodulatory agents와 antifibrotics는 폐 기능을 안정화시키는 데 기여한다 [26]. 특히 usual interstitial pneumonia (UIP) 패턴이나 진행성 질환을 가진 환자들에게는 antifibrotics가 가장 강력한 trial-based 증거를 제공한다 [26].

사용자 라이브러리 현황 및 Gap: 라이브러리는 'Drug-induced interstitial lung disease'와 'Immune checkpoint inhibitor-related pneumonitis' 등 약물 유발성 ILD에 대한 논문을 포함하고 있어, 외부 요인에 의한 폐 손상 기전에 대한 이해가 어느 정도 구축되어 있다. 그러나 ROCK inhibitors [30]나 Microbial tryptophan catabolites [3]와 같은 새로운 분자적 표적 및 대사 경로에 대한 심층적인 분석은 부족하다. 특히 RA-ILD의 복잡한 병리생리학적 배경과 이에 따른 개별화된 약물 선택 전략 [26]에 대한 구체적인 메커니즘 연구는 라이브러리에 명시적으로 포함되어 있지 않아, 이 분야의 최신 치료적 접근을 보완할 필요가 있다.

ILD의 치료는 과거 지지적 요법에서 점차 질병 진행을 지연시키는 약물 치료로 전환되고 있다. IPF와 Progressive pulmonary fibrosis (PPF)의 표준 치료제는 Nintedanib과 Pirfenidone이지만, 내성 문제와 질환 진행을 완전히 멈추지 못하는 한계가 있다 [29]. 이러한 배경에서 Nerandomilast (Jascayd ® ; BI 1015550)이라는 새로운 PDE4B inhibitor가 주목받고 있다. Nerandomilast는 pro-fibrotic inflammation을 억제하는 것을 목표로 하며, Phase 3 시험인 FIBRONEER-IPF와 FIBRONEER-ILD에서 주요 endpoint를 달성했다 [29]. IPF 환자에서 nerandomilast 18 mg과 9 mg은 각각 52주 후 FVC 감소를 68.8 mL (p < 0.001)와 44.9 mL (p = 0.02)로 유의미하게 감소시켰다 [29]. PPF 환자에서도 18 mg과 9 mg 투여군에서 FVC 감소가 각각 67.2 mL와 81.1 mL로 감소하여 통계적 유의성(p < 0.001)을 보였다 [29]. 부작용으로는 설사가 가장 흔하며, 최대 6.1%의 환자에서 중단 원인이 되었으나, 우울증, 자살 충동, 약물 유발성 간 손상 또는 광감작 반응은 관찰되지 않았다 [29].

한편, 항암 치료 중 발생하는 Drug-induced ILD는 심각한 임상적 도전이다. 특히 HER2-positive metastatic breast cancer의 1차 치료제로 사용되는 Trastuzumab deruxtecan (T-DXd)는 강력한 항암 효과를 보이지만, ILD/pneumonitis가 가장 중요한 adverse event of special interest이며 치명적일 수 있다 [31]. T-DXd 관련 ILD의 발생률은 체계적 검토와 meta-analysis를 통해 평가되었으며, 초기 발현(early-onset) 사례에서는 호흡곤란, 기침, 발열, 저산소증(SpO₂ ≈88%) 및 CT 상 bilateral ground-glass opacities가 특징적으로 나타난다 [31]. 이러한 경우 T-DXd는 영구적으로 중단하고, prednisolone (≈1 mg/kg/day)과 보조적 산소 요법, 필요시 항생제(piperacillin–tazobactam)를 사용하여 임상적 안정화를 도모한다 [31].

RA-associated lung disease의 약물 치료 역시 개별화 전략이 요구된다. Biologic therapies는 RA의 전신 증상을 개선하지만, RA-associated lung disease에서의 사용은 제한된 고질량 데이터로 인해 신중해야 한다 [26]. Antifibrotics는 UIP 패턴이나 진행성 질환에서 가장 강력한 증거를 제공하며, immunomodulatory agents는 폐 기능 안정화에 기여할 수 있다 [26]. 그러나 corticosteroids의 장기 사용은 피해야 하며, MTX-induced pneumonitis이 의심되지 않는 한 MTX는 유지될 수 있다 [26].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 'Multidisciplinary clinical guidance on trastuzumab deruxtecan (T-DXd) – related interstitial lung disease/pneumonitis'와 'Drug-induced interstitial lung disease during cancer therapies expert opinion on diagnosis and treatment'를 포함하고 있어, T-DXd 및 기타 항암제 유발 ILD의 진단과 관리에 대한 기초적인 지식은 갖추고 있다. 또한 'Immune checkpoint inhibitor-related pneumonitis'도 포함되어 있어 면역관문억제제 관련 폐렴에 대한 이해가 있다. 그러나 Nerandomilast [29]와 같은 새로운 PDE4B inhibitor의 임상 시험 결과(FIBRONEER trials)나 ROCK inhibitors [30]와 같은 차세대 표적 치료제의 상세한 효능 및 안전성 데이터는 라이브러리에 명시적으로 포함되어 있지 않다. 이는 최신 항섬유화제 및 새로운 작용 기전을 가진 약물들의 임상 적용 가능성을 평가하는 데 필요한 정보가 부족함을 의미한다.

ILD, 특히 IPF의 전 세계적 부담은 지속적으로 증가하고 있다. 체계적 검토에 따르면, 2000년 이후 유럽과 북미에서의 IPF 발생률은 연 10만 명당 3-9명으로 추정되며, 이는 위암, 간암, 고환암, 자궁경부암 등의 발생률과 유사한 수준이다 [20]. 동아시아와 남미에서는 발생률이 낮았으나, 전반적으로 시간이 지남에 따라 발생률이 증가하는 추세를 보인다 [20]. IPF의 중위 생존 기간은 단 2-3년이며, 호흡 부전으로 인한 질환 진행이 가장 흔한 사망 원인이다 [8]. 그러나 일부 환자는 훨씬 더 오래 생존하며, 이는 질병의 이질성을 반영한다.

예후 예측은 여전히 임상적 도전 과제이다. 기존 연구는 IPF 환자의 개별 사망 위험을 신뢰할 수 있게 예측하는 모델을 개발하지 못했다 [8]. 그러나 최근에는 Nailfold videocapillaroscopy (NVC)와 같은 비침습적 도구를 통해 SSc-ILD의 진행을 예측하려는 시도가 이루어지고 있다 [25]. 또한, RA-associated lung disease 환자의 경우, comorbidity가 질병 경과에 중요한 영향을 미친다. RA 환자는 여러 공존 질환(comorbid disorders)을 발병할 위험이 높으며, 이러한 공존 질환은 비전형적인 특징을 보여 진단이 어려울 수 있고, 일반 인구보다 더 나쁜 결과를 초래한다 [22].

COVID-19 팬데믹 기간 중 ILD와 같은 만성 폐 질환이 severe and critically ill COVID-19의 위험 요인으로 확인되었다. 고령, 남성 성별, 고혈압, 당뇨, 비만, 만성 폐 질환 등 기저 질환은 질병의 중증도 진행에 기여하며, lymphopenia, eosinopenia, elevated LDH, procalcitonin, hs-CRP, IL-6, KL-6, ferritin 등의 실험실 지표는 질병 진행을 모니터링하는 데 사용된다 [12]. Cytokine storm과 광범위한 chest CT imaging patterns은 중증 질환의 지표로 작용한다 [12].

사용자 라이브러리 현황 및 Gap: 라이브러리는 'The Eighth Edition AJCC Cancer Staging Manual'과 같은 암 분류 및 예후 관련 논문을 포함하고 있으며, 이는 암 환자에서의 ILD 발생(예: T-DXd 유발)을 이해하는 데 간접적으로 도움이 될 수 있다. 또한 'Association of immune-related adverse events with durvalumab efficacy...'와 'Atezolizumab for First-Line Treatment...'는 면역치료제와 관련된 폐렴 및 그 예후에 대한 논문을 포함한다. 그러나 IPF의 전 세계적 역학 데이터 [20]나 SSc-ILD에서의 NVC 기반 예후 예측 [25], 그리고 COVID-19와의 교차 위험 요인 [12]에 대한 구체적인 분석은 라이브러리에 명시적으로 포함되어 있지 않다. 이는 ILD 환자의 장기적인 예후 관리 및 공존 질환(chronic comorbidities)이 질병 경과에 미치는 영향을 종합적으로 평가하는 데 필요한 데이터가 부족함을 시사한다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

최근 항암 치료의 패러다임이 표적치료와 면역항암제로 이동하면서, 약물 유발성 간질성 폐질환(Drug-induced ILD)은 임상적으로 매우 중요한 부작용으로 부각되고 있다. 특히 면역관문억제제(Immune Checkpoint Inhibitors, ICIs)인 anti-CTLA-4 및 anti-PD-1/PD-L1 제제는 흑색종 및 다양한 고형암에서 치료적 효능을 입증했지만, 그 대가로 면역관련 부작용(irAEs)의 발생 빈도가 증가하고 있다 [1]. 초기에는 희귀한 것으로 여겨졌으나, 최근 연구들은 신장 독성뿐만 아니라 폐독성의 발생률이 생각보다 높을 수 있음을 시사하며, 이에 대한 감시와 관리의 중요성을 강조한다 [1]. 사용자의 라이브러리에는 'Trastuzumab deruxtecan (T-DXd) 관련 ILD/폐렴에 대한 다학제 임상 지침' 및 'ICIs 관련 폐렴: 가이드라인에서 전선으로' 등의 논문이 이미 포함되어 있어, 특정 약물군(T-DXd, ICIs)에 대한 진단 및 관리 프로토콜에 대한 기초 지식이 확보되어 있는 상태이다.

ICIs 유발 폐독성의 병리생리학적 기전은 주로 T세포 매개된 염증 반응과 관련이 있으며, 이는 급성 간질성 신염(AIN)과 유사한 조직학적 양상을 보일 수 있다 [1]. CTLA-4 억제제(예: ipilimumab)와 PD-1 억제제(예: pembrolizumab, nivolumab)는 발현 시기와 임상 양상에서 차이를 보인다. CTLA-4 관련 신장 손상은 치료开始后 2-3개월 내에 조기에 발생하는 반면, PD-1 억제제 관련 손상은 3-10개월 후 늦게 나타나는 경향이 있다 [1]. 이러한 시간적 차이는 약물별 감시 기간을 설정하는 데 중요한 근거가 된다. 또한, ICIs는 이식 환자의 신장 거부 반응과도 연관되어 있어, 면역 조절의 복잡성을 보여준다 [1]. 사용자의 라이브러리에는 'Durvalumab 효능과 irAEs의 연관성' 및 'Atezolizumab의 NSCLC 1차 치료'에 대한 논문이 포함되어 있어, 특정 ICIs 제제의 효능과 부작용 간의 상관관계에 대한 임상 데이터가 이미 존재함을 알 수 있다.

치료 측면에서, 스테로이드는 ICIs 유발 면역관련 부작용을 치료하는 데 효과적임이 보고되었다 [1]. 그러나 약물 유발성 ILD의 진단은 종종 '임상적 난제(clinical conundrum)'로 간주되며, 방사선학적 소견과 임상 증상의 불일치로 인해 정확한 감별 진단이 어렵다. 사용자의 라이브러리에는 'Drug-induced interstitial lung disease: a narrative review of a clinical conundrum' 및 'Expert opinion on diagnosis and treatment'가 포함되어 있어, 일반적인 약물 유발성 ILD의 진단 알고리즘과 치료 전략에 대한 포괄적인 이해가 이미 구축되어 있다.

Gap 분석: 사용자의 라이브러리는 특정 항암제(T-DXd, ICIs)와 일반적인 Drug-induced ILD에 초점을 맞추고 있으나, [1]에서 언급된 '발현 시기(timing of onset)'에 따른 감시 프로토콜의 세분화나, PD-1 vs CTLA-4 억제제의 폐독성 병리생리학적 미세 차이(예: 특정 사이토카인 프로파일)에 대한 심층적인 비교 분석은 아직 부족할 수 있다. 또한, ICIs 유발 폐렴의 재발(recurrence) 또는 내성(resistance) 메커니즘에 대한 구체적인 데이터는 현재 라이브러리에서 명시적으로 다루어지지 않고 있다.

간질성 폐질환의 핵심 병리학적 특징인 폐섬유화는 세포 외 기질(ECM)의 과도한 축적과 조직 구조의 파괴를 수반한다. 이 과정에서 상피-간엽 이행(Epithelial-Mesenchymal Transition, EMT)은 중요한 역할을 한다 [2]. EMT는 배아 발생 및 장기 발달 동안 정상적으로 일어나는 과정이지만, 만성 염증이나 종양 미세환경(TME)에서 비정상적으로 활성화되어 섬유화 세포의 주요 원천이 된다 [2]. 이 과정은 TGF-beta1, angiotensin II, leptin 등의 섬유화성 사이토카인에 의해 조절되며, 이는 간 섬유화 연구에서도 유사하게 보고된 기전이다 [12]. 사용자의 라이브러리에는 'Cancer-induced systemic pre-conditioning of distant organs'가 포함되어 있어, 원격 장기의 미세환경 변화가 전이 및 잠재적으로 섬유화 과정에 영향을 미칠 수 있다는 시스템적 관점이 이미 고려되고 있다.

종양 미세환경(TME) 내의 암 관련 섬유아세포(Cancer-associated Fibroblasts, CAFs)는 ECM의 침착과 재구성, 그리고 종양 세포와의 상호 신호 전달을 통해 질병 진행을 촉진한다 [20]. CAFs는 이질적(heterogeneous)이며, 그 기원과 기능이 다양하여 치료 표적으로서의 접근이 복잡하다. 일부 CAFs는 항종양 기능을 유지해야 하므로, 단순히 모든 CAFs를 제거하는 전략은 바람직하지 않을 수 있다 [20]. 사용자의 라이브러리에는 'The Eighth Edition AJCC Cancer Staging Manual'이 포함되어 있어, 종양의 국소적 진행과 전이를 평가하는 표준화된 프레임워크가 존재하지만, TME 내 CAFs의 공간적 분포와 기능적 이질성이 ILD 진행에 미치는 구체적인 영향은 아직 깊이 있게 다루어지지 않은 것으로 보인다.

또한, 염증 반응은 NF-κB, MAPK, JAK-STAT 경로를 통해 다양한 장기의 조직 손상을 유발하며, 이는 폐섬유화의 초기 단계인 염증성 손상과 밀접하게 연관되어 있다 [8]. 산화 스트레스(Oxidative Stress) 역시 ROS(Reactive Oxygen Species)의 불균형으로 인해 세포 및 조직 손상을 초래하며, 이는 환경적 스트레스 요인(중금속, 오염물질 등)에 의해 악화될 수 있다 [10]. 사용자의 라이브러리에는 'Risk factors and prognostic indicators for progressive fibrosing ILD: a deep learning-based CT quantification approach'가 포함되어 있어, 섬유화 진행의 예측 인자를 영상 분석을 통해 정량화하려는 시도가 이미 이루어지고 있음을 알 수 있다.

Gap 분석: 사용자의 라이브러리는 임상적 진단과 치료 지침에 강점이 있으나, EMT와 CAFs의 분자적 조절 기전, 특히 TGF-beta 신호 전달 경로의 하위 요소들이 ILD 진행에서 어떻게 상호작용하는지에 대한 기초 병리생리학적인 심층 분석은 부족하다. 또한, [20]에서 제안된 'CAF 기능의 이질성'을 고려한 표적 치료 전략(예: 특정 CAF 서브셋만 억제)에 대한 임상 적용 가능성은 현재 라이브러리에서 명시적으로 다루어지지 않고 있다.

환경적 요인은 간질성 폐질환의 발병과 진행에 중요한 역할을 한다. 초미세먼지(Ultrafine Particles, NSPs; < 100 nm)와 같은 공기 중 나노입자는 호흡기를 통해 흡입되어 폐포 깊숙이 침투할 수 있으며, 이는 확산(diffusional mechanisms)을 통해 호흡기의 모든 영역에 효율적으로 침착된다 [3]. 이러한 나노입자의 작은 크기는 세포 내 섭취(cellular uptake)와 상피 및 내피 세포를 통한 전세포 이동(transcytosis)을 용이하게 하여, 혈액 및 림프 순환을 통해 골수, 비장, 심장 등 민감한 표적 부위에 도달할 수 있다 [3]. 사용자의 라이브러리에는 'Quantitative CT Imaging in Progressive Pulmonary Fibrosis'가 포함되어 있어, 환경적 노출로 인한 폐 구조의 미세 변화를 영상으로 정량화하는 기술적 기반이 마련되어 있다.

나노입자의 독성은 입자 크기(particle size)와 다분산 지수(Polydispersity Index, PDI)에 크게 의존한다 [14]. 나노캐리어 시스템의 임상적 적용에서 이러한 물리적 속성은 안전성, 안정성 및 효능을 결정하는 핵심 요소이다. 특히, 흡입된 나노입자는 폐에서 높은 국소 노출(local exposure)을 초래할 수 있으며, 이는 다른 장기에 비해 훨씬 심각한 독성을 유발할 수 있다 [22]. 사용자의 라이브러리에는 'Drug-induced ILD' 관련 논문들이 포함되어 있어, 약물 자체의 화학적 독성뿐만 아니라, 약물 전달 시스템(Drug delivery systems)에서 사용되는 나노입자 자체가 유발할 수 있는 폐독성에 대한 주의가 필요함을 시사한다.

중금속 오염도 환경적 위험 요인으로 작용한다. 알루미늄, 납, 카드뮴 등의 중금속은 산화 스트레스를 유발하여 자유 라디칼 형성을 촉진하고, 이는 세포 손상을 초래한다 [5]. 이러한 중금속은 체내에 축적되어 만성적인 독성을 나타내며, 호흡기 및 기타 장기의 기능 장애를 일으킬 수 있다 [17]. 사용자의 라이브러리에는 환경적 요인에 대한 직접적인 논문은 명시적으로 보이지 않으나, 'Drug-induced ILD'의 넓은 정의 내에 환경적 노출로 인한 폐손상이 포함될 수 있음을 고려할 때, 중금속 및 나노입자 독성에 대한 이해는 약물 유발성 ILD와의 감별 진단에서 중요한 맥락을 제공한다.

Gap 분석: 사용자의 라이브러리는 주로 약물 유발성 ILD와 임상적 관리에 초점을 맞추고 있으며, 환경적 요인(나노입자, 중금속)이 ILD 발병에 미치는 구체적인 기전과 역학적 연관성에 대한 내용은 거의 포함되어 있지 않다. 특히, [3]과 [14]에서 논의된 '입자 크기와 PDI가 폐 침착 및 독성에 미치는 영향'에 대한 정량적 데이터나, 환경적 노출과 약물 유발성 ILD의 상호작용(synergistic effect)에 대한 연구는 현재 라이브러리에서 비어 있는 부분이다.

간질성 폐질환의 정확한 진단과 진행 예측은 고해상도 CT(HRCT)와 같은 영상 기술의 발전에 크게 의존한다. 최근 딥러닝(Deep Learning), 특히 합성곱 신경망(CNN)은 의료 영상 분석에서 혁신적인 성과를 거두고 있다 [6]. CNN은 계층적 특징 표현(hierarchical feature representations)을 학습하여 해부학적 구조의 감지, 조직 분할(tissue segmentation), 질병 진단 및 예후 예측의 정확도를 크게 향상시켰다 [13]. 사용자의 라이브러리에는 'Risk factors and prognostic indicators for progressive fibrosing ILD: a deep learning-based CT quantification approach'가 포함되어 있어, AI 기반의 정량적 CT 분석이 이미 임상 연구에 적용되고 있음을 알 수 있다.

정량적 CT 영상(Quantitative CT Imaging)은 진행성 폐섬유화에서 임상적 유용성을 가지며, 의미 있는 임계값(meaningful threshold)을 정의하는 데 도움이 된다. 이는 단순한 시각적 평가보다 객관적이고 재현 가능한 데이터를 제공하여, 치료 반응 모니터링과 질병 진행 예측에 필수적이다. 사용자의 라이브러리에는 'Quantitative CT Imaging in Progressive Pulmonary Fibrosis: Clinical Usefulness and Meaningful Threshold Definition'이 포함되어 있어, 이 분야의 최신 기술 동향이 이미 반영되어 있다.

또한, Nailfold Videocapillaroscopy (NVC)는 전신 경화증 관련 간질성 폐질환(SSc-ILD)의 진행을 예측하는 비침습적 방법으로 주목받고 있다 [26]. NVC는 SSc 미세혈관병증을 평가하며, 기저 혈관 이상(baseline capillary disorganization)은 2년 후 FVC 및 DLCO 감소와 유의미하게 연관되어 있다 [26]. 특히 'late NVC pattern'은 DLCO 감소와 KL-6 수치 증가와 관련이 있어, 폐 기능 저하의 강력한 예측 인자로 작용한다 [26]. 사용자의 라이브러리에는 SSc-ILD에 대한 직접적인 논문은 명시적으로 보이지 않으나, 'Update of the international multidisciplinary classification of the interstitial pneumonias'가 포함되어 있어, 다양한 ILD 하위 유형에 대한 분류 체계는 이미 구축되어 있다.

Gap 분석: 사용자의 라이브러리는 AI 기반 CT 정량화와 일반적인 ILD 분류에 강점이 있으나, [26]에서 제시된 'NVC 패턴과 KL-6 수치의 연관성' 및 '미세혈관 평가가 SSc-ILD 진행 예측에 미치는 구체적인 영향'에 대한 내용은 아직 포함되지 않았다. 또한, CNN 모델의 하이퍼파라미터 선택 규칙이나 다양한 convolution 유형(1-D, 2-D, multi-dimensional)이 ILD 영상 분석에 어떻게 최적화될 수 있는지에 대한 기술적 심층 분석은 현재 라이브러리에서 부족하다.

간질성 폐질환의 치료는 근본적인 원인 제거와 염증 조절에 초점을 맞춘다. 염증은 NF-κB, MAPK, JAK-STAT 경로를 통해 활성화되며, 이는 조직 손상과 섬유화를 촉진한다 [8]. 산화 스트레스도 중요한 역할을 하며, 항산화제(비타민 E, 플라보노이드 등)는 잠재적인 치료 옵션으로 고려될 수 있다 [10]. 그러나 ICIs와 같은 면역항암제는 의도적으로 면역 반응을 활성화하므로, 그로 인한 폐독성(irAEs)은 스테로이드 등의 면역억제제로 관리해야 한다 [1].

종양 미세환경(TME)의 조절은 암 치료뿐만 아니라, 염증성 질환의 관리에도 중요한 통찰을 제공한다. TME 내의 myeloid-suppressive networks와 stromal barriers는 면역 억제 상태를 유지하며, 이는 ICIs의 내성(resistance) 메커니즘과 유사한 양상을 보일 수 있다 [30]. 사용자의 라이브러리에는 'Association of immune-related adverse events with durvalumab efficacy'가 포함되어 있어, irAEs와 치료 효능 간의 상관관계에 대한 임상 데이터가 이미 존재한다. 이는 ILD의 염증성 기전을 이해하는 데 중요한 맥락을 제공한다.

또한, 질병 내성(disease tolerance) 개념은 감염 및 조직 손상 상황에서 숙주가 병원체 부하를 직접 감소시키지 않고도 조직 손상을 제한하여 생존을 도모하는 전략을 의미한다 [29]. p16 고발현 면역 세포는 이러한 질병 내성을 조절하는 데 중요한 역할을 할 수 있으며, 이는 만성 염증성 질환(ILD 포함)의 관리에 새로운 치료적 기회를 제공할 수 있다. 사용자의 라이브러리에는 'Immune checkpoint inhibitor-related pneumonitis From guidelines to the front lines'가 포함되어 있어, 실제 임상 현장에서 irAEs를 관리하는 표준 프로토콜이 이미 확립되어 있음을 알 수 있다.

Gap 분석: 사용자의 라이브러리는 ICIs 관련 폐렴의 임상적 관리와 효능-부작용 상관관계에 강점이 있으나, [29]에서 논의된 '질병 내성(disease tolerance)' 및 'p16+ 면역 세포'의 역할과 같은 새로운 면역 조절 메커니즘은 아직 포함되지 않았다. 또한, TME 재구성(TME remodeling)을 통한 ILD 치료 전략(예: stromal barrier 분해)에 대한 구체적인 연구는 현재 라이브러리에서 비어 있는 부분이다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

소세포폐암(SCLC)은 전통적으로 화학요법에 대한 초기 반응률이 높으나, 재발 시 예후가 매우 나쁜 것으로 알려져 왔다. 최근에는 면역관문억제제(Immune Checkpoint Inhibitors, ICIs)의 도입으로 치료 패러다임이 변화하고 있다. PD-1/PD-L1 경로는 종양 미세환경(TME)에서 T 세포의 기능을 억제하는 주요 기전이며, 이를 표적으로 하는 항체들은 다양한 암종에서 생존 기간을 연장시켰다 [3, 6, 11]. 특히 SCLC에서는 높은 돌연변이 부담(Tumor Mutation Burden, TMB)이 ICB 치료 반응과 상관관계가 있는 것으로 보고된다. 연구에 따르면, 폐암을 포함한 여러 종양에서 TMB가 200개 이상의 비동종 소마틱 돌연변이를 가질 경우 ICB 치료의 이점이 일관되게 관찰되며, 이는 PD-L1 발현 수준과 독립적으로 작용할 수 있다 [1]. 또한, CTLA-4와 PD-1은 면역 반응의 서로 다른 단계(림프절 내 초기 활성화 vs 말초 조직 내 후기 억제)를 조절하므로, 이들의 조합 또는 단일 요법 선택은 기전적 차이에 기반해야 한다 [3].

SCLC 특이적인 표적 치료로는 DLL3(Delta-like ligand 3)을 타겟으로 하는 바이특이성 T 세포 엔게이저(bispecific T-cell engager, BiTE)인 Tarlatamab이 주목받고 있다. 실제 임상 데이터(Real-world evidence)에 따르면, 이전에 치료를 받은 SCLC 환자에서 Tarlatamab은 부분 반응률(Partial Response Rate)이 35.2%에서 66.7%까지 다양하게 보고되었으며, 중위 무진행 생존기간(Median PFS)은 1.7개월에서 4.9개월 사이였다 [32]. 특히 EGFR 돌연변이가 있는 NSCLC에서 변형된 SCLC(Transformed SCLC) 환자군은 반응률이 현저히 낮아(7.1%), 이 하위 군에서의 치료 전략 재고가 필요하다 [32]. 이러한 결과는 SCLC 내에서도 분자적 이질성(Heterogeneity)이 치료 반응에 결정적인 영향을 미침을 시사한다.

또한, PI3K/AKT/mTOR 신호 전달 경로는 세포 생존 및 증식을 조절하는 핵심 경로로, SCLC를 포함한 다양한 암에서 치료 저항성의 주요 원인으로 지목된다 [5, 14]. PI3K 억제제들은 단일 요법보다는 다른 항암제와의 병용 요법으로 연구되고 있으며, 이는 치료 저항성을 극복하기 위한 전략이다 [5]. 그러나 이러한 표적 치료의 성공은 정확한 바이오마커 선택에 달려 있다. 예를 들어, SCLC의 특정 분자 하위 집단은 아르기닌 대사 및 구아노신 뉴클레오타드 합성에 대한 취약성을 보일 수 있으며, 이는 대사체학(Metabolomics) 기반의 정밀 의학 접근이 필요함을 시사한다 [30].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 주로 NSCLC 중심의 ICI 치료(예: Durvalumab, Nivolumab)와 방사선치료 후 유지요법에 대한 연구가 풍부하다. 반면, SCLC 특이적인 신규 표적제인 Tarlatamab에 대한 실제 임상 데이터는 부족하며, SCLC에서의 TMB 또는 PI3K 경로 기반의 정밀 치료 전략에 대한 구체적인 논문이 현재 라이브러리에 포함되지 않았다.

종양 미세환경(TME)은 종양의 발생, 진행, 전이 및 치료 반응성을 결정하는 동적 시스템이다. TME는 섬유아세포, 면역 세포, 혈관 네트워크 및 세포외 기질(ECM) 등으로 구성되며, 이들은 종양 세포와 복잡한 상호작용을 통해 면역 회피를 촉진한다 [19]. 최근 연구들은 TME를 단순한 물리적 공간이 아닌, 저산소증(Hypoxia), 산성 환경, 대사 경쟁 등 다양한 '니치(Niche)'로 분류하여 분석하고 있다 [24]. 특히 SCLC와 같은 신경내분비 종양에서는 TME의 면역 억제적 특성이 두드러지며, 이는 치료 실패의 주요 원인이 된다.

대사체학(Metabolomics) 관점에서 보면, NAD+(Nicotinamide adenine dinucleotide)는 종양 세포의 적혈구 균형 및 DNA 수리와 동시에 면역 효과기 세포의 미토콘드리아 무결성을 조절하는 '대사적 면역관문(Metabolic Immune Checkpoint)'으로 작용한다 [29]. NAMPT(Nicotinamide phosphoribosyltransferase) 억제제와 같은 대사 표적 치료는 단일 요법으로는 실패했으나, PD-1/PD-L1 차단제와의 병용 요법에서는 면역 세포의 기능을 회복시키며 종양 세포를 공격하는 시너지 효과를 기대할 수 있다 [29]. 또한, SCLC의 특정 하위 유형은 아르기닌 대사 의존성을 보일 수 있어, ASS1(Argininosuccinate synthetate 1) 결손 환자에서의 아르기닌 박탈 요법과 같은 표적 접근이 유효할 수 있다는 증거가 제시되고 있다 [30].

TME 내의 면역 세포 침윤 패턴도 치료 반응 예측에 중요하다. 예를 들어, NSCLC에서 CD103+CD8+ 림프구의 침윤은 가성 진행(Pseudoprogression)과 관련이 있을 수 있으며, 이는 ICI 치료 초기의 영상학적 변화 해석에 주의가 필요함을 시사한다 [Library: CD103+CD8+ Lymphocytes...]. SCLC에서도 유사한 면역 세포 하위 집단의 분석이 필요하다. 또한, TME의 산성화 및 저산소 상태는 종양 세포의 생존을 돕고 면역 세포의 기능을 억제하므로, 이러한 미세환경을 교정하는 약물(예: 메트포르민, 스타틴 등의 Drug Repurposing)과의 병용 요법이 연구되고 있다 [24].

사용자 라이브러리 현황 및 Gap: 라이브러리는 NSCLC에서의 TME 관련 바이오마커(PD-L1 IHC, Radiomics)와 방사선치료 후의 면역 반응에 초점을 맞추고 있다. 그러나 SCLC 특이적인 TME 구성 요소(예: 신경내분비 세포와의 상호작용)나 NAD+/대사체학 기반의 면역-대사 조절 전략에 대한 구체적인 연구는 현재 라이브러리에 미비하다.

SCLC는 초기에는 화학요법에 민감하게 반응하지만, 거의 모든 환자가 재발 시 다제내성(Multidrug Resistance, MDR)을 develops 한다. MDR의 기전은 유전자 돌연변이, 에피제네틱 변화, 약물 배출 펌프(예: ABC transporters)의 과발현, 그리고 DNA 수리 능력의 증가 등 다양하다 [8]. 특히 SCLC에서는 TP53 및 RB1의 동시 손실이 흔하며, 이는 세포 사멸(Apoptosis) 경로의 비활성화를 초래하여 치료 저항성을 강화한다 [13]. Apoptosis 조절 인자(예: Bcl-2, p53)의 이상은 종양 세포가 화학요법 및 표적 요법에 대한 내성을 갖게 하는 핵심 기전이다 [13].

최근 연구는 약물 저항성을 단순한 유전적 변이가 아닌, 시간적 과정(Temporal Process)으로 재정의하고 있다. 치료 중 잔존 종양 세포들은 '적응적 버퍼링(Adaptive Buffering)' 상태를 거쳐 최종적으로 안정적인 저항성 상태로 전환된다 [28]. 이 과정에서 세포의 가소성(Cell Plasticity)과 미세환경의 지원이 중요한 역할을 한다. 따라서, 저항성이 고정되기 전의 '적응 단계'를 표적으로 하는 치료 전략이 필요하다. 예를 들어, PI3K/AKT/mTOR 경로의 억제제는 이러한 적응적 신호 전달을 차단하여 저항성을 지연시킬 수 있다 [5, 14].

또한, SCLC에서 NSCLC로 변형(Transformed)되는 경우, EGFR 돌연변이가 나타날 수 있으며, 이는 Osimertinib와 같은 제3세대 EGFR-TKI에 대한 민감도를 변화시킨다. 그러나 이러한 변형된 SCLC에서도 MET/HER2 증폭이나 RAS-MAPK 경로 활성화 등 다양한 저항성 기전이 관찰된다 [16]. 따라서, 재발 SCLC 환자에서는 반복적인 유전체 프로파일링(Genomic Profiling)을 통해 현재 우세한 저항성 경로를 식별하고, 이에 맞는 표적 요법 또는 병용 요법을 설계해야 한다.

사용자 라이브러리 현황 및 Gap: 라이브러리는 NSCLC에서의 Osimertinib 저항성 기전과 변형된 SCLC의 임상 결과에 대한 일부 연구(예: Genomic Profiling of Transformed SCLC)를 포함하고 있다. 그러나 SCLC 특이적인 다제내성(MDR)의 분자적 세부 기전, 특히 '적응적 버퍼링' 개념이나 TP53/RB1 손실과 관련된 세포 사멸 회피 경로에 대한 심층적인 분석은 부족하다.

SCLC의 정확한 진단과 치료 반응 예측을 위해서는 다양한 바이오마커와 영상학적 접근이 필요하다. TMB(Tumor Mutation Burden)는 ICB 치료 반응의 중요한 예측 인자로, 전장 엑솜 시퀀싱(WES)을 통해 200개 이상의 돌연변이를 가진 환자가 높은 이점을 보임이 확인되었다 [1]. 또한, PD-L1 발현 수준은 단일 요법에서의 반응 예측에 유용하지만, 조합 요법에서는 그 중요성이 상대적으로 감소할 수 있다 [1, 6].

영상의학(Radiomics) 및 딥러닝 기반의 비침습적 바이오마커 개발도 활발히 진행되고 있다. CT 기반의 딥러닝 모델은 폐암 환자의 신보조 화학면역요법에 대한 병리적 완전 반응(pCR)을 예측하는 데 유용할 수 있다 [Library: Non-invasive prediction...]. 또한, 방사선치료 후의 영상학적 변화는 치료 반응뿐만 아니라 면역 관련 부작용(예: 폐렴)의 위험도 평가에 활용될 수 있다 [Library: Chemo-Radio-Immunotherapy...]. SCLC의 경우, 종양의 중심부 위치(Central tumor)와 медиа스틴 전이의 연관성 등 해부학적 특징도 진단 및 치료 계획 수립에 중요하다 [Library: Which definition of a central tumour...].

miRNA(MicroRNA)는 혈액 내 안정적으로 존재하며, 높은 특이도와 민감도를 가진 잠재적 바이오마커로 주목받고 있다 [21]. 특히 저산소증 유도 miR-210은 종양 세포의 세포독성 T 세포에 대한 감수성을 조절하여 면역 회피와 관련이 있다 [Library: Hypoxia-inducible miR-210...]. 이러한 분자 바이오마커와 영상학적 특징을 통합한 다중 오믹스(Multi-omics) 데이터 분석은 SCLC의 하위 분류 및 개인별 치료 전략 수립에 필수적이다 [12, 30].

사용자 라이브러리 현황 및 Gap: 라이브러리는 NSCLC 중심의 Radiomics, PD-L1 IHC 비교 연구, 그리고 영상 기반 바이오마커 연구가 풍부하다. 그러나 SCLC 특이적인 miRNA 바이오마커나 TMB를 활용한 정밀 진단 전략에 대한 구체적인 연구는 현재 라이브러리에 포함되지 않았다.

전이(Metastasis)는 암 관련 사망의 주요 원인이며, SCLC는 초기 단계부터 높은 전이 경향을 보인다 [2]. 전이 과정은 종양 세포의 이동성, 가소성, 그리고 미세환경과의 상호작용에 의해 조절된다. 종양 세포는 혈관 및 림프관을 통해 이동하며, 새로운 장기에 정착하기 위해 주변 기질과 면역 세포를 재편성한다 [2].

SCLC의 전이는 신경내분비 특성과 밀접한 관련이 있다. SCLC 세포는 높은 증식 속도와 빠른 전이 능력을 가지며, 이는 TP53 및 RB1 유전자의 손실과 관련이 깊다. 이러한 분자적 특징은 SCLC가 다른 폐암 subtype과 구별되는 생물학적 행동을 보이게 한다. 또한, 전이성 병변의 치료는 국소 치료(수술/방사선)와 전신 치료(화학요법/면역요법)의 조합을 필요로 한다.

최근 연구들은 전이 과정에서의 분자적 신호 전달 경로(예: PI3K/AKT/mTOR, Angiogenic pathways)를 표적으로 하는 새로운 치료 전략을 모색하고 있다 [5, 15]. 혈관생성 억제제(Anti-angiogenic agents)는 종양의 성장과 전이를 억제할 수 있지만, 내성 발생 및 부작용으로 인해 그 효능이 제한적이다 [15]. 따라서, SCLC의 전이를 효과적으로 통제하기 위해서는 종양 세포 자체뿐만 아니라 미세환경(혈관, 면역 세포)을 동시에 표적하는 다각적인 접근이 필요하다.

사용자 라이브러리 현황 및 Gap: 라이브러리는 주로 NSCLC의 국소 치료 및 전신 치료 결과에 초점을 맞추고 있으며, SCLC 특이적인 전이 기전(Metastasis biology)이나 혈관생성 억제제와의 병용 요법에 대한 심층적인 연구는 부족하다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

Radiomics의 가장 근본적인 목적은 의료 영상을 단순한 시각적 정보를 넘어, 조직의 이질성(heterogeneity), 형태(shape), 그리고 신호 강도의 공간적 분포를 정량적으로 추출하는 것입니다. 이러한 과정은 이미지 획득 및 재구성, 세그멘테이션(segmentation), 특징 추출(feature extraction), 그리고 차원 축소(dimensionality reduction)로 이어지는 표준화된 워크플로우를 따릅니다 [10, 13, 22]. 특히 U-Net과 같은 딥러닝 기반의 자동 세그멘테이션 기술은 종양 경계 delineation의 정확도를 크게 향상시켜, 이후의 radiomic feature 추출 신뢰도를 높이는 핵심 단계가 되었습니다 [15]. 그러나 이 과정에서는 이미지 획득 파라미터(예: CT slice thickness, MRI sequence)의 미세한 변화가 추출된 특징값에 민감하게 반응할 수 있어, 표준화되지 않은 데이터셋에서의 재현성(reproducibility) 문제가 지속적으로 제기되어 왔습니다 [10, 22].

딥러닝, 특히 Convolutional Neural Networks (CNN)는 이러한 정량적 분석을 넘어 영상 자체의 패턴 인식을 통해 진단 정확도를 혁신적으로 높이고 있습니다. CNN은 convolution layers와 pooling layers를 통해 공간적 계층 구조(spatial hierarchies of features)를 자동으로 학습하며, 이는 전통적인 hand-crafted radiomic features와 대비되는 데이터 기반 접근법입니다 [2]. 최근 메타분석 연구에 따르면, 딥러닝 알고리즘의 진단 정확도는 분야에 따라 AUC 0.864~1.00 사이로 보고되었으며, 특히 안과(당뇨망막병증 등)와 호흡기 영상(폐결절/폐암)에서 높은 성능을 보였습니다 [24]. 또한 위암(Gastric Cancer) 및 조기 위암(Early Gastric Cancer) 검출에 있어 다중모달 딥러닝(Multimodal DL) 모델이 SROC AUC 0.98로 가장 높은 진단 오즈비(DOR 166.02)를 기록한 반면, 전통적 머신러닝은 조기 위암에서 상대적으로 더 나은 점수를 보였다는 흥미로운 결과가 나왔습니다 [29]. 이는 질병의 단계와 영상 모달리티에 따라 최적의 알고리즘 아키텍처가 다를 수 있음을 시사합니다.

그러나 이러한 높은 진단 성능 뒤에는 방법론적 편향(methodological bias)과 과대평가(overestimation)의 위험이 존재합니다. COVID-19 예측 모델에 대한 체계적 검토에서 731개 모델 중 67%가 표본 크기 부족으로 인해 높은 편향 위험(high risk of bias)을 보였으며, 이는 radiomics 연구 전반에도 적용되는 경고입니다 [6]. 또한, 전이 학습(Transfer Learning)의 경우 Inception과 같은 백본(backbone) 모델이 널리 사용되지만, feature extractor와 fine-tuning 전략의 선택이 임의적으로 이루어지는 경우가 많아 결과의 일관성이 떨어질 수 있습니다 [20]. 따라서 진단 정확도를 평가할 때는 QUADAS-2나 PROBAST + AI와 같은 엄격한 도구로 편향 위험을 평가하고, 외부 코호트에서의 검증(external validation)이 필수적입니다 [28, 30].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 이미 "Radiomics: the bridge between medical imaging and personalized medicine" 및 "Computational Radiomics System to Decode the Radiographic Phenotype"과 같이 radiomics의 기본 개념과 워크플로우를 다루고 있습니다. 그러나 최근 강조되는 Explainable AI (XAI) [11]와 Delta-radiomics (치료 전후 변화 분석) [27, 사용자 라이브러리 참조]에 대한 구체적인 메타분석 데이터나 XAI 프레임워크 적용 사례는 아직 부족합니다. 특히 진단 모델의 '블랙박스' 문제를 해결하기 위한 해석 가능성(interpretability) 연구가 추가될 필요가 있습니다.

Radiomics의 진정한 가치는 영상 특징이 단순한 해부학적 구조를 넘어, 종양의 미세환경(tumor microenvironment, TME), 혈관생성(angiogenesis), 그리고 분자생물학적 하위 유형(subtypes)을 비침습적으로 반영할 수 있다는 점에 있습니다. 이를 'Radiogenomics'라고 하며, 영상 표현형(radiographic phenotype)으로부터 유전자 변이(genotype)나 생물학적 경로를 추론하는 것을 목표로 합니다 [9, 17]. 예를 들어, 성인 교종(adult gliomas)에서 MRI habitat analysis를 통해 IDH (Isocitrate dehydrogenase) 상태를 예측하는 연구는 pooled sensitivity 0.78, specificity 0.85, SROC AUC 0.89로 유의미한 진단 성능을 보였습니다 [30]. 이는 전체 종양 평균값보다 공간적 이질성을 포착하는 habitat 분석이 유전체 상태와 더 밀접하게 연관될 수 있음을 시사합니다.

비소세포폐암(NSCLC) 분야에서는 radiomics가 EGFR 돌연변이 상태나 PD-L1 발현 수준을 예측하는 데 활발히 활용되고 있습니다. 사용자 라이브러리의 "Predicting EGFR mutation status in lung adenocarcinoma..." 및 "Imaging-Based Biomarkers Predict Programmed Death-Ligand 1..." 논문들은 이미 이러한 상관관계를 입증하고 있습니다. 최근 연구에서는 radiomic features가 종양 내 면역 세포 침윤(infiltration)이나 염증성 사이토카인 프로파일과도 연관되어 있음을 보여주며, 이는 영상 데이터가 단순한 구조적 정보를 넘어 기능적 및 생물학적 정보를 포함함을 의미합니다 [31]. 특히 전이성 난소암이나 자궁내막암(Endometrial Cancer)에서도 MRI와 혈청 바이오마커(CA125, HE4)를 결합했을 때 림프절 전이(LNM) 진단의 pooled sensitivity가 0.94로 크게 향상되었는데 [32], 이는 radiomics가 기존 임상/혈액 지표와의 시너지를 통해 진단 정확도를 극대화할 수 있음을 보여줍니다.

하지만 이러한 생물학적 상관관계의 해석에는 주의가 필요합니다. 많은 radiomic features는 특정 생물학적 경로에 대한 직접적인 측정치가 아니라, 통계적 연관성(statistical association)에 불과할 수 있습니다 [31]. 예를 들어, 전정신경종(Vestibular Schwannoma) 연구에서는 NF2 신호 전달이나 혈관생성과의 연관성이 제안되었으나, 아직 많은 영상 특징의 생물학적 특이성(biological specificity)은 입증되지 않았습니다 [31]. 따라서 radiomics 모델이 임상적으로 유용하려면, 단순한 통계적 예측을 넘어 실제 종양 미세환경(TME)의 변화를 반영하는지 검증해야 하며, 이는 다중오믹스(multi-omics) 데이터와의 통합 분석을 통해 가능해집니다.

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 "Unraveling the tumor-microenvironment through a radiogenomic-based multiomic approach..."와 "Deciphering the tumor microenvironment through radiomics in non-small cell lung cancer" 등 radiogenomics와 TME 분석에 대한 강력한 기반을 가지고 있습니다. 그러나 MRI Habitat Analysis [30]나 Delta-radiomics를 통한 종양 이질성(intra-tumor heterogeneity)의 동적 변화 추적에 대한 구체적인 메타분석 결과는 아직 포함되지 않았습니다. 특히 치료 반응 예측을 위한 '변화량'을 정량화하는 delta-radiomics의 임상적 유효성에 대한 추가 문헌이 필요합니다.

Radiomics의 가장 유망한 임상 적용 분야 중 하나는 치료 전 또는 치료 초기 단계에서 환자의 치료 반응을 비침습적으로 예측하여 개인화된 치료(personalized medicine)를 가능하게 하는 것입니다 [8, 10]. 이는 특히 면역치료(immunotherapy)와 표적치료(targeted therapy)가 주류가 된 현대 종양학에서 중요한 의미를 가집니다. 예를 들어, NSCLC 환자에서 방사선학적 특징과 혈액학적 지표를 결합한 delta-radiomics 모델은 neoadjuvant immunochemotherapy 후 병리적 완전 반응(pCR)을 예측하는 데 효과적이었습니다 [27, 사용자 라이브러리 참조]. 또한, "Predicting response to immunotherapy in advanced non-small-cell lung cancer using tumor mutational burden radiomic biomarker"와 같은 연구는 영상 특징이 종양 돌연변이 부하(TMB)나 면역 반응성과 상관관계가 있음을 보여줍니다.

국소 치료(local therapy) 분야에서도 radiomics의 역할이 확대되고 있습니다. 직장암(Rectal Cancer) 환자에서 Transarterial Chemoembolization (TACE) 또는 Chemo-immunoembolization (TRACE)를 적용할 때, radiomics는 pCR률(10%~44.74%)을 예측하고 치료 저항성(resistance)을 가진 환자를 식별하는 데 도움을 줄 수 있습니다 [27]. 특히 mismatch repair-proficient LARC 환자에서 intra-arterial tislelizumab plus TACE의 높은 pCR률은 radiomics 기반 환자 선별이 중요함을 시사합니다. 또한, 크론병(Crohn’s Disease)과 같은 자가면역 질환에서도 생물학적 치료(biologic therapy) 반응 예측 모델의 pooled AUC가 0.82로 보고되었으나, 이는 다양한 임상 및 영상 예측 인자를 포함하는 복잡한 모델임을 의미합니다 [26].

그러나 치료 반응 예측 모델은 높은 이질성(heterogeneity)과 검증 부족이라는 한계를 안고 있습니다. COVID-19 예후 모델 연구에서 드러났듯, 많은 모델이 내부 교차검증(internal cross-validation)에만 의존하고 외부 검증(external validation)이 부실한 경우가 많습니다 [6]. 또한, Crohn's disease 예측 모델의 경우 I² = 88.3%로 매우 높은 이질성을 보였으며, 이는 예측 인자의 선택과 연구 설계의 다양성에서 기인합니다 [26]. 따라서 radiomics 기반 치료 반응 예측이 임상 실무에 통합되려면, 다기관(multi-institutional) 코호트에서의 엄격한 검증과 표준화된 보고 가이드라인(예: Radiomics Quality Score 2.0)의 적용이 선행되어야 합니다 [17, 사용자 라이브러리 참조].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 NSCLC의 면역치료 반응 예측과 EGFR 억제제 반응 예측에 대한 논문들을 풍부하게 보유하고 있습니다 ("Non-invasive prediction for pathologic complete response...", "Combining radiomic phenotypes..."). 그러나 다른 종양 종류(예: 직장암, 갑상선암)나 자가면역 질환(Crohn's disease)에서의 치료 반응 예측에 대한 radiomics 적용 사례는 상대적으로 부족합니다. 특히 [27]과 [26]에서 제시된 TACE/TRACE 및 생물학적 치료 반응 예측 모델의 메타분석 결과는 라이브러리에 추가될 가치가 있습니다.

Radiomics이 임상 현장에 성공적으로 도입되기 위해서는 단일 영상 데이터를 넘어 전자건강기록(EHR), 유전체 데이터, 그리고 다른 영상 모달리티와의 융합(fusion)이 필수적입니다. Deep learning을 활용한 의료 영상과 EHR의 융합 연구는, 픽셀 기반 모델만으로는 설명되지 않는 임상적 맥락(clinical context)을 포함함으로써 진단 정확도와 의사결정 능력을 향상시킬 수 있음을 보여줍니다 [23]. 예를 들어, 환자의 과거력, 실험실 데이터, 그리고 영상 특징을 결합한 다중모달(multimodal) 접근법은 단일 모달리티보다 더 강건한(robust) 예측 모델을 구축할 수 있습니다.

기술적 측면에서, 데이터의 부족과 편향(bias)은 radiomics 연구의 주요 장벽입니다. Transfer learning은 소규모 데이터셋 문제(data scarcity)를 해결하는 데 효과적이지만, 모델 선택과 fine-tuning 전략이 일관되지 않아 결과 비교가 어렵습니다 [20]. 또한, Federated Learning (FL)은 데이터 사일로(data silos)와 개인정보 보호 문제를 해결하면서도 다기관 데이터를 활용한 모델 학습을 가능하게 하는 미래 지향적인 기술로 주목받고 있습니다 [3]. FL을 통해 각 병원의 데이터는 로컬에서 처리되고, 오직 모델 파라미터만 공유되므로, 대규모 다기관 연구의 윤리적·법적 장벽을 낮출 수 있습니다.

마지막으로, AI 및 Radiomics 모델의 임상 배포(deployment)에는 Explainable AI (XAI)와 표준화가 요구됩니다. 의료 영상 분석에서 딥러닝 모델의 '블랙박스' 특성은 의사들의 신뢰를 저해하므로, XAI 기법을 통해 모델이 어떤 영상 영역에 주목하여 판단했는지 시각화하는 것이 중요합니다 [11]. 또한, Radiomics Quality Score (RQS) 2.0과 같은 평가 도구는 연구의 방법론적 질을 평가하고, 임상 번역(clinical translation)을 위한 준비 수준(readiness levels)을 정의하는 데 필수적입니다 [17, 사용자 라이브러리 참조]. IBM Watson과 같은 초기 AI 시스템이 겪었던 실패 사례들은, 기술적 성능뿐만 아니라 워크플로우 통합(workflow integration), 윤리적 고려사항(ethics), 그리고 편향 완화(bias mitigation)가 임상 성공의 핵심임을 상기시킵니다 [1, 5, 19].

사용자 라이브러리 현황 및 Gap: 사용자의 라이브러리는 "Radiomics Quality Score 2.0"과 같은 방법론적 표준화 논문을 포함하고 있어, 연구의 질 관리 측면에서 강점을 가지고 있습니다. 그러나 Federated Learning [3]이나 EHR-Imaging Fusion [23]에 대한 구체적인 기술적 리뷰나 적용 사례는 아직 명시적으로 포함되어 있지 않습니다. 또한, AI 모델의 임상 통합을 위한 Clinical Decision Support Systems (CDSS) [5]와의 연계성, 그리고 Explainable AI (XAI) [11]에 대한 심층적인 논의가 추가된다면, radiomics의 실제 임상 적용 가능성에 대한 이해를 한층 높일 수 있을 것입니다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.

장내 미생물군집(Gut microbiota)과 숙주 면역계 간의 상호작용은 단순한 공생 관계를 넘어, 전신적인 건강과 질병 발병의 핵심 조절자로 작용한다. ISAPP(International Scientific Association for Probiotics and Prebiotics)의 합의문에서 정의된 prebiotic은 선택적으로 이용되어 건강에 이점을 주는 기질로, 그 범위가 탄수화물뿐만 아니라 비장기적 적용 및 동물 모델까지 확장되고 있다 [1]. 이러한 미생물-면역 교차점(Microbiome-immunity crosstalk)은 선천성 및 적응성 면역계의 발달과 항상성 유지에 결정적인 역할을 하며, 유전적으로 취약한 숙주에서 환경적 맥락 하의 불균형은 다양한 면역 매개 질환의 병인론을 설명한다 [2]. 특히 염증성 장질환(Inflammatory bowel diseases, IBD)과 같은 복잡한 질환에서는 Integrative Human Microbiome Project(iHMP)와 같은 대규모 코호트 연구를 통해, 질병 활성기 동안 facultative anaerobes의 증가와 obligate anaerobes의 감소, 그리고 acylcarnitines, bile acids, short-chain fatty acids 등의 대사체 풀(metabolite pools)의 분자적 교란이 통합적으로 관찰되었다 [3]. 이는 장내 미생물의 기능적 dysbiosis가 단순한 종 구성 변화가 아니라, 전사(transcription), 대사(metabolism), 그리고 숙주 항체 반응까지 포함하는 다층적인 네트워크 붕괴임을 시사한다.

이러한 장-뇌-미생물 축(Brain-Gut-Microbiome axis)은 신경, 내분비, 면역 신호 전달 경로를 통해 양방향으로 소통하며, 과민성 대장증후군(IBS), 비만, 그리고 정신신경학적 장애의 병리생리학에 관여한다 [17]. 주요 우울장애(Major depressive disorder, MDD)의 경우, 신경전달물질 가설, HPA 축 가설, 사이토카인 가설 등 단일 기전으로는 설명되지 않는 복잡성을 보이며, 최근에는 다기관 상호작용 및 multi-omics 접근을 통해 새로운 치료 표적과 다중 표적 조절 전략이 모색되고 있다 [18]. 또한, 신체 활동(Physical activity)은 운동 면역학(Exercise immunology)의 관점에서 급성 및 만성적인 면역 반응에 영향을 미치며, 질량 분석법(Mass spectrometry) 기반의 metabolomics, proteomics, lipidomics 기술의 발전으로 운동, 영양, 면역 기능 간의 상호작용을 개인화된 수준에서 이해하는 것이 가능해지고 있다 [13]. 이는 환경 요인(식습관, 약물 치료 등)이 미생물 군집 구성에 미치는 영향을 고려할 때, 단순한 상관관계가 아닌 인과적 메커니즘을 규명하기 위한 시스템 생물학적 접근의 중요성을 강조한다 [14].

사용자 라이브러리에는 현재 이 분야 관련 논문이 등록되어 있지 않다. 따라서 장내 미생물과 면역계, 신경계 간의 다층적인 상호작용을 규명한 iHMP 데이터베이스 기반 연구나, 운동-면역-대사 네트워크를 분석한 최신 multi-omics 연구들을 우선적으로 수집하여 라이브러리의 기초를 마련할 필요가 있다.

종양 미세환경(Tumor microenvironment, TME)의 이질성과 동적 재구성은 암 치료, 특히 면역요법(Immunotherapy)의 내성 및 재발의 주요 원인으로 지목된다. 최근 single-cell RNA sequencing (scRNA-seq) 및 spatial multi-omics 기술의 발전은 세포 수준의 분자 프로파일링을 가능하게 하여, TME 내 저항성 축(resistance axes)의 공간적·시간적 이질성을 정밀하게 해명하고 있다 [16, 24]. 이러한 고해상도 분석은 TME 매개 면역요법 실패가 단일 기전이 아닌, 종양 세포 고유 모듈(tumor-cell-intrinsic module), 골수 억제 네트워크(myeloid-suppressive networks), 그리고 간질 장벽(stromal barriers)이라는 세 가지 상호 연결된 억제 모듈의 역동적 상호작용에서 비롯됨을 보여준다 [27]. 이러한 모듈들의 상대적 우세는 공간적 니치(spatial niches), 전이 부위, 질병 단계 및 치료 단계에 따라 달라지며, 이는 정적인 biomarker 접근법으로는 설명할 수 없는 복잡한 저항 메커니즘을 드러낸다.

특히 식도 편평상피암(Esophageal squamous cell carcinoma)과 같은 고형암에서 면역관문억제제(Immune checkpoint inhibitors)의 도입 시점(initiation timing)은 치료 효능에 결정적인 영향을 미친다. HCHTOG1906 trial과 같은 연구는 neoadjuvant 설정에서 toripalimab의 투여 시점이 병리학적 반응이나 생존율에 유의한 차이를 보이지 않을 수 있음을 시사하며, 이는 약물 동력학(pharmacodynamics)과 생물학적 회복 기간을 고려한 정교한 임상 시험 설계의 필요성을 강조한다 [26]. 또한, NOTCH 신호 전달 경로와 같은 고전적인 발암 경로는 문맥(context)에 따라 종양 발생을 촉진하거나 억제하는 양면성을 보이며, 이는 NOTCH 돌연변이가 면역관문억제요법에 대한 예측 biomarker로 작용할 수 있음을 시사한다 [22]. 이러한 복잡성은 NF-κB 신호 전달 경로가 염증, 면역 조절, 그리고 TME에서 PI3K/AKT, MAPK, JAK-STAT 등 다양한 경로와 상호작용하며 종양 미세환경을 형성하는 방식에서도 동일하게 관찰된다 [6].

사용자 라이브러리에는 현재 이 분야 관련 논문이 등록되어 있지 않다. scRNA-seq 및 spatial multi-omics를 활용한 TME 분석 연구, 특히 면역요법 내성 기전을 규명한 최신 리뷰들을 추가함으로써, 정밀 종양학(Precision oncology) 관점에서의 치료 전략 수립에 필요한 데이터 기반을 구축해야 한다.

Multi-omics 데이터의 통합(Integration)은 단일 omics 레이어의 한계를 극복하고 질병의 근본적인 정보 흐름(flow of information)을 이해하는 데 필수적이다 [4]. 고처리량 기술(High-throughput technologies)의 발전으로 생성된 방대한 genomic, epigenomic, proteomic, metabolomic 데이터를 효과적으로 해석하기 위해서는 Support Vector Machine (SVM)과 같은 기계학습 알고리즘이 널리 활용되고 있다 [11]. SVM은 cancer genomic classification 및 subtyping에서 강력한 분류 도구로 작용하며, 새로운 biomarker 발견, 약물 표적 식별, 그리고 driver genes의 이해를 돕는다. 또한, Mendelian Randomization (MR) 연구는 관찰 역학 연구에서 인과관계를 평가하는 전략으로, 유전자의 고정된 특성을 활용하여 reverse causation 및 confounding을 최소화한다 [23]. MR은 특히 대규모 genomic database와 결합될 때, 복잡한 biological/omics 네트워크에서의 인과적 관계를 규명하고 약물 개발을 안내하는 데 유용하다.

대사체학(Metabolomics) 분야에서는 Mass spectrometry-based metabolomics의 표준화 및 보고 지침이 중요한 이슈로 대두되고 있다. 시료 준비, 정량화, ion suppression, peak misidentification 등의 기술적 난제를 해결하기 위한 best practices가 제시되었으며, 이는 데이터의 재현성과 신뢰성을 높이는 데 기여한다 [21]. 이러한 방법론적 진보는 GWAS(Genome-wide association studies) 결과의 기능적 추론(functional inferences) 및 임상 위험 예측(clinical risk predictions)과 결합될 때, 질병의 유전적 구조(genetic architecture)를 더 깊이 있게 이해하는 데 도움이 된다 [7]. 특히, breast cancer와 같이 이질성이 높은 질환에서는 AI 기반 기술과 multi-omics 데이터의 통합이 진단 정확도를 향상시키고, 개인화된 치료 모델(personalized medicine)로의 전환을 가속화하고 있다 [20].

사용자 라이브러리에는 현재 이 분야 관련 논문이 등록되어 있지 않다. Multi-omics 데이터 통합 알고리즘, MR 연구 방법론, 그리고 metabolomics 표준화 가이드라인에 관한 문헌들을 수집하여, 데이터 분석 및 biomarker 발견의 방법론적 토대를 강화할 필요가 있다.

노화(Aging)는 전신적인 만성 염증(Systemic chronic inflammation), 세포 노화(Cellular senescence), 면역 노화(Immunosenescence)를 동반하며, 이는 다양한 연령 관련 질환의 발병 기저에 있다 [12]. 이러한 'inflammaging' 현상은 SASP(Senescence-associated secretory phenotype)를 분비하는 노화 세포와 만성 염증 사이에서 악순환을 형성하며, 골수, 간, 폐 등의 장기 손상을 초래한다. 최근 연구들은 epigenetic regulation (DNA methylation, histone modifications, non-coding RNAs)이 complement system의 발현과 조절에 영향을 미치며, 이는 연령 관련 만성 염증 및 조직 항상성 유지에 중요한 역할을 함을 보여준다 [29]. 특히 중추신경계(CNS)에서 complement 매개 시냅스 재구성(synaptic remodeling)은 생리적 회로 정제에 기여하지만, 병리적 조건에서는 과도하게 활성화되어 알츠하이머병(Alzheimer's disease), 연령 관련 황반 변성(Age-related macular degeneration), 동맥경화증(Atherosclerosis) 등의 질환을 유발할 수 있다.

근육 노화와 sarcopenia의 경우, 15-hydroxyprostaglandin dehydrogenase (15-PGDH)라는 'gerozyme'이 PGE2(Prostaglandin E2)의 분해를 촉진하여 근육 재생 및 항상성을 저해하는 것으로 밝혀졌다 [28]. 15-PGDH의 약리학적 억제는 PGE2 신호 전달을 회복시켜 노화 쥐의 근육량, 힘, 그리고 재생 능력을 개선할 수 있음을 시사한다. 이는 단순한 염증 억제를 넘어, 특정 분자 표적을 통한 조직 재생 경로 재활성이 노화 관련 기능 저하를 극복하는 새로운 전략이 될 수 있음을 보여준다. 또한, hyperuricemia와 같은 대사성 질환에서도 multi-omics 분석을 통해 잠재적 치료 유전자를 식별하고, probiotic 기반 개입이나 siRNA 기반 치료 등 새로운 치료 전략이 모색되고 있다 [32].

사용자 라이브러리에는 현재 이 분야 관련 논문이 등록되어 있지 않다. Epigenetic regulation과 inflammaging의 연관성, 그리고 15-PGDH와 같은 특정 노화 관련 분자 표적에 대한 연구들을 추가함으로써, 노화 및 연령 관련 질환의 기전과 치료 전략에 대한 이해를 심화시킬 수 있다.

아래 논문 중 필요한 것을 Zotero에 담아 두면 다음 실행부터 이 목록에서 빠집니다.