Genomic context structures CpG-gene expression direction across human tissues

技術的要約：ヒト組織におけるゲノムコンテキストがCpG-遺伝子発現の方向に与える構造

問題提起
エピゲノムワイド関連解析（EWAS）は、表現型に関連するCpG部位を特定することには長けているが、それらの関連の「制御の方向性」を解釈することには苦慮している。DNAメチル化は固定された制御の符号（サイン）を持つわけではない。プロモーター領域のメチル化はしばしば転写を抑制するが、遺伝子本体（gene body）や遠位領域のメチル化は発現の増加と相関する場合がある。したがって、あるCpGが遺伝子に関連していると判明しても、メチル化の上昇が発現の上昇に対応するのか、あるいは低下に対応するのかまでは明らかにならない。先行研究では、eQTM（発現定量的形質メチル化）の方向性はゲノム特徴量を用いて予測可能であることが示されているが、この方向性の移植性（portability）が、不均一なデータセット、組織、およびゲノム領域を横断してどの程度維持されるのかは不明なままである。さらに、転写因子（TF）モチーフの内容といったメカニズム的な情報がこの方向性のアーキテクチャを説明できるのか、あるいはより単純なゲノムコンテキスト（例：転写開始点への距離）で十分なのかも分かっていない。

手法
本研究では、血液、鼻粘膜、および6つの固形組織（TCGA腫瘍サンプルを含む）にわたる12のcis-eQTMデータセットを集め、約105,829個の調和されたCpG-遺伝子ペアを構築した。解析は以下の明確なフェーズを経て進行した：

1. 特徴量エンジニアリングとモデル訓練： 著者は、方向性に関する情報の主要なソースとして以下の2つを検証した：

   • メカニズム的（TFベース）： 特徴量には、JASPARモチーフの一致、モチーフスコア、およびCollecTRI、TRRUST、DoRothEAなどのデータベースからキュレートされた符号付きの制御関係（活性化因子／抑制因子のステータス）が含まれる。
   • ゲノムコンテキスト： 特徴量には、転写開始点（TSS）への絶対距離、対数距離、および近傍のプライア（近接するカタログ化されたCpGの平均的な方向）が含まれる。

   モデルの訓練には、勾配ブースティング決定木およびエラスティックネット・ロジスティック回帰を用いた。移植性を評価するために、3つの交差検証レジームを採用した：CpGによるグルーピング（未知のCpG、既知の遺伝子座）、ターゲット遺伝子によるグルーピング（未知の遺伝子）、および1-Mbゲノムブロックによるグルーピング（未知の遺伝子座）。

2. 組織横断的検証： 本研究では、共有されるCpG-遺伝子ペアが異なる組織間（例：血液 vs 鼻粘膜）でその関連の符号を保持しているかどうかを評価し、周辺の方向性の頻度に基づく偶然期待値を超えた「過剰一致（excess concordance）」を測定した。

3. 較正された予測と棄権： アイソトニック較正を用いた組織別モデルを使用して、最終的なリソースを構築した。モデルは、証拠が不十分な場合には予測を行わない（abstain）ように設計されており、カタログ化されたコンテキストの可用性に基づいた階層的なアノテーションシステム（Tier A, B, C）を作成した。

4. 遺伝的にアンカーされた検証： 独立したエビデンス層として、サマリーデータを用いたメンデルランダム化（SMR）およびWald比統計量を用いて生成された。これは、測定されたeQTMカタログに依存せずに、CpG-遺伝子ペアの方向性を推論するために、GoDMC（mQTLデータ）およびeQTLGen（eQTLデータ、共に血液ベース）のデータを利用したものである。また、共有された因果的アーキテクチャを評価するために、HEIDI（Heterogeneity in Dependent Instruments）テストも実施された。

主な結果

• ゲノム距離が方向性を構造化する： すべての12のデータセットにおいて、正の関連（メチル化の上昇＝発現の上昇）の確率は、TSSからの距離に応じて系統的に増加した。距離単独では単一のペアの方向性を決定することはできないが、確率分布を再現性よく構造化していた。距離由来の特徴量を用いたモデルは、AUC 0.606（HELIX）から0.804（近傍プライアを含む場合）に達し、TFモチーフのみに基づくモデルを大幅に上回った。
• 転写因子モチーフは方向性の予測に失敗する： メチル化がTF結合を変化させるという生物学的な妥当性があるにもかかわらず、モチーフレベルの情報とキュレートされた制御の極性を組み合わせても、方向性のシグナルはほとんど得られなかった（AUC ~0.50–0.52）。既知の符号付き制御カバレッジに制限したり、各因子の効果を直接推定したりした場合でも、モデルは汎化に失敗しており、モチーフの出現自体が、方向性を予測するための細胞状態（占有率、共因子、状態）を欠いていることを示唆している。
• 共有ペアにおける高い組織横断的一致性： 検出されるeQTMのセットは組織間で大きく異なる（低いJaccard重複）一方で、検出された関連の方向は高度に保存されていた。最も類似した比較（EVA-PR白血球と鼻粘膜）では、共有されるペアの符号は95.4%の一致を示し、偶然期待値である54.8%を大きく上回った。
• 移植性の限界： 方向性の情報は、ホールドアウト（検証用データ）の条件が厳しくなるにつれて低下した。性能は、AUC 0.804（既知の遺伝子座内の未知のCpG）から、AUC 0.694（未知の遺伝子）、そしてAUC 0.593（未知の1-Mb遺伝子座）へと低下した。組織クラス間の転移では、わずかなコスト（0.04–0.09のAUC低下）が生じたが、血液から血液への転移は、年齢やプラットフォームの不均一性により、驚くほど弱かった。
• 遺伝的アンカリング： SMRベースの遺伝的レイヤーは、103,285個のCpGに対して方向性のエビデンスを提供し、その多くは測定されたカタログには存在しないものであった。複数の合意するインストルメントを持つペア（S1ティア）における測定されたeQTMとの一致度は95.9%であり、単一インストルメントのペア（S2）では84.9%であった。HEIDIテストは方向性の識別能を向上させず、むしろHEIDIに適合しないペアの方が、利用可能なインストルメントの数による交絡により、測定された符号との一致度が高かった。

意義と主張
本論文は、中心的な発見は単にeQTMの方向性が予測可能であることではなく、eQTMの「存在」とeQTMの「方向」は異なる移植特性を持っていることであると主張している。

1. 存在と方向の分離： 組織によって検出可能なCpG-遺伝子関連（存在）は大きく異なるが、一度検出された場合のそれらの関連の方向は、再現可能なゲノム特性であり、組織間で広く保存されている。
2. メカニズムよりもゲノムコンテキスト： 方向性のアーキテクチャは、単純な転写因子モチーフの内容ではなく、ゲノムコンテキスト（特にTSSへの距離）によって駆動されている。本研究は、細胞状態特異的な占有率データがない場合、モチーフレベルのアノテーションは、メチル化と発現の関係の符号を復元するには不十分であることを示している。
3. 較正されたアノテーションリソース： 著者はこれらの境界条件を、604,456個のCpGに対する方向性アノテーションを提供する実用的なリソース（cpgdirectionパッケージ）へと変換した。重要なことに、このリソースには較正された棄権機能とプロベナンス（由来）ラベルが含まれており、直接測定された関連、遺伝的にアンカーされたエビデンス、およびコンテキストから予測された方向性を区別している。これにより、すべての方向性割り当てが等しい重みを持つという誤った仮定を防いでいる。
4. 因果推論の限界： 本研究は、遺伝的レイヤーが因果関係（すなわち、メチル化が発現を媒介していること）を証明していると主張することを明示的に避けている。代わりに、遺伝的エビデンスを、測定データと三角測量を行う「遺伝的にアンカーされた方向性のエビデンス」として位置づけ、共通の配列変異が両方の表現型に独立して影響を与えている可能性を認めている。

要約すると、本研究は、検出可能なeQTMの景観は極めて組織特異的である一方で、それらの関連の「符号」を支配する基礎的なルールは、安定した距離依存的なゲノムアーキテクチャによって規定されており、それが一致するトランスクリプトームデータがない場合でも、アノテーションに活用できることを確立している。