Intermediate State Formation of Topologically Associated Chromatin Domains using Quantum Annealing

이 논문은 양자 어닐링이 염색질의 후성유전학적 이징 모델을 효과적으로 샘플링하여 통계적 특징을 재현하고 위상 결합 도메인(TAD) 유사 구조 모티프를 나타내는 구성을 생성할 수 있음을 입증하며, 이는 1D 후성유전학적 지형과 3D 염색질 폴딩 사이의 메커니즘을 탐구하기 위한 고전적 방법론에 대한 유망한 대안을 제시한다.

핵심

당신의 DNA가 단순히 길고 곧은 글자들의 줄이 아니라, 아주 작은 방(세포핵) 안에 있는 거대하고 뒤엉킨 실타래라고 상상해 보세요. 이 혼란스러운 상태를 이해하기 위해, 세포는 이 실을 **위상적 연관 도메인(Topologically Associating Domains, TADs)**이라는 특정 구역으로 접습니다. 이 TAD들을 도시의 서로 다른 우편번호라고 생각하면 쉽습니다. 어떤 동네는 "활발하여" 불이 켜져 있고 사업체들이 돌아가고 있는 반면, 어떤 동네는 "조용하여" 모든 것이 문을 닫은 상태입니다.

과학자들이 직면한 큰 미스터리는 이것입니다: 세포는 어떻게 정확히 이 실을 특정 구역으로 접어야 하는지 어떻게 아는 걸까요?

이 논문은 **양자 어닐러(Quantum Annealer)**라는 특별한 종류의 컴퓨터를 사용하여 이 수수께끼를 풀 수 있는 새로운 방법을 제안합니다. 다음은 이들의 접근 방식을 쉬운 비유를 통해 설명한 내용입니다.

1. 문제: 뒤엉킨 규칙의 덩어리

과학자들은 "접는 지침"이 실에 붙어 있는 화학적 태그(후성유전적 표식)에 기록되어 있다는 것을 알고 있습니다. 예를 들어, 여기에 빨간색 태그가 있고 저기에 파란색 태그가 있다면, 실은 특정한 방식으로 접혀야 합니다.

하지만 이 태그들을 바탕으로 실이 접힐 수 있는 모든 가능한 방법을 계산하는 것은, 모든 조각이 서로 연결된 거대한 3D 퍼즐을 푸는 것과 같습니다. 기존의 컴퓨터(고전적 샘플러)는 이 "에너지 지형"이 너무 울퉁불퉁하고 막다른 길이 많아서 최적의 해답을 찾는 데 어려움을 겪습니다. 즉, 모든 가능성을 빠르게 탐색하는 데 한계가 있습니다.

2. 해결책: 양자의 "터널링"

저자들은 양자 어닐러(구체적으로는 D-Wave 머신)를 사용했습니다. 이 기계를 가장 낮은 골짜기를 찾기 위해 산을 넘어가는 탐험가가 아니라, 산 아래로 터널을 뚫고 지나갈 수 있는 마법 같은 탐험가라고 생각할 수 있습니다.

• 고전 컴퓨터: 산맥에서 가장 낮은 지점을 찾으려는 등산가와 같습니다. 만약 작은 골짜기에 갇히게 되면, 다른 경로를 시도하기 위해 다시 산 위로 올라가야 합니다. 이 과정은 시간이 너무 오래 걸립니다.
• 양자 어닐러: 산을 통과하여 순식간에 가장 깊은 골짜기에 나타날 수 있는 유령과 같습니다. 이를 통해 더 깊은 골짜기를 훨씬 빠르게 찾아낼 수 있습니다.

3. 실험: 기계에게 가르치기

연구진은 양자 컴퓨터에게 새로운 생물학적 법칙을 "발명"하라고 요구한 것이 아닙니다. 대신 그들은 다음과 같은 과정을 거쳤습니다:

1. 생물학을 게임으로 번역: DNA의 화학적 태그를 수학적 퍼즐(Ising 모델 또는 QUBO라고 불림)로 변환했습니다.
2. 기계 교육: 이 태그들이 보통 어떻게 상호작용하는지에 대한 "규칙"을 학습할 수 있도록 실제 인간 세포(특히 폐 세포)의 데이터를 양자 컴퓨터에 보여주었습니다.
3. 놀이 요청: 기계에게 그 규칙들을 따르는 새로운 무작위 접힘 패턴을 생성하도록 요청했습니다.

4. 결과: 유용할 만큼 충분히 좋은 성과

이 논문은 두 가지 주요 성과를 주장합니다:

• 통계적 일치: 양자 컴퓨터가 생성한 패턴은 실제 생물학적 데이터와 통계적으로 매우 유사했습니다. 즉, 양자 컴퓨터가 생성한 실의 "평균적" 행동이 실제 실의 행동과 일치했습니다.
• 속도: "클러스터 병렬화(cluster parallelization)"라는 기술(칩에 100개의 퍼즐 복사본을 동시에 배치하는 방식)을 사용하여, 양자 기계는 고전 컴퓨터가 단 하나를 수행하는 시간 동안 100개의 서로 다른 접힘 시나리오를 내놓을 수 있었습니다.

중요하게도, 저자들은 다음을 수행하지 않았음을 명시했습니다:

• 모든 TAD의 정확한 크기를 완벽하게 재구성하지 않았습니다.
• (구역이 얼마나 잘 분리되었는지를 나타내는 기술적 지표인) 특정 "절연 점수(insulation scores)"를 계산하지 않았습니다.
• 이것이 즉각적으로 질병을 치료하거나 의료 처치를 바꿀 것이라고 주장하지 않았습니다.

5. 시사점

이 논문은 하나의 **개념 증명(proof of concept)**입니다. 이는 양자 컴퓨터가 DNA가 접히는 방식을 시뮬레이션하는 새로운 도구로 사용될 수 있음을 보여줍니다.

이렇게 생각해보세요: 전통적인 컴퓨터가 책을 찾기 위해 선반 하나하나를 일일이 확인하는 느리고 신중한 사서라면, 이 양자 접근 방식은 책이 있을 법한 위치를 즉각적으로 감지하여 순식간에 책더미를 뽑아내는 마법 같은 사서와 같습니다.

저자들은 기술이 아직 초기 단계이지만, 이 방식이 우리 게놈의 "구조"를 탐구하는 새롭고 빠른 방법을 제공하며, 우리 유전자가 어떻게 조직되는지를 지배하는 물리적 규칙을 이해하는 데 도움을 준다고 결론지었습니다.

기술 요약

기술 요약: 양자 어닐링을 이용한 위상적 연관 염색질 도메인(TAD) 형성

문제 정의
위상적 연관 도메인(TAD)은 활성 및 비활성 게놈 요소들을 격리함으로써 전사를 조절하는 공간적으로 구별된 염색질 영역이다. 경험적 연구들은 TAD 형성을 국소적 후성유전적 마커 패턴과 연결시키지만, 1D 후성유전적 경관(landscape)과 3D 염색질 폴딩을 연결하는 정확한 메커니즘은 여전히 불분명하다. 최근의 모델들은 염색질을 스핀 시스템으로 추상화하며, 여기서 뉴클레오솜은 게놈 데이터에서 유도된 상호작용 강도에 의해 결합된 이산 상태 변수로 취급된다. 그러나 고전적인 샘플링 방법(예: 시뮬레이티드 어닐링)은 특히 여러 후성유전적 마커가 동시에 상호작용할 때, 매우 좌절(frustrated)되고 밀밀하게 연결된 에너지 경관을 효율적으로 탐색하는 데 어려움을 겪는다.

방법론
저자들은 D-Wave 양자 프로세서의 토폴로지에 후성유전적 이싱(Ising) 모델을 임베딩하여 염색질 상태를 샘플링하는 양자 어닐링(QA) 접근 방식을 제안한다. 이 방법론은 다음 단계들을 포함한다:

1. 모델 정식화: 염색질은 행은 뉴클레오솜 위치를, 열은 후성유전적 마커를 나타내는 이진 입사 텐서(binary incidence tensor)로 표현된다. 모델은 이차 무제약 이진 최적화(QUBO) 문제로 정식화되며, 이는 이싱 해밀토니언과 동일하다. 에너지 함수는 다음을 포함한다:

   • 국소 장(Biases): 특정 마커의 평균 입사(incidence)를 나타낸다.
     ***뉴클레오솜 내 결합(Intra-nucleosome couplings):*** 동일한 뉴클레오솜 위치에서의 서로 다른 마커 간 상호작용.
   • 뉴클레오솜 간 결합(Inter-nucleosome couplings): 거리로 매개되는 서로 다른 뉴클레오솜 위치 간의 동일한 마커 간 상호작용.
   • 혼합 결합(Mixed couplings): 서로 다른 위치의 서로 다른 마커 간의 상호작용은 그래프를 단순화하기 위해 통계적 관련성에 근거하여 제외(0으로 설정)된다.

2. 파라미터 학습: 모델 파라미터(편향 및 결합)는 고전적인 반복 최적화 절차를 통해 학습된다. 확률적 경사 하강법(Stochastic gradient descent)은 모델의 샘플링 통계(평균 입사, 상관관계)와 ChIP-seq 데이터셋(구체적으로 NIH Roadmap Epigenomics Project, IMR90 세포주)에서 유도된 경험적 데이터 사이의 불일치를 최소화하도록 파라미터를 업데이트한다.

3. 양자 임베딩: 목적 그래프는 D-Wave Pegasus 하드웨어 토폴로지에 매핑된다. 하드웨어 연결성 제약으로 인해, 논리적 변수는 물리적 큐비트의 체인(minor-embedding)으로 매핑된다. 본 연구는 다음의 영향을 조사한다:

   • 체인 강도 ($J_C$): 체인 내의 큐비트를 결합하는 강자성 결합.
   • 어닐링 시간 ($T_A$): 어닐링 스케줄의 지속 시간.
   • 경계 조건: 주기적 경계 대 개방형 경계.
   • 결합 임계값 ($\delta$): 임베딩 복잡성을 줄이기 위해 약한 논리적 결합을 제거(pruning)하는 것.

4. 샘플링 전략: 저자들은 표준 QA 샘플링과 고전적 볼츠만 샘플링을 비교한다. 또한, 시스템을 알려진 경험적 상태로 초기화한 후 평형에서 잠시 벗어나게 하여 국소적인 구조적 인근을 탐색하는 **역 어닐링(reverse annealing)**을 탐구한다. 또한, 처리량을 높이기 위해 여러 개의 독립적인 샘플링 해밀토니안을 동시에 임베딩하는 클러스터 기반 병렬화를 탐구한다.

주요 결과

• 통계적 충실도: 양자 어닐링 샘플링(QAS)은 경험적 통계적 특징(평균 마커 입사 및 뉴클레오솜 내/간 상관관계)을 고전적 볼츠만 샘플링과 유사한 정확도로 재현한다. 이 방법은 명시적으로 정확한 TAD 크기 분포나 절연 점수(insulation scores)를 재구성하지 않고도 TAD와 유사한 구조적 모티프를 보이는 구성을 성공적으로 생성한다.
• 파라미터 최적화: 그리드 탐색 결과, 최적의 샘플링 파라미터는 최적화 작업에 사용되는 파라미터와 다르다는 것이 밝혀졌다. 구체적으로, 어닐링 시간은 "조기 최적점(early optimum)"을 보인다. 어닐링 시간이 지나치게 길어지면 시스템이 오직 바닥 상태(ground state)로만 이완되어, 통계적 샘플링에 필요한 전체 볼츠만 분포를 탐색하는 데 실패한다.
• 임베딩 효율성: 본 연구는 염색질 모델의 "카테시안(Cartesian)" 구조(별도의 뉴클레오솜 내 및 간 결합)가 효율적인 임베딩을 가능하게 함을 보여준다. 결합을 임계값($\delta \approx 0.25$) 미만으로 제거하면 생물학적 관련성을 희생하지 않으면서 임베딩 복잡성(체인 길이)을 크게 줄일 수 있다.
• 역 어닐링: 시스템을 경험적 상태로 초기화하고 역 어닐링을 적용하면, 알려진 생물학적 구성(예: 프로모터 또는 이중성 도메인)의 구조적 인근을 표적 샘플링할 수 있으며, 참조 모델의 무결성을 유지하면서 특정 참조를 향해 편향될 수 있다.
• 처리량: 클러스터 기반 병렬화를 활용함으로써, 저자들은 단일 양자 판독(readout) 내에서 여러 독립적인 샘플을 생성할 수 있음을 보여준다. 이것이 점근적 알고리즘 속도 향상을 의미하는 것은 아니지만, 임베딩 비용을 분담하고 하드웨어 수준의 병렬성을 활용함으로써 워크플로우 수준의 속도 향상(예: 100개 샘플에 대해 100배)을 제공한다.

의의 및 주장
본 논문은 양자 어닐링을 후성유전적 상태 공간을 탐색하기 위한 실용적이고 확장 가능한 대안으로 자리매김한다. 저자들은 자신들의 연구가 경험적 후성유전적 통계와 일치하는 염색질 구성을 샘플링하기 위해 근접 양자 하드웨어를 사용하는 것에 대한 "개념 증명(proof-of-concept)"을 제공한다고 주장한다.

주요 기여는 다음과 같다:

• 후성유전적 이싱 모델을 양자 프로세서에 매핑하는 프레임워크 구축.
• QA가 염색질 도메인의 통계적 특성을 충실히 재현할 수 있음을 입증하여, 게놈 구조에 대한 새로운 계산적 관점 제공.
• 맞춤형 양자 스케줄(특히 어닐링 시간 및 체인 강도)의 필요성을 강조하며, 이는 표준 최적화 사용 사례와 다름을 명시.
• 입사 인코딩(incidence encoding) 또는 역 어닐링을 통한 경험적 편향의 통합이 생물학적으로 관련 있는 상태에 대한 표적 탐색을 가능하게 함을 보여줌.

저자들은 현재의 하드웨어 제한(큐비트 수)이 더 큰 데이터셋을 제약한다는 점을 인정하며 신중한 태도를 유지하고 있으나, 결합 임계값의 도입과 새로운 토폴로지(예: Zephyr)의 잠재력이 확장성을 위한 경로를 제공한다고 언급하며 연구의 범위를 한정했다. 이 연구는 향후 후성유전학적 모델링과 염색질 구조 조절 이상 탐구를 위한 기초 역할을 한다.