The Dark Regulome: Disentangling Predictability from Regulation in Genomic Foundation Models

기술 요약: 다크 레귤롬(The Dark Regulome): 유전체 파운데이션 모델에서 예측 가능성과 조절 기능의 분리

문제 정의
고등급 신경교종(high-grade gliomas)은 특정 유전자 발현 프로그램을 통해 뉴런과 기능적 시냅스를 형성함으로써 신경 회로에 통합되는데, 이는 시냅스 형성 과정을 주도한다. 단백질 기제는 이미 규명되었으나, 이러한 시냅스 형성 유전자를 활성화하는 상위 비부호화 조절 프로그램(이른바 "다크 레 регу롬(dark regulome)")은 여전히 미지의 영역이다. 약 98%에 달하는 비부호화 유전체를 실험적으로 해부하는 것은 규모 면에서 불가능하다. 결과적으로, 연구자들은 조절 요소를 식별하기 위해 유전체 파운데이션 모델(GFM)과 in-silico 돌연변이 분석(ISM)에 의존해 왔다.

그러나 결정적인 방법론적 혼란(confound)이 존재한다: 마스크드 또는 인과적 언어 모델에서의 likelihood 기반 RIS(조절 영향 점수)는 국소적 서열 예측 가능성(sequence predictability)과 동형적(tautologically)으로 결합되어 있다. 주변부와 상호 정보량이 높은 서열(예: 사전 학습 과정에서 암기된 반복적인 전이 인자)을 제거하면, 해당 요소가 조절 기능을 가졌는지 여부와 상관없이 해당 영역의 likelihood가 낮아진다. 따라서 "서열 예측 가능성"과 "조생적 출력(regulatory output)"을 구분할 진단 도구가 없다면, 아키텍처 간의 일치성은 실제 생물학적 신호가 아닌 대규모 샘플 크스로 인한 통계적 아티팩트(artifact)를 반영할 수 있다.

방법론
저자들은 92개의 신경교종 관련 로커스(시냅스 형성, 증식 및 뇌 제어 티어별 분류)에 걸친 30,448개의 다크 게놈 요소를 세 가지 서로 다른 아키텍처의 파운데이션 모델을 사용하여 분석하였다:

1. Caduceus-Ph: 양방향 Mamba 마스크드 언어 모델 (비지도 학습).
2. HyenaDNA: 인과적 Hyena 기반 언어 모델 (비지도 학습).
3. Enformer: 에피게놈 트랙(CAGE)으로 학습된 지도 학습 기반 컨볼루션-트랜스포머.

본 연구는 두 층위의 분산을 분리하기 위해 **잔차화 및 순열 진단(residualization-and-permutation diagnostic)**을 도입하였다:

• 잔차화(Residualization): 각 요소에 대해, 마스킹되지 않은 서열로부터 네 가지 잡음 공변량(nuisance covariates)을 계산하였다: 4-mer 섀넌 엔트로피(Shannon entropy), GC 함량, 로그 요소 길이, 그리고 로그 TSS(전사 시작 부위)와의 거리. $|RIS|$를 예측하기 위해 이 공변량들을 이용한 최소제곱 회귀(OLS)를 적합시켰다. 잔차($\hat{\epsilon}$)는 서열 예측 가능성이나 기본적인 유전체 특징으로 설명되지 않는 분산을 나타낸다.
• 순열 널(Permutation Nulls): 모든 교차 모델 중첩 및 top-K 일치도는 표본의 한계를 보존하는 순열 널(marginal-preserving permutation nulls, per-gene rank shuffling)에 대해 평가되어, 관찰된 농축이 우연을 넘어 통계적으로 유의미한지 결정되었다.
• 직교 검증(Orthogonal Validation): 잔차화된 순위는 보존성(phastCons), 뇌 조직 cis-eQTL(GTEx), 그리고 단백질-단백질 상호작용(STRING)과 교차 검증되었다.

주요 결과

1. 10 kb 조절 지평선(The 10 kb Regulatory Horizon): TSS로부터 10 kb 이내의 요소들이 10 kb 너머의 요소들보다 평균 $|RIS|$가 약 480배 더 높다는 급격한 기하학적 전이가 관찰되었다. 이 지평선은 세 모델, 모든 유전자 티어, 그리고 모든 섭동 방식에서 지속되었으며, 적용된 모든 대조군에서도 살아남았다.
2. 층위의 분해(Decomposition of Layers):
   • 언어 모델(Caduceus/HyenaDNA): 이 모델들은 하나의 "서열 예측 가능성 층위"를 공유했다. 이들의 top-100 순위는 중간 정도의 TSS 거리에 위치한, 예측이 잘 되는 긴 전이 인자(TEs)들에 의해 지배되었다. Caduceus와 HyenaDNA의 top-100 리스트 간 중첩은 76개 요소(널 대비 60배 농축)였으나, 이 층위는 Enformer의 top-100과는 전혀 중첩되지 않았다.
   • 지도 학습 모델(Enformer): Enformer는 별도의 "조절 출력 층위"를 유지하며, 짧고 근접한 cCRE(프로모터 및 인핸서)를 높게 순위 매겼다. 예측 가능성을 제어하기 위해 잔차화를 적용했을 때, Enformer만이 측정 가능한 cCRE 식별 신호를 유지했다.
3. 생물학적 주장의 재평가:
   • 전이 인자(Transposable Elements): 원시(raw) RIS 계층 구조는 TE 매개 조절 층위가 존재하는 것처럼 시사했다. 그러나 잔차화 이후, 언어 모델에서 잔차와 cCRE 멤버십 사이의 상관관계는 무시할 만한 수준이었다. 단순한 6개 특징 선형 베이스라인(길이 및 거리 포함)이 AUC = 0.985로 top-decile 멤버십을 예측하였는데, 이는 원시 계층 구조가 조절 문법이 아닌 길이와 거리에 의해 구동되었음을 의미한다.
   • NRXN1/NLGN1 수렴: 이전에 강조되었던 NRXN1과 NLGN1 단백질 쌍의 수렴은 STRING PPI 그래프에 대한 적절한 순열 테스트를 통과하지 못했으며, 관찰된 쌍의 개수는 널 기대치보다 낮았다.
   • eQTL 농축: 예측 가능성 혼란에도 불구하고, 각 모델의 top-100 요소들은 일관되게 일치하는 뇌 cis-eQTL에 대해 3.3배의 농축을 보였다 ($p_{emp} < 5 \times 10^{-3}$). 이는 실제적이지만 완만한 조절 신호가 상위 순위에 존재함을 시사한다.
   • 보존성: 언어 모델의 잔차화된 RIS는 보존성과 역상관 관계를 보였는데, 이는 이들의 신호가 보존된 조절 요소보다는 최근 진화한 반복 서열에 의존하고 있음을 시사한다.

의의 및 주장
본 논문은 모든 ISM 기반 조절 연구를 위한 일반적인 방법론적 도구를 제공한다고 주장한다. 주요 기여는 잔차화 및 순열 진단이며, 이를 통해 연구자들은 다음을 수행할 수 있다:

• 서열 예측 가능성에 기인하는 분산과 조절에 의해 유도되는 분산을 분리한다.
• 엄격한 한계 보존 순열 널(marginal-preserving nulls)에 대해 교차 모델 중첩 및 top-K 일치를 평가한다.
• "큰 n, 작은 p"의 함정을 피하기 위해 효과 크기를 p-값과 함께 보고한다.

저자들은 GFM이 다크 레귤롬에 대한 제로샷 경로를 제공하지만, 그 렌즈가 잘못 보정되어 있다고 결론짓는다. 아키텍처 간의 일치만으로는 불충분하며, 예측 가능성 층위를 명시적으로 제어할 때만 진정한 조절 신호가 회복된다. 본 연구는 뇌 eQTL이 농축된 시냅스 형성 로커스의 후보군을 식별하여 제시하는 동시에, 새로운 진단 테스트에서 실패한 전이 인자 매개 조절 및 특정 단백질 쌍의 수렴에 대한 이전의 주장들을 철회한다.