Modeling gene regulatory perturbations via deep learning from high-throughput reporter assays

이 논문은 전장 유전체 STARR-seq 데이터를 기반으로 재학습 가능한 딥러닝 프레임워크인 BlueSTARR 을 개발하여 비코딩 변이의 조절 효과를 예측하고, 선택 압력 및 약물 처리에 따른 전사 인자 결합 패턴을 규명함으로써 고처리량 레포터 어레이 데이터의 잠재적 신호를 탐지하는 데의 유용성을 입증했습니다.

핵심

이 논문은 인간 유전자의 '숨겨진 스위치'를 찾는 인공지능에 대한 이야기입니다.

우리가 흔히 아는 유전자는 단백질을 만드는 '명확한 명령문'이지만, 실제로 우리 몸의 기능을 조절하는 것은 그 주변에 있는 **수십억 개의 '비명령문' (비코딩 영역)**입니다. 이 영역은 마치 거대한 도서관의 책장 사이사이 숨겨진 메모처럼, "이 유전자를 켜라", "이 유전자를 끄라", "약이 들어오면 더 크게 켜라"는 미세한 지시들을 담고 있습니다.

이 논문은 이 복잡한 지시들을 이해하고, 유전자 변이가 어떻게 질병을 일으킬 수 있는지 예측하는 새로운 방법을 소개합니다.

1. 문제: 왜 유전자 변이를 읽기 어려운가?

기존의 유전자 분석은 '명확한 명령문 (단백질 코딩)' 위주로 이루어졌습니다. 하지만 대부분의 질병은 이 주변에 숨겨진 '비명령문'의 변이에서 옵니다.

• 비유: 유전자를 한 권의 책이라고 합시다. 우리는 책의 '본문 (단백질)'은 잘 읽지만, 책장 사이사이에 적힌 '주석 (비코딩 영역)'은 읽을 줄 모릅니다. 어떤 주석이 사라지거나 바뀌면 책의 내용이 완전히 달라질 수 있는데, 그걸 알아내기엔 너무 방대하고 복잡합니다.

2. 해결책: '블루스타 (BlueSTARR)'라는 새로운 도구

연구진은 **Deep Learning (심층 학습)**을 이용해 이 '주석'을 읽을 수 있는 인공지능 모델을 만들었습니다. 이름은 BlueSTARR입니다.

• 어떻게 작동할까?
  • 실험실에서 STARR-seq이라는 기술을 써서, 유전자의 작은 조각들을 잘라내어 세포 안에 넣었습니다. 그리고 "이 조각이 유전자를 얼마나 켜는지"를 측정했습니다.
  • 이렇게 얻은 수십억 개의 데이터를 AI에게 먹였습니다. AI는 "이런 DNA 서열이면 유전자가 이렇게 켜지겠구나"라는 패턴을 스스로 학습했습니다.
  • 핵심 특징: 이 모델은 가볍고 재교육이 쉽습니다. 거대한 슈퍼컴퓨터가 필요하지 않고, 새로운 실험 데이터만 있으면 몇 시간 안에 새로운 상황에 맞춰 학습시킬 수 있습니다.

3. 놀라운 발견 1: 자연이 '과도한 스위치'를 싫어한다

AI 모델을 통해 인간 유전체 전체를 훑어보니, 자연 선택이 어떤 변이를 싫어하는지 패턴이 드러났습니다.

• 열려 있는 지역 (활발한 유전자 주변): 여기서 유전자가 너무 잘 작동하게 만드는 변이 (Gain-of-function) 는 자연이 허용하지 않았습니다.
• 닫혀 있는 지역 (침묵하는 유전자 주변): 여기서 갑자기 유전자가 켜지게 만드는 변이도 자연이 엄격하게 금지했습니다.
• 비유: 마치 **조용한 도서관 (닫혀 있는 지역)**에 갑자기 큰소리로 노래를 부르는 사람 (과도한 활성화) 이 나타나면 도서관이 시끄러워져서 그 사람을 쫓아내는 것과 같습니다. 반대로 **활발한 회의실 (열려 있는 지역)**에서 갑자기 모든 소리를 끄는 사람 (기능 상실) 도 문제입니다. 자연은 이 두 가지 극단적인 변이를 모두 '제거'해 왔습니다.

4. 놀라운 발견 2: 약에 반응하는 '스위치'를 예측하다

연구진은 AI에게 **스테로이드 약물 (덱사메타손)**을 투여한 세포 데이터를 학습시켰습니다. 그랬더니 AI는 약물이 들어오면 유전자가 어떻게 반응하는지를 완벽하게 예측했습니다.

• 실험: 연구진은 인공적으로 만든 DNA 조각 (GR 과 AP-1 이라는 두 개의 스위치) 을 서로 다른 간격으로 배치했습니다.
• 결과: AI는 "두 스위치가 너무 가까우면 안 되고, 너무 멀어도 안 되며, 중간 거리가 가장 잘 작동한다"는 복잡한 규칙을 스스로 찾아냈습니다.
• 의미: 이는 AI가 단순히 데이터를 외운 것이 아니라, 생물학적 '문법 (규칙)'을 이해하고 있음을 보여줍니다. 마치 새로운 언어를 배운 아이가 문법 규칙을 적용해 새로운 문장을 만들어내는 것과 같습니다.

5. 결론: 왜 이것이 중요한가?

기존의 거대 AI 모델들은 학습하는 데 수개월이 걸리고 비용이 천문학적이지만, 이 BlueSTARR은 가볍고 빠릅니다.

• 창의적 활용: 새로운 실험을 할 때마다, 그 실험에 맞춰 AI를 몇 시간 안에 다시 훈련시켜 새로운 가설을 검증할 수 있습니다.
• 미래: 이 도구를 통해 우리가 아직 발견하지 못한 **'질병을 일으키는 숨겨진 스위치 (과도한 활성화 변이)'**를 찾아낼 수 있습니다. 특히 암이나 유전병처럼 유전자가 과하게 작동할 때 생기는 질환을 찾는 데 큰 도움이 될 것입니다.

한 줄 요약:

"이 연구는 거대하고 무거운 AI 대신, **새로운 실험 데이터만 있으면 바로 적응하는 '가볍고 똑똑한 AI'**를 만들어, 유전자의 숨겨진 스위치들이 어떻게 작동하고 왜 자연이 특정 변이를 금지하는지 밝혀냈습니다."

기술 요약

논문 요약: 고처리량 리포터 어레이 기반 딥러닝을 통한 유전자 조절 교란 모델링 (BlueSTARR)

1. 연구 배경 및 문제 제기 (Problem)

• 비코딩 변이 해석의 난제: 인간 질병의 원인이 되는 변이 중 상당수가 단백질 코딩 영역이 아닌 비코딩 영역 (전체 유전체의 약 98%) 에 위치합니다. 그러나 비코딩 영역의 기능적 이해는 코딩 영역에 비해 매우 부족하여, 비코딩 변이의 영향을 예측하는 것이 진단 및 연구에서 큰 장벽입니다.
• 실험적 한계: STARR-seq 및 MPRA 와 같은 고처리량 리포터 어레이 (High-throughput reporter assays) 는 비코딩 변이의 조절 효과를 실험적으로 측정할 수 있게 해주지만, 입력 샘플에 존재하지 않는 변이 (또는 시퀀싱 도중 손실된 변이) 에 대해서는 직접적인 읽기 (readout) 를 제공하지 못합니다.
• 기존 모델의 제약: 대규모 데이터와 복잡한 아키텍처를 가진 최신 딥러닝 모델 (예: AlphaGenome 등) 은 성능이 우수하지만, 재학습 (retraining) 이 어렵고 계산 비용이 매우 높습니다. 또한, 특정 실험 조건 (예: 약물 처리) 에 따른 미세한 신호를 포착하기에는 유연성이 부족할 수 있습니다.

2. 방법론 (Methodology)

2.1 데이터 전처리 및 학습 데이터 구축

• 데이터 소스: 인간 K562 세포주와 A549 세포주 (대조군 DMSO 및 글루코코르티코이드 약물 DEX 처리군) 에서 수행된 전체 유전체 STARR-seq 데이터를 활용했습니다.
• 전처리:
  • 300bp 크기의 오버lapping 윈도우로 유전체 분할.
  • DNA/RNA 리드 카운트 정규화 및 노이즈 제거 (입력 DNA 카운트 임계값 적용).
  • 데이터 누출 (data leakage) 방지를 위해 90% 이상 서열 유사성을 가진 파라로그 (paralogous) 서열 제거 (A549 데이터의 약 60% 제거).
  • 목표 값 (Target) 으로 RNA/DNA 비율을 기반으로 한 'Theta' 추정치 사용.

2.2 모델 아키텍처: BlueSTARR

• 개요: DeepSTARR 모델을 기반으로 확장된 재학습 가능한 (retrainable) 예측 모델링 프레임워크입니다.
• 기본 구조:
  • 입력: 원-핫 인코딩 (one-hot encoded) 된 300bp DNA 서열.
  • 네트워크: 5 개의 1 차원 합성곱 신경망 (CNN) 레이어 (필터 수: 1024, 512, 256, 128, 64; 커널 크기: 8, 16, 32, 64, 128).
  • 특징: 풀링 (pooling) 없이 배치 정규화, ReLU 활성화, 드롭아웃 (0.5) 을 적용하여 수용 영역 (receptive field) 을 확보. 최종 레이어는 전역 평균 풀링 후 단일 뉴런으로 연결.
• 유연성: 간단한 설정 파일 수정을 통해 아키텍처 (레이어 수, 어텐션 메커니즘, 손실 함수 등) 를 쉽게 변경할 수 있으며, Python/Keras/TensorFlow 기반의 오픈소스 소프트웨어로 제공됩니다.

2.3 학습 전략

• 다운샘플링: 편향된 다운샘플링 (biased downsampling) 을 통해 희귀한 발현 수준의 데이터를 과대표 (oversample) 하여 학습 데이터의 균형을 맞췄습니다.
• 학습 최적화: Adam 옵티마이저, MSE 손실 함수 사용. 검증 세트 (validation set) 에서 손실이 최소가 되는 모델을 선택하기 위해 10~30 회 독립적인 학습 실행을 수행했습니다.
• 평가 지표:
  • 정량적 정확도: STARR-seq 테스트 데이터에 대한 RMSE (Root Mean Squared Error).
  • 분류 정확도: Kircher et al. 의 MPRA 데이터 및 BIRD 모델 기반 변이에 대한 AUROC (Area Under ROC Curve).

3. 주요 기여 및 결과 (Key Contributions & Results)

3.1 모델 예측 정확도

• 성능: K562 모델은 A549 모델보다 높은 정확도를 보였으며 (입력 서열 길이 분포 차이로 추정), 다양한 아키텍처 (CNN, Transformer 등) 간 성능 차이는 미미했습니다.
• 일반화 능력: K562 데이터로만 학습된 모델이 다양한 세포주 (HepG2, HeLa 등) 를 포함한 외부 MPRA 데이터에서도 유의미한 성능 (AUROC ~0.6) 을 발휘하여 제로샷 (zero-shot) 일반화 능력을 입증했습니다.
• 비교: 상업용 대규모 모델인 AlphaGenome 은 MPRA 데이터에서 더 높은 AUROC 를 보였으나, 이는 학습 데이터에 테스트 영역이 포함되어 데이터 누출 가능성이 있고, 다양한 세포주 데이터로 학습되었기 때문으로 분석되었습니다.

3.2 진화적 제약 (Natural Selection) 신호 탐지

• 전체 유전체 분석: 학습된 모델을 사용하여 인간 집단 (gnomAD) 에서 관측된 변이와 관측되지 않은 변이를 비교했습니다.
• 폐쇄 영역 (Closed Regions): 관측된 변이가 예측된 조절 활성이 낮은 구성 (loss-of-function) 에 편향되어 존재했습니다. 이는 활성이 없는 영역에서 조절 기능이 획득되는 것 (gain-of-function) 이 자연선택에 의해 제거되었음을 시사합니다.
• 개방 영역 (Open Regions/cCREs): 관측된 변이가 예측된 조절 활성이 높은 구성에 편향되어 존재했습니다. 이는 기존 조절 요소에서 기능이 상실되는 것 (loss-of-function) 이 선택 압력을 받았음을 의미합니다.
• 거리 의존성: 유전자 전사 시작 부위 (TSS) 에 가까운 폐쇄 영역일수록 관측된 변이가 높은 활성 구성을 갖는 확률이 낮아지는 경향을 보였습니다.

3.3 결합 모티프 (Motif) 분석

• Gain-of-Function (GoF) 변이: 예측된 GoF 변이들은 주로 전사 인자 (TF) 결합 모티프의 획득과 연관되었습니다. 특히 bZIP 계열 (DBP, CEBPB 등) 및 ETS, STAT 계열의 전사 활성화 인자 결합 부위 강화가 두드러졌습니다.
• Loss-of-Function (LoF) 변이: 억제자 (repressor) 역할을 하는 Zinc finger 계열 (SNAI, ZEB 등) 의 모티프 손실이 관측되었습니다.

3.4 약물 처리에 따른 전사 반응 예측

• 실험 재현: Vockley et al. 의 실험 (GR 및 AP-1 결합 부위 간 거리 변화에 따른 활성 측정) 을 시뮬레이션했습니다.
• 결과: DEX(약물) 처리 데이터로 학습된 모델은 DMSO(대조군) 모델 대비 GR/AP-1 모티프 간 거리에 따른 비선형적인 활성 변화 패턴을 성공적으로 재현했습니다. 이는 모델이 실험 데이터에 내재된 복잡한 조절 문법 (regulatory syntax) 과 약물 반응 패턴을 학습했음을 보여줍니다.

4. 의의 및 결론 (Significance)

• 가벼운 모델의 실용성: 수십억 개의 파라미터를 가진 초대형 모델과 달리, BlueSTARR 과 같은 경량 모델은 상용 하드웨어에서 몇 시간 내에 학습이 가능하며, 새로운 실험 데이터 (예: 특정 약물 처리) 에 맞춰 빠르게 재학습할 수 있습니다.
• 잠재 신호 탐지 도구: 모델은 단순한 예측 도구를 넘어, 실험 데이터에 숨겨진 생물학적 신호 (예: 자연선택의 흔적, 약물 반응 문법) 를 탐지하고 가설을 생성하는 '오라클 (Oracle)' 역할을 수행합니다.
• 비코딩 Gain-of-Function 변이 발견: 기존에 잘 연구되지 않았던 비코딩 영역에서의 Gain-of-Function 변이 (조절 기능 획득으로 인한 유해한 과발현 등) 가 자연선택을 받으며 제거된다는 증거를 제시했습니다. 이는 질병 관련 변이 탐색의 새로운 지평을 엽니다.
• 미래 방향: 대규모 모델의 지식 증류 (distillation) 를 통한 경량화 및 파인튜닝, 그리고 생성 모델과 결합한 합성 조절 서열 설계 (generative design) 에의 활용 가능성을 제시합니다.

결론적으로, 이 연구는 고처리량 실험 데이터와 딥러닝을 결합하여 비코딩 변이의 영향을 예측하고, 진화적 제약 및 조건 의존적 조절 메커니즘을 규명하는 효율적이고 재학습 가능한 프레임워크 (BlueSTARR) 를 제시했습니다.