Scanning transcriptomes for nonlinear, domain-level similarities using hmSEEKR

기술 요약: hmSEEKR를 이용한 전사체 내 비선형적 도메인 수준 유사성 스캐닝

문제 정의
긴 비부호화 RNA(lncRNA)는 생물학적 과정의 핵심적인 조절자이지만, 주석이 달린 대다수의 lncRNA는 할당된 기능이 결여되어 있다. 새로운 lncRNA에 기능을 부여하는 데 있어 주요한 과제는, 이들이 알려진 기능적 RNA와 유의미한 선형 서열 유사성을 갖지 않는 경우가 많아 표준 정렬 도구들이 효과적이지 않다는 점이다. 이전 연구들은 비선형 k-mer 함량(SEEKR 알고리즘을 통해)이 단백질 결합 및 세포 국소화를 예측할 수 있음을 입증했으나, 기존의 SEEKR 프레임워크는 사용자가 대상 전사체를 도메인 단위로 미리 분절해야 한다는 제약이 있었다. 이는 미분류 lncRNA의 기능적 도메인 경계가 불분명하다는 점에서 중대한 한계이며, 임의적인 분절은 기능적 도메인을 나누거나 지역적 유사성을 놓칠 위험이 있다.

방법론
저자들은 도메인 경계에 대한 사전 지식 없이도 쿼리 도메인과 비선형 서열 유사성을 가진 영역을 전사체에서 스캔할 수 있도록 설계된 2-상태 은닉 마르코프 모델(HMM)인 hmSEEKR를 소개한다.

• 알고리즘 프레임워크: hmSEEKR는 관심 있는 도메인을 나타내는 "쿼리(Query, Q)" 상태를 배경 서열 집합(예: 전사체)을 나타내는 "널(Null, N)" 상태와 비교한다. 이는 단일 뉴클레오타이드 단계(single-nucleotide step size)로 서열을 타일링하여 계산된 k-mer 빈도를 활용한다.
• 조건부 방출(Conditioned Emission): 단일 뉴클레오타이드 스텝핑으로 생성된 k-mer들의 비독립성을 표준 HMM의 독립적 방출 가정과 조화시키기 위해, hmSEEKR는 "조건부 방출" 접근법을 채택한다. 이는 현재 위치의 k-mer 다음에 올 수 있는 네 가지 가능한 k-mer를 기준으로 특정 k-mer의 확률을 계산함으로써, 방출 행렬을 효과적으로 축소한다.
• 파라미터 최적화: lncRNA 전이 확률을 위한 적절한 훈련 데이터셋이 없는 경우가 많으므로, 저자들은 그리드 탐색(grid-search) 함수를 개발했다. 이는 훈련 세트 내의 쿼리와 히트(hit) 사이의 SEEKR 유도 피어슨 상관계수($r$) 값을 최대화함으로써 최적의 전이 확률($qT$및$nT$)을 경험적으로 도출한다. 광범위한 테스트를 바탕으로$k=4, 5, 6$에 대해$qT=0.99$및$nT=0.90$이라는 기본 파라미터가 설정되었다.
• 조합 탐색(Combinatorial Search): "seqs-to-summary" 기능은 여러 쿼리 도메인에 대한 병렬 스캐닝을 허용하며, 히트를 집계하여 순차적인 도메인 수준의 유사성을 포함하는 전사체를 식별한다.

주요 결과
본 연구는 보존된 lncRNA인 XIST, NEAT1, MALAT1을 쿼리 소스로 사용하여 K562 세포의 염색질 결합 전사체를 통해 hmSEEKR를 검증하였다.

1. 삽입된 도메인의 회복: XIST, NEAT1, MALAT1의 알려진 도메인을 전사체 내에 무작위로 삽입했을 때, hmSEDKR는 삽입된 영역을 100% 성공적으로 회복했다. 알고리즘은 돌연변이에 대한 견고함을 보여주었으며, $k=6$일 때 변이된 파편을 회복하는 성능이 가장 좋았다.
2. 단백질 상호작용 검증: 전사체 내에서 hmSEEKR에 의해 식별된 히트들은 셔플된 대조군에 비해 해당 쿼리 도메인과 동일한 RNA 결합 단백질(RBP)에 대해 유의미하게 높은 농축도를 보였다. 이는 개별 도메인과 조합적 상호작용(예: 여러 단백질에 동시에 결합하는 것으로 알려진 도메인) 모두에서 유효했다.
3. 전사체 전체의 유사성: 엄격한 임계값($p < 0.001$)에서 XIST, NEAT1, MALAT1 내의 많은 도메인은 고유하거나 희귀한 것(200개 미만의 유전자와 매칭)으로 나타났다. 그러나 낮은 엄격도($p < 0.05$)에서는 단백질 코딩 유전자와 lncRNA 유전자 모두에서 광범위한 유사성이 발견되었으며, 이는 주로 원거리 인트론에 위치했다.
4. 순차적 도메인 발견:
   • XIST 유사 전사체: 최소 기능적 XIST 도메인(Repeats A, F, B1/2, D, E)에 대한 순차적 히트를 찾는 과정에서 $p < 0.05$ 수준에서 674개의 후보를 식별하였으며, 대부분은 단백질 코딩 유전자로부터 유래했다. 이 후보들은 배경 전사체보다 XIST와 훨씬 더 유사한 단백질 결합 네트워크를 보였다.
   • NEAT1 유사 전사체: 최소 NEAT1 도메인에 대한 유사한 탐색을 통해 $p < 0.05$에서 2,003개의 후보를 식별했다. 이 후보들은 "준추출 가능(semi-extractable)" 특성(NEAT1의 특징)에 유의미하게 농축되어 있었으며, NEAT1과 유사한 단백질 결합 네트워크를 나타냈다.
5. 조절 도메인 농축: 알려진 cis-활성화 및 cis-억제 lncRNA 세트를 검색했을 때, 저자들은 뚜렷한 농축을 관찰했다. 전사 촉진 복합체(예: MLL, Mediator, P300)와 연관된 도메인들은 활성화 lncRNA에서 농축된 반면, HNRNP 결합 도메인은 억제성 lncRNA에서 농축되었다.

의의 및 주장
저자들은 hmSEEKR를 lncRNA의 서열과 기능 사이의 간극을 메우는 가설 생성 도구로 정의한다. 주요 주장은 다음과 같다:

• 최소한의 훈련 요구사항: 대규모의 큐레이션된 훈련 코퍼스(많은 lncRNA 기능에 대해 아직 존재하지 않음)가 필요한 딥러닝 모델과 달리, hmSEEKR는 표준 컴퓨팅 자원을 사용하여 단일 lncRNA의 단일 도메인만으로도 훈련될 수 있다.
• 비선형적 유사성의 발견: 이 도구는 선형 정렬이 실패하는 경우에도 k-mer 함량을 기반으로 기능적 요소의 선제적(a priori) 발견을 가능하게 한다.
• 생물학적 관련성: XIST 및 NEAT1과 순차적 도메인 유사성을 가진 전사체를 식별하고, 이들이 이후 단백질 상호작용 네트워크 및 생물학적 특성(예: 준추출 가능성)을 공유한다는 점은 hmSEEKR가 유사한 생물학적 기능을 가진 RNA를 식별할 수 있음을 시사한다.
• 인트론 저장소: 연구 결과는 인트론 요소, 특히 신생 전사체(nascent transcripts) 내의 요소들이 스플라이싱 조절 이상의 기능을 가진 조절 도메인의 저장소 역할을 할 수 있다는 견해를 뒷받침한다.

결론적으로, hmSEEKR는 비부호화 전사체 내의 기능적 요소를 발견하기 위한 서열 정보 기반 접근법을 제공하며, 향-미래의 lncRNA 메커니즘 실험 검증을 위한 발판을 마련한다.