A compact motif vocabulary is differentially interpreted across human cell types

기술 요약: 인간 세포 유형 전반에 걸쳐 차별적으로 해석되는 압축된 모티프 어휘집

문제 정의
본 연구가 다루는 핵심 질문은 단일한 인간 게놈이 어떻게 수백 개의 서로 다른 세포 유형을 생성하는가이다. 두 가지 경쟁 모델이 존재한다: 각 세포 유형이 대체로 구별되는 cis-조절 서열의 레퍼토리를 활용한다는 모델과, 세포들이 압축되고 공유된 조절 모티프 어휘집을 사용하되 그 사용 방식과 해석이 세포 맥락에 따라 변한다는 모델이다. 이 두 모델을 구분하는 것은 조절 정보가 어떻게 인코딩되는지, 비부호화 변이가 발현을 어떻게 변화시키는지, 그리고 합성 조절 프로그램이 어떻게 설계될 수 있는지를 이해하는 데 매우 중요하다. 기존의 딥러닝 모델(예: Enformer)은 유전자 발현을 높은 정확도로 예측하지만, 개별 세포 유형에 대해 직접 비교 가능한 해석 가능한 모티프 어휘집을 제공하는 경우가 드물다. 사후 속성(post-hoc attribution) 방법들은 특징(features)을 식별해내기는 하지만, 기여도를 직접 읽어낼 수 있는 명시적이고 해석 가능한 모델을 제공하지는 못한다.

방법론
저자들은 de novo 모티프 발견과 발현 예측을 단일 엔드 투 엔드(end-to-end) 모델 내에서 결합한 해석 가능한 아키텍처인 CNN-CR(Contextual Regression을 이용한 합성 신경망)을 개발하였다.

• 아키텍처: 각 유제에 대해, 모델은 샘플 특이적 후성유전학적 주석(EpiMap) 및 예측된 3D 접촉(EpiTensor)으로 정의된 최대 20개의 400-bp 서열(최대 10개의 프로모터와 10개의 원위 엔한서)을 처리한다. 네트워크는 20개의 병렬 컨볼루션 브랜치(가중치 공유 없음)를 사용하며, 첫 번째 레이어의 256개 필터가 모티프를 발견한다. "맥락적 회귀(Contextual Regression)" 모듈은 각 모티프 발생에 대한 유전자 특이적 계수를 학습한다. 최종 예측은 모티프 활성화와 그 맥락적 가중치의 점곱(dot product)이며, 이를 모든 브랜치에 걸쳐 합산한다.
• 데이터: 모델은 116개의 인간 바이오샘플(EpiMap 컴펜디움)에 대해 독립적으로 훈련되어 log2 FPKM 발현 값을 예측하도록 설계되었다.
• 검증: 성능은 홀드아웃(held-out) 유전자들을 대상으로 벤치마킹되었으며, Enformer와 비교되었다. 시뮬레이션된 데이터에 임베디드된 모티프를 사용하여 모티프 회수를 검증함으로써 양성 대조군 실험을 수행하였다.
• 분석 파이프라인:
  1. 염색질 게이팅(Chromatin Gating): 모티프 수를 다양한 제약 조건 하에서 테스트하여(제한 없음 vs. 활성 염색질 피크로 제한), 염색질 상태가 모티프 효용성을 제어하는지 결정하였다.
  2. 어휘집 압축(Vocabulary Compression): 모든 116개 바이오샘플로부터 얻은 de novo 모티프를 유사성에 따라 클러스터링(TOMRIM)하고, 일치하는 전사 인자(TF)의 발현 여부를 기준으로 필터링하였다. 25개 이상의 바이오샘플에 걸쳐 나타나는 재발 임계값(recurrence threshold)을 사용하여 "핵심(core)" 어휘집을 정의하였다.
  3. 생물학적 검증: 핵심 모티프를 진화적 보존성(phyloP), 미세 매핑된 eQTL(GTEx)에서의 농축, ChIP-seq 피크와의 중첩, 그리고 독립적인 맥락(HEK293, 골관절염 활막 섬유아세포) 및 MPRA 리포터 어세이에서의 예측력을 통해 평가하였다.
  4. 리더(Reader) 분석: 5개 세포 라인의 ChIP-seq 데이터와 게놈 규모의 Perturb-seq 데이터셋(K562 및 HEK293T)을 사용하여, 동일한 모티프 패밀리를 점유하는 TF들이 맥락에 따라 변하는지, 그리고 그 기능적 영향이 맥락 의존적인지 테스트하였다.

주요 기여 및 결과

1. 염색질 게이팅: 본 연구는 모티프 발생을 염색질 상태와 무관하게 계산할 경우 예측 정보가 거의 없다(중앙값 Spearman $\rho \approx 0.16$)는 것을 보여준다. 그러나 특정 바이오샘플의 활성 조절 영역으로 제한했을 때, 예측력은 극적으로 증가한다($\rho \approx 0.66$). 이는 첫 번째 맥락의 층위, 즉 염색질 상태가 모티프 어휘집의 어떤 인스턴스가 사용 가능한지를 결정하는 게이트 역할을 한다는 것을 입증한다.
2. 압축된 공유 어휘집: 바이오샘플당 수백 개의 모티프를 학습함에도 불구하고(중앙값 705개 프로모터), 저자들은 최소 25개 이상의 116개 바이오샘플에 걸쳐 나타나는 43개의 핵심 모티프 패밀리를 식별하였다.
   • 예측력: 이 압축된 세트는 선형, 랜덤 포레스트 및 CNN-CR 모델 모두에서 전체 바이오샘플 특이적 어휘집의 약 94~97%에 달하는 예측 성능을 유지한다.
   • 특이성: 무작위로 선택된 43개의 JASPAR 모티프는 유의미하게 낮은 성능을 보였으며, 이는 식별된 핵심 어휘집의 생물학적 관련성을 확인시켜 준다.
   • 일반화: 고정된 43개 모티프 어휘집은 홀드아웃 세포 맥락(HEK293 및 환자 유래 활막 섬유아세포)과 MPRA 리포터 어세이(K562)에서 발현을 성공적으로 예측하였으며, 이는 모티프가 전이 가능한 서열 고유의 조절 정보를 인코딩함을 나타낸다.
3. 진화적 및 기능적 제약: 43개의 핵심 모티프는 대조군 모티프에 비해 결합 부위에서 더 높은 정보량과 진화적 보존성을 보인다. 이 모티프들과 일치하는 TF(254개의 고유한 TF)는 다른 TF들에 비해, 특히 DNA 결합 도메인 내에서 유의미하게 높은 돌연변이 제약(gnomAD pLI 및 LOEUF)을 보인다.
4. 맥락 의존적 리더 해석: 두 번째 맥락의 층위는 "리더 정체성(reader identity)"이다.
   • 다대일 매핑(Many-to-One Mapping): 각 핵심 모티프 패밀리는 여러 후보 TF와 매칭된다 (예: 모티프 14는 9개의 ETS 패밀리 인자를 매칭함).
   • 리더 스위칭(Reader Switching): ChIP-seq 분석 결과, 특정 모티프 패밀리를 점유하는 지배적인 TF가 세포 유형에 따라 빈번하게 변한다는 것이 드러났다 (예: ETS 모티프는 K562에서는 GABPA가 결합하지만, GM12878에서는 ELF1이 결합함).
   • 기능적 분화: Perturb-seq 데이터는 리더의 노크다운(knockdown)이 맥락 의존적인 영향을 미친다는 것을 확인해 준다. 동일한 모티프에 대해서도 서로 다른 리더가 각기 다른 세포 라인에서 지배적일 수 있으며, 그 효과의 크기는 K562와 HEK293T 사이에서 현저히 다르다.

의의 및 주장
본 논문은 조절 다양성이 모든 세포 유형을 위한 거대하고 구별된 DNA 모티프 컬렉션으로부터 주로 발생하는 것이 아니라고 주장한다. 대신, 압축된 공유 DNA 어휘집이 두 가지 맥락 의존적 연산을 통해 다양한 조절 출력을 생성한다는 모델을 제안한다:

1. 염색질 게이팅: 어떤 모티프 인스턴스가 접근 가능하고 사용 가능한지를 결정한다.
2. 리더 정체성: 호환 가능한 TF가 가용한 모티프를 어떻게 점유하고 어떻게 해석되는지를 결정한다.

저자들은 이 아키텍처가 제한된 인식 서열 집합이 어떻게 수백 개의 전사 상태를 지원할 수 있는지를 설명한다고 주장한다. 또한 비부호화 변이는 단순히 정형화된 TF 이름에 의해서가 아니라, 해당 모티프 인스턴스가 관련 세포 유형에서 접근 가능한지, 그리고 어떤 호환 가능한 인자가 그곳에서 이를 읽어내는지에 의해 해석되어야 한다고 제안한다. 나아가, 이 압축된 어휘집이 제약 없는 서열 공간에서 벗어나 재사용 가능하고 맥락 조절이 가능한 빌딩 블록으로 이동하는, 합성 조절 설계를 위한 다룰 수 있는 기초를 제공한다고 제안한다.

본 연구는 분석이 주로 프로모터 중심이며, 43개의 패밀리가 완전한 조절 알파벳이라기보다는 운영 가능한 압축된 기저(basis)임을 언급하며 한계를 인정한다. 또한, 본 프레임워크가 맥락 의존적 리더 기능을 식별하기는 하지만, 개별 모티프 인스턴스마다 리더 정체성을 확정적으로 할당하기 위해서는 단일 분자 해상도가 필요하다는 점을 밝히고 있다.