기술 요약: 공통 유전체 구조(Syntency) 제약을 활용한 교차 종 간 ncRNA 주석 달기

문제 정의

참조 기반의 주석 전이(Reference-based annotation transfer)는 단백질 코딩 유전자의 경우 잘 확립되어 있으나, 비코딩 RNA(ncRNA)의 경우에는 여전히 까다로운 과제이다. ncRNA는 코딩 유전자와 달리 일차 서열 보존성이 약하고, 전사체 경계가 모호하며, 종 간에 주석이 이질적일 수 있다. ncRNA에서의 진화적 보존은 전체 전사체가 아닌 짧은 모티프나 국소적 도메인에 국한될 수 있으며, 전체 로커스(Locus) 비교 방식은 이러한 국소적 신호를 희석시킬 위험이 있다. Covariance model(Infernal/Rfam)이나 구조 인식 정렬(LocFARNA)과 같은 기존 방법들은 사전에 정의된 패밀리 모델이나 알려진 서열에 의존하므로, 큐레이션된 모델이 없는 참조 로커스에 대한 주석을 전이하거나 거대한 다중 엑손 로스 내에서 보존된 하위 영역을 식별하는 데 적합하지 않다.

방법론: CURIA 파이프라인

저자는 CURIA를 제시하며, 이는 교차 종 간 ncRNA 대응 관계를 **RNA 임베딩 공간에서의 공통 유전체 구조 제약 매칭(synteny-constrained matching in RNA embedding space)**으로 프레임화한다. 이 파이프라인은 게놈 정렬 체인(Genome alignment chains)과 RiNALMo RNA 파운데이션 모델의 표현형을 결합한다.

핵심 워크플로

1. 입력 및 전처리: 파이프라인은 ncRNA 주석이 포함된 참조 게놈(BED12), 쿼리 게놈, 그리고 쌍별 게놈 정렬 체인(UCSC chain 형식)을 입력값으로 받는다. 동일한 로커스의 이소폼(Isoform)들은 탐색 공간을 정의하기 위해 "합집합 엑손 모델(union exon model)"로 병합된다.
2. 후보 영역 예측: TOGA 오솔로지(Orthology) 프레즘을 변형한 체인 기반 분류기를 사용하여, 참조 로커스를 쿼리 게놈 상에 투영한다. 이 단계에서는 전사체를 완전히 재구성하지 않고도 후보 영역을 식별하기 위해 합성 유전자 수, 엑손 점유율, 플랭크(Flank) 커버리지와 같은 특징을 사용한다.
3. 분기 라우팅(Branch Routing): 로커스는 생물학적 유형(Biotype)이 아닌 기하학적 특성에 따라 처리된다:
   • Compact Branch: 256 nt 이하의 단일 엑손 로커스는 완전한 영역-으로 취급된다.
   • Localized Subregion Branch: 256 nt를 초과하는 긴 단일 엑손 로커스와 모든 다중 엑손 로커스는 임베딩 공간에서 교차 종 간 매칭에 적합한 국소적 후보 영역("섬")을 스캔한다.
4. 임베딩 생성: 서열은 650M 파라미터를 가진 RiNALMo RNA 파운데이션 모델의 뉴클레오타이드 단위 임베딩을 사용하여 표현된다. 두 가지 작업별 PCA 투영이 적용된다:
   • 위치 수준 매칭을 위한 $k=16$
   • 국소적 하위 영역 검출을 위한 $k=64$
5. 검출 및 매칭:
   • 짧은 ncRNA: 쿼리 게놈의 후보 윈도우는 16차원 임베딩에 RBF 커널을 적용한 **최대 평균 불일치(Maximum Mean Discrepancy, MMD)**를 사용하여 참조와 비교된다. 최적의 윈도우는 국소 경계 섭동(Local boundary perturbation)을 통해 정교화된다.
   • 긴/다중 엑손 ncRNA: 로지스틱 회귀 검출기가 참조 내에서 "섬"(임베딩 공간 내에서 교차 종 간 매칭에 적합한 국소적 후보 영역)을 식별한다. 이 섬들은 정렬 체인을 통해 쿼리 게놈으로 투영된다. 쿼리 섬 역시 유사하게 검출된다. 마지막으로, 참조 섬과 쿼리 섬은 (16D 임베딩으로부터 유도된) per-token 코사인 유사도 행 matrix에 대한 Smith–Waterman 국소 정렬을 사용하여 매칭된다.
6. 스코어링: 매치는 임베딩-SW 거리 $d = 1/(1+s)$ (여기서 $s$는 정렬 점수)에 의해 스코어링된다. 낮은 $d$ 값은 더 강력한 매치를 의미한다. 할당을 필터링하기 위해 공선성(Collinearity) 제약이 적용된다.

주요 기여

1. 정식화: 교차 종 간 ncRNA 주석 달기 작업을 사전에 정의된 패밀리 모델이나 엔드 투 엔드 전사체 보존 없이도 가능한, 공통 유전체 구조 제약 내의 임베딩 공간 매칭으로 재정의하였다.
2. 파이프라인 개발: 체인 기반 로커 투영과 국소 임베딩 기반 비교를 통합하는 CURIA를 도입하였다.
3. 이중 전략 접근법: 컴팩트한 로커(MMD 기반 글로벌 비교)와 확장된 로커(국소적 섬 검출 및 Smith–Waterman 매칭)를 위한 상호 보완적인 전략을 개발하였다.
4. 게놈 규모 적용: 19종의 포유류 게놈을 대상으로 한 적용을 통해, 전통적인 서열 메트릭으로는 완전히 설명할 수 없는 반복적인 후보 대응 관계를 식별하였다.

결과

파이프라인은 인간(hg38)을 참조로 하여 19개 인간-쿼리 게놈 쌍(영장류부터 유전류까지)에 대해 평가되었다.

• Compact ncRNAs: 인간-마우스 비교에서, 예측된 short-ncRNA 로커 중 52.4%가 주석된 엑손과 겹쳤다. MMD 점수는 뉴클레오타이드 항등성과 강한 역상관 관계를 보였다. 그러나 MMD를 서열 전용 베이스라인에 추가했을 때 주석 지원 예측 성능 향상은 미미했다($\Delta$ROC-AUC = +0.0064). 이는 컴팩트한 ncRNA의 경우 임베딩 유사성이 기존의 서열 메트릭을 상당 부분 추적함을 시사한다.
• 국소적 하위 영역 (Islands): 긴 로커스의 경우, 파이프라인은 27,784개의 참조 섬을 식별하였다. 인간-마우스 비교에서, 수용된 쿼리-섬 매치 중 50.1%가 주석된 엑손과 겹쳤다.
• 반복되는 핵심(Recurrent Cores): 다중 종 스크리닝을 통해 최소 17종의 쿼리 게놈에서 임베딩으로 지지되는 영역을 포함하는 1,693개의 인간 lncRNA 로커를 식별하였다. 거리 임계값 $d \le 0.02$를 사용한 더 엄격한 하위 집합에서는 170개의 로커가 식별되었다.
• 임베딩의 상보성: 국소적 하위 영역 매칭에서, 임베딩 기반 점수는 뉴클레오타이드 항등성, 국소 정렬, k-mer 유사성 및 조성 이상의 순위 정보를 제공하였다. 서열 유사성이 낮은 쌍의 경우, 임베딩-SW는 인간-마우스 비교에서 뉴클레오타이드 Smith–Waterman보다 상대방을 순위 매기는 데 현저히 뛰어난 성능을 보였다 (ROC-AUC 0.798 vs. 0.615).
• 구조 분석: 탐색적 ViennaRNA 비교 결과, 이질적인 구조적 합의가 나타났다. RNU6-7과 같이 거의 동일한 쌍을 보이는 매치가 있는 반면, 일부는 약하거나 경계에 의존적인 합의를 보여, 강력한 임베딩 대응이 반드시 균일한 이차 구조 보존을 의미하는 것은 아님을 나타냈다.

의의 및 주장

저자는 이 연구를 생산 가능한 주석 프레임워크라기보다는 **개념 증명(Proof of concept)**이라 규정한다. 주요 의의는 공통 유전체 구조 제약 및 임베딩 기반 주석이 게놈 규모에서, 특히 일차 서열 보존성이 약하거나 이질적인 경우에도 유익한 교차 종 간 ncRNA 대응 관계를 복구할 수 있음을 입증한 데 있다.

주요 주장 사항은 다음과:

• 국소적 보존: 결과에 따르면, 검출 가능한 교차 종 대응 관계는 전체 주석된 로커스에 분포하기보다 국소적 하위 영역("섬")에 집중될 수 있다.
• 상보적 신호: 국소적 RNA 임베딩은 전통적인 서열 보존을 보완하는 비교 신호를 제공한다. 이는 서열 유사성이 낮은 긴 ncRNA의 후보 대응 관계를 순위 매길 때 특히 두드러진다.
• 실현 가능성: 체인으로 정의된 후보 로커로 비교 범위를 제한함으로써, 계산 집약적인 게놈 전체 임베딩 스캐닝 작업을 실행 가능하게 만들었다.
• 한계점: 저자는 이 방법이 진화적 오솔로지(Orthology), 생물학적 기능, 또는 안정적인 RNA 구조를 확립하는 것이 아님을 명시했다. 결과는 공통 유전체 구조와 임베딩 유사성에 의해 공동히 지지되는 후보 대응 관계이며, 추가적인 검증이 필요하다. 또한 이 접근법은 게놈 정렬 체인의 품질과 RNA 파운데이션 모델이 학습한 특정 표현형에 크게 의존한다.