🧬 생물학

Identifying Robust Single-Cell 3D Genome Domain Boundaries with CellRoB

CellRoB은 단일 세포 3D 게놈 데이터의 희소성을 극복하여 공통 및 희귀 TAD 경계를 견고하게 식별함으로써 생물학적으로 유의미한 구조적 이질성을 밝혀내고, 전사체 데이터만으로는 구분이 불가능한 세포 하위 집단을 분해할 수 있게 하는 계산 프레임워크이다.

원저자: Yusen Ye, Shiji Liu, Lin Gao

게시일 2026-10-22

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yusen Ye, Shiji Liu, Lin Gao

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

우리 몸의 모든 세포 안에서 DNA는 느슨하게 엉킨 줄이 아니라, 책들이 특정 선반에 배열된 도서관처럼 정교하게 접혀 있는 구조를 이루고 있습니다. 이러한 3차원적 배열은 매우 중요한데, 이는 어떤 유전자가 켜지거나 꺼질지를 결정하며, 실질적으로 세포의 지침서 역할을 하기 때문입니다. 과학자들은 오랫동안 이 게놈이 '도메인'이라 불리는 뚜렷한 구역들로 나뉘어 있으며, 이 구역들은 '경계(boundaries)'라고 알려진 보이지 않는 울타리에 의해 구분된다는 사실을 알고 있었습니다. 이 울타리는 한 부분의 지침이 다른 부분의 지침과 실수로 섞이지 않도록 보장합니다. 그러나 연구자들이 군중 속의 세포가 아닌 단 하나의 개별 세포를 관찰할 때, 그 모습은 믿기 힘들 정도로 흐릿해집니다. 데이터가 너무 희소하고 빈틈이 많아서 이 울타리들이 실제로 어디에 서 있는지 파악하는 것이 거의 불가능하며, 이로 인해 개별 세포가 서로 어떻게 다른지 또는 어떻게 특정 조직 유형이 되기로 결정하는지 이해하기 어렵게 만듭니다.

시디안 대학교(Xidian University)의 연구팀은 이러한 '보이지 않음'의 문제를 해결하기 위해 CellRoB라는 새로운 계산 도구를 개발했습니다. 연구진은 노이즈가 섞인 데이터에서 억지로 선명한 그림을 만들어내려 하는 대신, 공통된 패턴을 찾아내면서도 세포 간의 자연스러운 변이를 존중하는 방식을 구축했습니다. 그들은 먼저 유사한 세포들의 정보를 활용하여 연결이 존재해야 할 위치를 추측함으로써, 개별 세포의 유전적 접촉 지도(genetic contact maps)에서 누락된 조각들을 채워 넣었습니다. 각 세포의 내부 구조를 더 명확하게 파악한 후, 그들은 잠재적인 경계들을 식별했습니다. 그다음 단계에서 진정한 혁신이 일어났습니다. 연구진은 수천 개의 세포에 걸쳐 이 경계들을 정렬했는데, 이때 경계들이 완벽하게 일치하도록 강요하는 것이 아니라, 특정 세포 집단에 대해 경계가 존재할 가능성이 가장 높은 위치를 찾아내는 방식을 사용했습니다. 이 접근법을 통해 그들은 거의 모든 세포에 존재하는 경계, 몇몇 세포에만 나타나는 경계, 그리고 단 하나의 세포에만 고유한 경계를 구분해 낼 수 있었습니다.

연구진은 마우스 뇌 세포와 인간 세포의 데이터를 사용하여 자신들의 방법을 테스트하고 기존 기술들과 비교했습니다. 그 결과, CellRoB는 데이터에서 많은 수의 접촉이 누락되었거나 해상도가 5,000 염기쌍 수준으로 극도로 높을 때도 훨씬 더 높은 정확도와 일관성으로 경계를 식별할 수 있음을 발견했습니다. 데이터가 더 상세해짐에 따라 희귀한 경계를 놓치거나 너무 많은 가짜 경계를 만들어내는 다른 방법들과 달리, CellRoB는 안정성을 유지했습니다. CellRoB는 대부분의 세포에서 공유되는 경계(이는 종종 세포의 기본 구조 단백질과 관련이 있음)를 성공적으로 식별했을 뿐만 아니라, 숨겨진 변이의 층위, 즉 아주 적은 비율의 세포에서만 나타나는 경계들을 밝혀냈습니다. 이 희귀한 경계들은 단순한 노이즈가 아니었습니다. 그것들은 세포의 정체성에 관한 구체적인 정보를 담고 있었으며, 신경계 발달과 같은 특수 기능을 담당하는 유전자들과 연결되어 있었습니다.

가장 놀라운 발견은 연구팀이 유전적 구조와 유전자 발현 데이터를 모두 포함하는 마우스 배아 데이터셋에 CellRoB를 적용했을 때 나타났습니다. 이 데이터셋에서 에피블라스트(epiblast)와 원시선(primitive streak) 세포 집단은 유전자 활성만을 기준으로 분석했을 때는 하나의 균일한 집단으로 나타났습니다. 그러나 연구진이 도메인 경계의 강도를 기반으로 이 세포들을 매핑했을 때, 이 집단은 두 개의 뚜렷한 하위 집단으로 나뉘었습니다. 이 두 그룹은 경계의 존재 여부가 아니라, 그 경계가 얼마나 강한지의 미세한 차이에 의해 구분되었습니다. 한 하위 집단의 세포들은 신경 조직이 되는 방향으로 나아가고 있음을 시사하는 유전적 징후를 보였던 반면, 다른 그룹은 비신경 계통으로 치우친 모습을 보였습니다. 이 발견은 게놈의 구조적 울타리의 강도가 세포의 운명을 결정하는 데 있어 결정적이면서도 이전에 간과되었던 요소임을 시사합니다. 이처럼 저빈도의 구조적 변이를 드러내고 게놈 구조의 강도를 정량화함으로써, CellRoB는 살아있는 세포 내부의 숨겨진 다양성을 보는 새로운 방법을 제시하며, 복잡한 유기체가 단 하나의 시작점에서 어떻게 발달하는지에 대한 더 명확한 시각을 제공합니다.

기술 요약: CellRoB를 이용한 견고한 단일 세포 3D 게놈 도메인 경계 식별

문제 정의
단일 세포 3D 게놈 기술은 집단 평균을 넘어 염색질 구조의 이질성을 조사할 수 있는 잠재력을 제공합니다. 그러나 단일 세포 접촉 지도(scHi-C, Dip-C, scMicro-C 등)에 내재된 극심한 희소성과 기술적 노이즈는 위상 연관 도메인(TAD) 경계를 가로막습니다. 이러한 희소성은 두 가지 주요 과제를 야기합니다:

탐지 신뢰성: 약한 경계 신호는 탐지되지 않는 경우가 많으며, 위치적 불확실성은 세포 간 비교를 어렵게 합니다.
비교 가능성: 경계가 탐지되더라도, 위치적 불일치는 경계의 발생 및 강도에 대한 체계적인 비교를 방해합니다.
기존의 계산 접근 방식(예: scHiCluster, Higashi, DeTOKI, DeDoc2)은 주로 접촉 임퓨테이션(imputation)이나 도메인 탐지에 집중하며, 세포 간 일관된 경계 표현을 구축하는 데에는 실패합니다. 또한, 데이터를 의사 벌크(pseudo-bulk) 지도로 통합하는 것은 반복되는 신호를 강화하지만, 소수의 세포에서만 공유되는 저빈도 경계를 가려버려 희귀한 구조적 변이의 특성 규명을 제한합니다.

방법론: CellRoB 프레임워크
CellRoB는 세포 특이적 변이를 보존하면서 단일 세포 염색질 도메인 경계를 견고하게 식별하고 비교하기 위해 설계된 계산 프레임워크입니다. 파이프라인은 네 가지 주요 단계로 구성됩니다:

접촉 임퓨테이션 (Contact Imputation):
- 이 방법은 먼저 Higashi를 사용하여 500 kb 빈(bin) 접촉 지도를 기반으로 세포-세포 유사도 행렬( $W$ )을 생성합니다.
- 각 세포에 대해 상위 $k=15$ 개의 최근접 이웃만을 유지합니다.
- 원시 40 kb 접촉 지도( $H_i^{raw}$ )는 이웃들의 원시 지도를 가중 평균하여 임퓨테이션됩니다:
  $H_i^{imp} = \frac{H_i^{raw} + \sum_{j=1}^N W_{ij} H_j^{raw}}{1 + \sum_{j=1}^N W_{ij}}$
초기 단일 세포 경계 탐지:
- 밀도 기반 클러스터링에서 영감을 얻어, CellRoB는 두 가지 지수를 사용하여 개별 세포의 경계 후보를 식별합니다:
  - 절연 강도 ( $\rho(i)$ ): 윈도우( $w=15$ bins, 40 kb 기준) 내의 도메인 내부 및 도메인 간 접촉 합계의 정규화된 차이로 계산됩니다.
  - 최소 거리 ( $\delta(i)$ ): 범위 $M$ (20 Mb) 내에서 더 높은 절연 강도를 가진 가장 가까운 빈까지의 거리입니다.
- 이 지수들은 정규화되어 점수 $\eta(i) = \rho'(i)\delta'(i)$ 로 결합됩니다.
- 반사점 $r$ 은 높은 점수와 낮은 순위를 균형 있게 조절하기 위해 결정됩니다. $\eta(i) > \alpha \eta(r)$ 을 만족하는 빈(bin)들이 초기 경계로 선택됩니다 ( $\alpha$ 는 빈 크기에 따라 조절됨).
교차 세포 정렬 (Cross-Cell Alignment):
- 위치적 불일치를 해결하기 위해, 모든 세포의 원시 경계 신호를 집계하고 균일 커널을 사용하여 평활화(smoothing)합니다.
- 평활화된 신호의 국소 골짜기(local valleys)는 게놈 공간을 그룹으로 분할합니다.
- 각 그룹에 대해, 해당 그룹 내에 경계를 가진 모든 세포에 대해 절연 점수 손실(insulation-score loss)의 제곱을 최소화함으로써 합의된 빈(consensus bin)을 결정합니다. 이는 모든 세포에 대해 이진적인 "존재/부재" 결정을 강요하지 않고 경계를 공통 좌표계로 정렬합니다.
보존 분류 (Conservation Classification):
- 정렬된 경계는 세포 집단 전체에서의 발생 빈도( $f_i$ $f_{i}$ )에 따라 다음과 같이 분류됩니다:
  - 희귀 (Rare): $1\% \le f_i < 10\%$
  - 약하게 보존됨 (Weakly Conserved): $10\% \le f_i < 50\%$
  - 강하게 보존됨 (Strongly Conserved): $f_i \ge 50\%$

주요 결과

Dip-C 데이터에 대한 성능: 마우스 뇌 Dip-C 데이터(염색체 6, 40 kb)를 대상으로 벤치마킹한 결과, CellRoB는 HiCS, Higashi, DeTOKI, DeDoc2에 비해 우수한 성능을 보였습니다.
- 생물학적 타당성: 예측된 경계는 전형적인 인자(CTCF, H3K4me3, 하우스키핑 유전자)에 대해 가장 높은 농축도를 보였습니다.
- 일관성: CellRoB는 구조적으로 유사한 세포들을 비교할 때 가장 높은 Jaccard Index (JI)와 일치도 측정치(MoC)를 달아냈습니다.
- 견고성: 접촉 드롭아웃(dropout) 수준(5% ~ 40%) 전반에 걸쳐 가장 높은 F1 점수를 유지했으며, 복제 데이터셋에서 높은 재현성을 보였습니다.
고해상도 성능 (scMicro-C): 인간 GM12878 scMicro-C 데이터를 40 kb에서 5 kb 해상도까지 평가했습니다.
- 빈 크기가 작아짐에 따라 예측된 경계의 수가 기하급수적으로 증가하는 다른 방법들(HiCS, DeDoc2, DeTOKI)과 달리, CellRoB는 안정성을 유지했습니다.
- 5 kb 해상도에서도 가장 높은 MoC와 가장 강력한 생물학적 특징 농축을 달성했습니다.
- G1-기 세포의 유전자 GO 농축 분석 결과, 서로 다른 경계 클래스에 연관된 유전자들은 뚜렷한 기능적 프로파일을 나타냈습니다: 희귀 경계는 신경계 발달과 연결된 반면, 강하게 보존된 경계는 세포 분열과 연결되었습니다.
희귀 경계의 특성 규명:
- CellRoB는 풀링된 분석에서는 놓치기 쉬운, 소수의 세포에서만 존재하는 경계를 성공적으로 탐지했습니다.
- 희귀 경계는 뚜렷한 세포 유형 정보(예: 신경 분화 유전자 농축)를 담고 있었으며, 보존된 경계와는 다른 후성유전학적 특징을 보였습니다.
발달 하위 집단 분리 (HiRES 데이터셋):
- 다중 모드 마우스 배아 데이터(Hi-C + RNA-seq)에 적용했을 때, CellRoB 유래 경계 강도 프로파일은 RNA 유래 임베딩에서는 구별할 수 없었던 배아(Epiblast) 및 원시선조(Primitive Streak, EPI) 그룹 내의 두 하위 집단을 분리해냈습니다.
- 차이 분석 결과, 이 하위 유형들은 경계의 존재 여부(이진 특징)가 아니라 경계 강도의 양적 변화(절연 점수)에 의해 구분된다는 것이 밝혀졌습니다.
- 하위 유형 1은 신경관 폐쇄 관련 유전자가 농축된 반면, 하sub 유형 2는 비신경 발달 과정과 관련된 유전자가 농축되어 있어, 서로 다른 발달 궤적을 시사했습니다.

의의 및 주장
본 논문은 CellRoB가 신뢰할 수 있는 단일 세포 경계 식별과 저빈도 구조적 변이 발견을 연결하는 견고한 프레임워크를 제공한다고 주장합니다. 주요 기여는 다음과 같습니다:

향상된 비교 가능성: 반복되는 경계 영역을 모델링하고 절연 점수 최소화를 통해 이를 정렬함으로써, 세포 간 경계의 발생 및 강도를 체계적으로 비교할 수 있게 합니다.
희귀 특징의 회복: 집단 평균에 의해 가려지는 희귀 경계를 정의하고 특성화할 수 있게 하여, 생물학적으로 유의미한 구조적 이질성을 드러냅니다.
양적 구조적 특징: 양적 경계 강도가 단순히 이진적인 경계 존재 여부를 넘어, 전사체 데이터만으로는 분리할 수 없는 세포 이질성과 발달 상태를 해결하는 구조적 특징으로 기능할 수 있음을 입증했습니다.

저자들은 CellRoB가 일관성을 개선하지만, 입력 커버리지와 전처리 선택(임퓨테이션, 빈 크기)에 의존한다는 점을 언급했습니다. 또한 희귀 경계 분류가 빈도 임계값에 의존하며, 단일 세포 경계 주석에 대한 확립된 표준(gold standard)이 존재하지 않으므로 추론된 경계의 물리적 유의성을 확립하기 위한 독립적인 실험적 검증이 필요함을 인정했습니다.

유사한 논문