Prioritization of Androgenetic Alopecia-Associated Lactylation Sites through Multi-Omics Integration and the HybridKla Deep Learning Framework

기술 요약: 멀티오믹스 통합 및 HybridKla 딥러닝 프레임워크를 통한 안드로겐성 탈모 관련 락틸화 부위의 우선순위 지정

문제 정의
안드로겐성 탈모(AGA)는 모낭의 소형화를 특징으로 하지만, 모낭 미세환경 내에서 발생하는 이 과정의 분자적 기초는 여전히 완전히 이해되지 않은 상태이다. 최근의 단일 세포 및 공간 전사체 연구가 변화된 세포 상태와 세포 간 통신을 식별해냈으나, 전사 데이터만으로는 단백질 풍부도나 번역 후 조절(PTM) 상태를 포착할 수 없다. 특히, 젖산 대사와 유전자 조절을 연결하는 대사적 PTM인 라이신 락틸화(Kla)가 AGA에 기여하는 바는 제대로 규명되지 않았다. 과제는 변형된 펩타이드의 풍부도 변화가 진정한 부위 특이적 조절 변화를 반영하는 것인지, 아니면 단순히 총 단백질 수준의 변화를 반영하는 것인지를 구별하는 것이며, 전체 조직 샘플의 복잡성 속에서 기능적 조사를 위한 특정 락틸화 부위를 우선순위화하는 것이다.

방법론
본 연구는 실험적 프로파일링과 딥러닝 기반의 서열 예측을 결합한 통합 멀티오믹스 워크플로우를 채택하였다:

1. 멀티오믹스 데이터 생성:

   • 단일 세포 전사체학: 3명의 공여자로부터 얻은 6개의 쌍을 이룬 전두부(FH) 및 후두부(OC) 두피 샘플을 분석하였다. 특정 T세포 집단(클러스터 C21)을 추출하여 의사 벌크(pseudobulk) 분석을 수행함으로써 전사적 맥락을 설정하였다.
   • 단백질체학 및 락틸로믹스: 2명의 공여자로부터 얻은 쌍을 이룬 FH 및 OC 샘플에 대해 데이터 독립적 획득(DIA) 질량 분석법을 수행하였다. 여기에는 총 단백질 프로파일링과 항-라이신 락틸화 항체를 이용한 락틸로믹 프로파일링이 포함되었다.
   • 정량화: 총 단백질 및 락틸화 부위 풍부도를 정량화, 정규화하고, 지역 간(FH 대 OC) 비교를 통해 총 단백질과 변형된 펩타이드가 상반된 변화를 보이는 불일치 경향을 식별하였다.

2. 딥러닝 프레임워크 (HybridKla 적응):

   • 모델 아키텍처: ESM2(단백질 언어 모델), LSTM(Long Short-Term Memory) 네트워크, 그리고 수작업으로 설계된 물리화학적/구성적 특징을 통합한 HybridKla 프레임워크를 적응시켰다.
   • 표현 방식 비교: 락틸화 부위 예측을 위한 최적의 입력을 결정하기 위해 다섯 가지 ESM2 표현 전략(CLS 토큰, 중앙 라이신 임베딩, 마스크드 평균 풀링, 결합 방식)을 평가하였다.
   • 점수 융합: "5D MetaModel"을 통해 ESM2-E4, LSTM, 그리고 세 가지 수작업 특징 모델(AAINDEX, CKSAAP, OBC)의 예측을 융합하였다.
   • 적응 전략: 실험실 데이터에 대한 민감도를 높이기 위해 ESM2 백본을 동결하고, 본 연구의 자체 락틸로믹 데이터 하위 집합을 사용하여 분류 헤드(classification head)만을 미세 조정(fine-tuning)하는 실험실 데이터 적응 방식을 사용하였다.

3. 후보군 우선순위 지정:

   • 후보군은 다음 세 가지 수렴하는 증거를 바탕으로 우선순위가 지정되었다: (1) AGA 관련 조직에서 총 단백질과 변형된 펩타이드 풍부도 사이의 상반된 지역적 경향, (2) 적응된 딥러닝 모델의 높은 예측 점수, (3) 높은 질량 분석법 기반 부위 국소화 확률.
   • 구조적 맥락은 AlphaFold 모델을 사용하여 잔기 위치와 국소 신뢰도(pLDDT)를 시각화하여 평가하였다.

주요 결과

• 전사체 맥락: C21 T세포 집단에 대한 의사 벌크 분석 결과, "헬퍼 관련(helper-associated)" 모듈(ZBTB7B 포함)이 세 명의 공여자 모두에서 전두부 두피에서 일관되게 증가하는 양상을 보였다(통계적으로 유의미하지는 않음).
• 불일치 풍부도 경향: 두 쌍의 공여자 데이터에서, 총 ZBTB7B 단백질 풍부도는 전두부에서 더 높았으나(FH/OC 비율 = 1.806), K206 및 K212와 관련된 락틸화된 펩타이드는 전두부에서 더 낮은 풍부도를 보였다(FH/OC 비율 각각 0.523 및 0.587). 이러한 상반된 경향은 총 단백질 분석보다 부위 특이적 조사가 필요함을 강조했다.
• 모델 성능:
  • E4 표현 방식(중앙 라이신과 마스크드 평균 풀링의 결합)이 ESM2 변이들 중 가장 높은 평균 ROC-AUC(0.8222)를 달ien했다.
  • 5D MetaModel은 참조 데이터셋에서 ROC-AUC 0.8281 및 PR-AUC 0.7984를 달성했다.
  • 실험실 데이터 적응은 이전에 보지 못한 단백질들에 대한 양성 부위의 평균 재현율(recall)을 78.09%에서 90.75%로 크게 향상시켰으나, 이는 전반적인 분류 특이성보다는 탐지 민감도를 개선한 것이었다.
• 후보 식별: K206와 K212 모두 5D MetaModel에 의해 양성 부위로 예측되었다. 질량 분석 기록은 해당 부위들(K206: 0.896–1.000; K212: 모든 실행에서 1.000)에서 높은 국소화 확률을 가진 락틸화된 펩타이드의 존재를 확인했다. 구조적 시각화 결과, 이 잔기들은 BTB/POZ 도메인과 C2H2 아연 집게(zinc-finger) 영역 사이의 낮은 신뢰도 영역에 위치하는 것으로 나타났다.

주요 기여

• 부위 특이적 우선순위 지정 워크플로우: 본 연구는 멀티오믹스 관찰(전사체학, 단백질체학, 락틸로믹스)을 잔기 특이적 서열 예측과 연결하여 후보 PTM 부위를 우선순위 지정하는 워크플로우를 확립하였다.
• ZBTB7B K206/K212 식별: 본 연구는 총 단백질과 상반된 풍부도 경향을 보이는 독특한 프로파일을 근거로, ZBTB7B K206 및 K212를 AGA의 후보 락틸화 부위로 우선순위 지정하였다.
• 방법론적 적응: 본 논문은 동일한 실험실 출신의 홀드아웃(held-out) 단백질 세트에 대한 재현율을 높이기 위해 사전 학습된 단백질 언어 모델(HybridKla)을 분류 헤드 미세 조정을 통해 적응시키는 방법의 유용성을 입증하였다.
• 맥락적 통합: ZBTB7B의 T세포 계통 조절 역할과 락틸화에 의한 잠재적 번역 후 조절을 연결함으로써, 모낭 미세환경 내 면역 상태를 조사하기 위한 분자적 진입점을 제공한다.

의의 및 주장
저자들은 본 연구의 주요 기여가 인과적 질병 메커니즘의 확립이 아니라, 번역 후 조절을 조사하기 위한 집중된 근거를 제공하는 것이라고 밝히고 있다. 멀티오믹스 데이터와 딥러닝을 통합함으로써, 본 연구는 AGA 연구를 발현 차이에 대한 광범위한 기술 단계에서 단백질 회전, 조절 복합체 조립 및 염색질 조절에 관한 검증 가능한 부위 특이적 가설 단계로 진전시킨다.

본 논문은 자신의 연구 결과를 "후보 부위 우선순위 지정" 및 "분자적 리드"라고 겸손하게 규정한다. 또한 적은 수의 생물학적 공여자, 건강한 대조군의 부재, 그리고 전체 두피 조직 데이터가 변형의 세포 기원을 확정적으로 할당할 수 없다는 점을 명시적으로 인정한다. 연구는 ZBTB7B의 총 단백질과 락틸화된 펩타드 풍부도 사이의 불일치가 이 특정 잔기들이 ZBTB7B의 전사 활성이나 모낭 성장에 영향을 미치는지 여부를 결정하기 위한 표적 검증을 필요로 한다는 결론을 내린다.