🧬 biology

DeepCNet: A multimodal deep learning model for predicting cell type-specific gene expression and promoter-enhancer interactions from single-cell multiome data

DeepCNet은 단일 세포 멀티옴 데이터를 활용하여 세포 유형 특이적 유전자 발현을 정확하게 예측하고 조절 프로모터-인핸서 상호작용을 추론함으로써, 전사 인자 유전자 조절 네트워크의 구축과 알츠하이머와 같은 질병에서의 조건 특이적 조절 변화 식별을 가능하게 하는 새로운 멀티모달 딥러닝 프레임워크이다.

원저자: Li Chen, Weijia Jin, Fengdi Zhao, Xin Ma, Qing Lu, Karyn Esser, Ramon Sun

게시일 2026-09-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Li Chen, Weijia Jin, Fengdi Zhao, Xin Ma, Qing Lu, Karyn Esser, Ramon Sun

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

인체의 모든 세포 안에는 읽히기를 기다리는 방대한 지시서 라이브러리가 자리 잡고 있습니다. 이 라이브러리는 세포가 어떻게 행동하고, 어떤 모습을 갖추며, 어떤 역할을 수행할지를 결정하는 긴 화학적 코드인 DNA로 기록되어 있습니다. 하지만 코드 그 자체는 이야기의 일부일 뿐입니다. 세포가 어떻게 작동하는지 이해하기 위해서 과학자들은 세포가 코드의 어느 부분을 읽고 어느 부분을 무시할지 어떻게 결정하는지도 이해해야 합니다. 이러한 의사결정 과정은 프로모터(promoters)와 인핸서(enhancers)라고 불리는 아주 작은 스위치들에 의존합니다. 프로모터는 유전자 바로 옆에 위치하여 정문 역할을 하는 반면, 인핸서는 때때로 수천 개의 DNA 염기서열만큼 멀리 떨어진 곳에 위치할 수 있는 리모컨과 같습니다. 세포가 특정 유전자를 활성화해야 할 때, 이 두 부분은 물리적으로 결합하여 DNA 가닥에 루프를 형성함으로써 유전자를 켭니다. 모든 서로 다른 유형의 세포에서 어떤 리모컨이 어떤 정문에 연결되는지를 알아내는 것은 현대 생물학에서 가장 어려운 퍼즐 중 하나입니다.

오랫동안 과학자들은 수백만 개의 세포가 섞여 있는 혼합물을 한꺼번에 관찰함으로써 이러한 연결을 연구할 수밖에 없었는데, 이는 마치 붐비는 경기장의 소음을 통해 대화를 이해하려고 노력하는 것과 같았습니다. 이러한 방식은 개별 세포 유형의 고유한 목소리를 흐릿하게 만들었습니다. 최근 기술의 발전은 연구자들이 단일 세포 수준에서 DNA와 유전자 활동을 관찰할 수 있게 함으로써 변화를 가져왔으며, 이를 통해 면역 세포, 뇌 세포 등의 독특한 조절 프로그램을 밝혀냈습니다. 그러나 이러한 고해결도 뷰를 갖추었음에도 불구하고, 멀리 떨어진 스위치들이 목표 유전자와 정확히 어떻게 연결되는지 예측하는 것은 여전히 주요한 과제로 남아 있습니다. 기존의 컴퓨터 모델들은 특히 알츠하이머와 같은 질병에서 이러한 연결이 어떻게 변하는지를 이해하려고 할 때, 그 복잡한 상호작용을 따라잡는 데 어려움을 겪는 경우가 많습니다.

플로리다 대학교의 연구진은 이 문제를 해결하기 위해 DeepCNet이라는 새로운 컴퓨터 프로그램을 개발했습니다. 이 도구는 가공되지 않은 DNA 서열과 복잡한 세포 행동 사이를 잇는 가교 역할을 하도록 설계되었습니다. 단순히 추측하는 대신, DeepCNet은 실제 데이터로부터 학습하여 특정 유형의 세포에서 유전자가 어떻게 행동할지 예측합니다. 프로그램은 두 가지 주요 요소, 즉 DNA 염기서열과 DNA의 물리적 접근성(DNA의 어느 부분이 열려 있고 읽힐 준비가 되었는지를 알려주는 정보)을 살펴봄으로써 이를 수행합니다. 이 두 가지 정보원을 결래함으로써, 프로그램은 어떤 인핸서가 어떤 유전자와 대화할 가능성이 높은지 추론할 수 있습니다.

연구진은 인간의 혈액 및 뇌 조직 데이터를 사용하여 DeepCNet을 테스트했습니다. 그들은 컴퓨터에게 혈액 내 면역 세포나 뇌 내 뉴런과 같은 다양한 세포 유형에서 특정 유전자가 얼마나 활성화될지 예측하도록 요청했습니다. DeepCNet의 예측치를 실제 세포에서 측정된 값과 비교했을 때, 이 새로운 프로그램은 기존의 다른 어떤 방법보다 우수한 성능을 보였습니다. 이 프로그램은 유전자 활동의 강도를 추측하는 데 더 정확했으며, 결정적으로 멀리 떨어진 인핸서와 그것이 제어하는 유전자 사이의 올바른 연결을 식별하는 데 더 뛰어났습니다. 신뢰성을 입증하기 위해 연구팀은 물리적인 DNA 루프 지도와 특정 DNA 스위치를 껐을 때의 실험 결과 등 독립적인 실험 데이터와 DeepCNet의 예측치를 대조했습니다. 모든 경우에서 DeepCNet이 추론한 연결은 다른 모델들보다 실제 증거와 더 밀접하게 일치했습니다.

단순히 유전자 활동을 예측하는 것을 넘어, DeepCNet은 세포의 행동을 지배하는 조절 네트워크를 지도화할 수 있게 해줍니다. 연구진은 이 도구를 사용하여 전사 인자(유전자의 마스터 스위치 역할을 하는 단백질)가 표적을 어떻게 제어하는지에 대한 상세한 지도를 구축했습니다. 프로그램은 알려진 조절자들을 성공적으로 식별해냈으며, 이들이 특정 세포 유형에서 어떻게 함께 작동하는지를 밝혀냈습니다. 예를 들어, 이 프로그램은 특정 단백질들이 어떻게 협력하여 면역 반응을 관리하는지를 강조하며, 많은 세포에 적용되는 공통 규칙과 특정 세포 유형을 정의하는 고유한 규칙을 모두 보여주었습니다.

DeepCNet의 힘은 질병을 이해하는 데까지 확장됩니다. 연구진은 알츠하이머병 환자 한 명과 건강한 대조군 한 명의 데이터를 적용하여 뇌에서 조절 연결이 어떻게 변할 수 있는지 확인했습니다. 두 데이터를 비교함으로써, 프로그램은 유전자와 그 스위치 사이의 연결이 질병 상태에서 어떻게 변경되었는지 구체적인 사례를 식별해냈습니다. 알츠하이머 환자의 뇌세포에서 프로그램은 AIF1이라는 유전자와 그 조절 스위치 사이의 연결이 강화된 것을 발견했는데, 이는 질병에서 나타나는 염증 현상과 일치하는 변화입니다. 또한 SLC20A2라는 또 다른 유전자에 대해서는 약화된 연결을 포착했습니다. 이러한 발견은 질병이 단순히 유전자가 켜지거나 꺼지는 문제가 아니라, 게놈의 물리적 배선이 재구성되는 문제임을 시사합니다.

연구진은 DeepCNet이 이러한 변화에 대한 강력한 계산적 근거를 제공하지만, 특정 환자 한 명과 건강한 사람 한 명 사이의 이번 비교 결과는 최종 진단이라기보다는 추가 연구를 위한 후보군으로 보는 것이 가장 적절하다고 강조합니다. 이 도구는 과학자들이 다음에 어디를 살펴봐야 할지를 알려주기 위해 설계되었습니다. 게놈이 어떻게 조직되어 있고 질병에서 어떻게 변하는지에 대한 더 명확한 그림을 제공함으로써, DeepCNet은 인간의 건강과 질병을 몰아붙이는 숨겨진 메커니즘을 탐구하는 새로운 방법을 제시하며, 복잡한 생물학적 퍼즐을 연구자들이 실제로 따라갈 수 있는 지도로 바꾸어 놓았습니다.

DeepCNet 기술 요약

문제 정의
비부호화 DNA(noncoding DNA)가 어떻게 다양한 세포 유형에서 유전자 발현을 결정하는지 이해하는 것은 게노믹스 분야의 근본적인 과제이다. 기존의 "서열-기능(sequence-to-function)" 딥러닝 모델들(예: ExPecto, Enformer)은 DNA 서열로부터 유전자 발현을 성공적으로 예측해 왔으나, 이들은 주로 벌크 조직 데이터나 독립적인 세포 유형 설정에 초점을 맞추어 개발되었으며, 종종 규제 추론보다는 예측 정확도를 우선시했다. 또한, 이러한 모델들은 일반적으로 세포 유형의 이질성을 명시적으로 모델링하거나 세포 유형 특이적인 프로모터-인핸서(PE) 상호작작용 및 전사 인자 유전자 조절 네트워크(TF-GRN)를 추론하지 못한다. 단일 세포 멀티옴 기술이 이제 단일 세포 해상도에서 RNA 발현과 염색질 접근성을 공동으로 프로파일링할 수 있게 되었음에도 불구하고, 이러한 다중 모달 데이터를 활용하여 세포 유형 특이적인 조절 메커니즘과 생물학적 조건에 따른 변화를 체계적으로 추론할 수 있는 계산 프레임워크는 부족한 실정이다.

방법론
저자들은 단일 세포 멀티옴 데이터로부터 세포 유형 특이적 유전자 발현을 예측하고 PE 상호작용을 추론하기 위해 설계된 다중 모달 딥러닝 프레임워크인 DeepCNet을 제안한다. 이 프레임워크는 두 가지 상보적인 변형으로 구성된다:

DeepCNet-S (단일 조건): 이 변형은 단일 생물학적 조건에 집중한다. 이는 네 가지 핵심 구성 요소를 통합한다:
- 서열 인코더(Sequence Encoder): 사전 학습된 서열-기능 모델(ExPecto)을 사용하여 유전자 프로모터와 인접한 ATAC 피크(TSS 기준 ±100 kb 이내)로부터 온-핫 인코딩된 DNA 서열을 고차원의 조직 및 세포 유형 인식 에피게놈 특징으로 변환한다. 이들은 ATAC 유래 특징(peak-to-TSS 거리 및 염색질 접근성)과 결합된다.
- 염색질 상호작용 모듈(Chromatin Interaction Module): 멀티 헤드 어텐션(MHA) 인코더를 활용하여 PE 상호작용을 모델링하고, 프로모터와 후보 인핸서에 대한 문맥화된 임베딩을 생성한다.
- 교차 세포 유형 오토인코더(Cross-Cell Type Autoencoder): ATAC 데이터에서 유도된 세포 유형 특이적 유전자 활성을 통합하여 결합된 유전자 임베딩을 학습한다. 이는 세포 유형별 인코더와 공유 디코더를 사용하며, 관련 있는 세포 유형 간의 정보 공유를 촉진하기 위해 재구성 손실(reconstruction loss)과 세포 유형 유사성 손실(계보 또는 위상적 거리에 기반)을 포함하는 복합 손실 함수에 의해 가이드된다.
- 유전자 발현 예측 모듈(Gene Expression Prediction Module): 염색질 상호작용 모듈과 오토인코더의 임베딩을 통합하여 세포 유형 특이적 유전자 발현을 예측한다.
DeepCNet-D (차등/이중 조건): 이 변형은 DeepCNet-S를 확장하여 두 가지 생물학적 조건(예: 질병 vs. 건강한 대조군)을 공동으로 모델링한다. 이는 공유된 DNA 서열 특징과 조건별 염색질 접근성을 사용하는 멀티 태스크 학습 프레임워크를 사용한다. 결정적으로, 학습 가능한 조건별 파라미터를 가진 공유 MHA 인코더를 사용하여 조건 간의 차등 PE 어텐션 점수( $\Delta A_{PE}$ )를 직접 모델링함으로써, 차등 PE 상호작용 및 조건 특이적 TF-GRN 재구성을 식별할 수 있게 한다.

주요 기여

다중 모달 통합: DeepCNet은 DNA 서열 문맥, 염색질 접근성, 그리고 세포 유형 관계를 단일 딥러닝 프레임워크로 독특하게 통합한다.
규제 추론: 표현형 예측에만 집중했던 기존 방법들과 달리, DeepCNet은 세포 유형 특이적 PE 상호작용을 명시적으로 추론하고 TF-GRN을 구축한다.
차등 모델링: DeepCNet-D는 두 가지 조건을 공동으로 모델링하는 조인트 모델링 접근 방식을 도입하여, 별도의 모델을 학습시킨 후 출력을 빼는 전략과 구별되며, 이를 통해 노이즈를 줄이고 조건 특이적 조절 변화를 더 효과적으로 포착한다.
세포 유형 인식 임베딩: 교차 세포 유형 오토인코더를 통해 모델이 관련 있는 세포 유형으로부터 정보를 빌려오는 동시에 세포 유형 특이적 패턴을 보존할 수 있게 하여, 희귀 세포 집단에서의 성능을 향상시킨다.

결과
저자들은 두 가지 대표적인 단일 세포 멀티옴 데이터셋인 PBMC(혈액)와 MFC(내측 전두엽 피질/뇌)를 통해 DeepCNet을 평가하였다.

유전자 발현 예측: DeepCNet은 세포 유형 특이적 유전자 발현을 예측하는 데 있어 최신 기술 수준의 방법들(EPInformer, ExPecto, seq2cells, Enformer, Borzoi 포함)보다 일관되게 우수한 성능을 보였다. PBMC의 19개 세포 유형과 MFC의 8개 세포 유형 전체에서 가장 높은 중앙값 피어슨 상관계수(R)와 가장 낮은 평균 제곱근 오차(RMSE)를 달면했다. 어블레이션 연구(Ablation studies)를 통해 서열 유래 임베딩과 교차 세포 유형 유전자 임베딩이 성능에 가장 결정적인 요소임을 확인했다.
PE 상호작용 추론: 직교하는 염색질 상호작용 데이터(혈액의 경우 ChIA-PET, 뇌의 경우 sn-m3C-seq) 및 CRISPR 섭동 데이터와 벤치마킹했을 때, DeepCNet은 PE 상호작용을 추론하는 데 있어 탁월한 성능을 입증했다. 이는 지도 학습 방식(DIRECT-NET, SCARlink) 및 비지도 학습 방식(ArchR, Cicero), 그리고 트랜스포머 기반 방식(EPInformer)보다 높은 AUROC 및 AUPRC 점수를 기록했다.
TF-GRN 구축: 추론된 PE 상호작용을 사용하여, DeepCNet은 세포 유형 특이적 TF-GRN을 성공적으로 재구성했다. PBMC 데이터에서 공통 면역 조절자(예: KLF2, NFKB1)와 세포 유형 특이적 허브(예: CD4 TCM의 FOXP1, 단핵구의 SPI1)를 식별했다. 타겟 유전자에 대한 GO 농축 분석은 면역 분화 및 신호 전달과 관련된 생물학적 타당성을 확인해주었다.
차등 분석 (DeepCNet-D): AD(알츠하이머병) 대 건강한 대조군 데이터에 적용했을 때, DeepCNet-D는 두 모델 전략(2DeepCNet-S)에 비해 두 조건 Hi-C 데이터에 대해 더 높은 진실 발견율(TDR)을 보이는 차등 PE 상호작용을 식별했다. 이 모델은 AIF1 및 APOE와 같은 유전자를 포함하는 미세아교세포(microglia) 내의 SPI1 중심 조절 모듈과 같은 조건 특이적 조절 변화를 강조하였으며, 이는 알려진 AD 병리 기전과 일치한다.

의의 및 주장
본 논문은 DeepCNet이 세포 유형 및 조건 특이적 유전자 발현의 기저에 있는 전사 조절 프로그램과 협력적 TF 상호작용을 특징짓는 강력하고 통일된 프레임워크를 제공한다고 주장한다. 단일 세포 멀티옴 데이터를 활용함으로써, DeepCNet은 유전자 발현 예측의 정확도를 높일 뿐만 아니라 PE 상호작용의 체계적 추론과 TF-GRN 재구성을 가능하게 한다. 저자들은 Deep-CNet-D가 조건을 공동으로 모델링함으로써 독립적으로 학습된 모델에서 발생하는 변동을 줄이고, 차등 조절 메커니즘을 식별하는 데 있어 뚜렷한 이점을 제공한다고 강조한다. 이 연구는 복잡한 질병과 같은 상태에서 차등 PE 상호작용 및 재편된 TF 허브를 찾아내는 데 있어 이 접근 방식의 잠재력을 보여주며, 세포 정체성과 질병 상태의 조절 기반을 이해하는 토대가 된다. 저자들은 결과가 유망하지만, 두 명의 기증자를 대상으로 한 AD 연구의 차등 발견 사항은 더 큰 코호트와 기능적 분석을 통한 추가 검증이 필요하므로 확정적인 인구 수준의 효과라기보다는 예시적인 후보로 간주되어야 한다고 언급하였다.

DeepCNet 기술 요약

유사한 논문