머신러닝으로 규명한 이가 히스톤 변형의 DNA 서열 결정 요인

주장이가 히스톤 변형은 우연한 현상이 아니라 특정 DNA 서열 정보에 의해 암호화된 정교한 후성유전학적 상태입니다. 연구진은 머신러닝 모델로 이러한 서열 결정 요인을 식별하여 줄기세포 분화와 유전자 조절 기전을 이해하는 새로운 틀을 제시했습니다.

팩트연구진은 생쥐 배아 줄기세포에서 H3K4me3, H3K27me3, H3K9me3의 전장 유전체 프로파일링을 수행했습니다. 분석 결과, 이가 도메인은 단일 변형 영역보다 높은 GC 함량과 강력한 진화적 보존성을 보였습니다.

팩트이가 변형이 나타나는 유전자는 히포(Hippo), 맵키나아제(MAPK), 티지에프-베타(TGF-beta) 등 발달 신호 전달 경로에 관여합니다. 이는 이가 히스톤 변형이 세포 운명을 결정하는 핵심 발달 유전자 조절에 필수적임을 의미합니다.

팩트머신러닝 모델은 케이-머(k-mer) 서열 특징을 학습하여 이가 영역과 단일 영역을 정확하게 구분했습니다. 특히 TCTGAA와 TCACAG 모티프는 옥트포(OCT4), 삭스투(SOX2), 이에스알알비(ESRRB), 티씨에프씨피투엘원(TCFCP2l1) 등 다능성 전사 인자와 밀접하게 연관됩니다.

팩트딥러닝 모델은 예측 정확도를 높였으며 이가 피크 경계에서 특정 모티프가 풍부하게 나타나는 위치적 특이성을 발견했습니다. 이는 DNA 서열이 히스톤 변형의 위치와 조합을 결정하는 정보를 담고 있음을 입증합니다.

교차검증기존 연구는 히스톤 메틸전이효소와 히스톤 변형의 관계에 집중했으나 변형을 유도하는 근본적인 DNA 서열 결정 요인은 규명하지 못했습니다. 본 연구는 머신러닝을 도입하여 유전체 서열과 후성유전학적 상태 사이의 직접적인 연결 고리를 확인했습니다.

팩트H3K4me3은 전반적으로 높은 농도를 보였으나 H3K27me3 및 H3K9me3은 상대적으로 낮은 농도를 나타냈습니다. H3K4me3, H3K27me3, H3K9me3이 모두 존재하는 삼가 도메인은 전체 피크의 1%에서 8% 수준에 그쳤습니다.

팩트H3K9me3을 포함하는 이가 도메인은 라인(LINE/L1)과 같은 반복 서열 요소에서 높은 농도를 보였습니다. 이는 H3K9me3이 레트로트랜스포존을 침묵시키는 역할을 수행하며 이가 도메인 형성에도 관여함을 보여줍니다.

팩트이가 히스톤 변형은 배아 줄기세포가 분화 과정에서 특정 유전자를 준비된 상태로 유지하게 합니다. 세포는 이 조절 장치를 통해 외부 신호에 따라 유전자 발현을 빠르게 활성화하거나 억제합니다.

출처네이처 커뮤니케이션즈 바이올로지(Nature Communications Biology)에 게재된 '머신 및 딥러닝을 통한 이가 히스톤 변형 암호화 서열 결정 요인 규명(Machine and Deep Learning Reveal Sequence Determinants Encoding Bivalent Histone Modifications)' 논문을 교차 검증했습니다.