배경

인간 유전체에는 특정 세포에서 유전자 발현을 조절하는 수백만 개의 인핸서가 존재한다. 질환 관련 변이의 상당수는 단백질 코딩 영역이 아닌 인핸서에 위치하지만, 어떤 유전자를 어떤 세포에서 조절하는지 파악하기는 어렵다. 인핸서와 표적 유전자가 수십만 염기쌍 떨어져 있거나, 가장 가까운 유전자를 건너뛰어 작용하기 때문이다.

기존의 Activity-by-Contact (ABC) 및 ENCODE-rE2G 모델은 염색질 활성 및 3차원 접촉 정보를 이용하여 조절 관계를 예측했다. 그러나 벌크 조직 분석에서는 여러 세포의 신호가 혼합되므로 희귀 세포 또는 일시적인 세포 상태의 조절 회로를 식별하기 어렵다. 단일세포 크로마틴 접근성 분석 (scATAC-seq) 및 단일세포 RNA 시퀀싱 (scRNA-seq)이 대안으로 떠올랐지만, 접근성과 발현량의 단순 상관관계에 의존하는 비지도 학습 방식은 정확도를 객관적으로 평가할 표준 데이터가 부족했다.

연구진은 이러한 한계를 해결하기 위해 단일세포 인핸서-유전자 예측 모델인 scE2G를 개발했다. 연구 결과는 2026년 8월 3일 Nature Genetics에 발표되었다.

핵심 발견

scE2G는 scATAC-seq만을 사용하는 scE2G-ATAC과, 동일한 세포에서 RNA 및 ATAC을 함께 측정한 데이터를 사용하는 scE2G-Multiome으로 구성된다. 두 모델 모두 지도 학습 기반 로지스틱 회귀 분류기이다. 연구진은 K562 적백혈병 세포에서 CRISPR을 사용하여 평가한 인핸서-유전자 후보 10,342쌍을 학습 데이터로 사용했다. 인핸서 억제 후 유전자 발현이 유의미하게 감소한 양성 연결은 466개, 음성 연결은 9,876개였다.

scE2G-ATAC은 ABC 점수, 인핸서와 프로모터의 염색질 접근성, 두 영역 사이의 거리 및 유전자 밀도, 프로모터 유형 등 6가지 특징을 계산한다. scE2G-Multiome은 여기에 개별 세포 내 인핸서 접근성과 유전자 발현의 켄달 상관계수를 추가하고, 이를 ABC 점수와 결합한 ARC-E2G 특징을 사용한다. 염색체 하나씩을 제외하는 교차 검증을 통해 과적합 가능성을 낮췄다.

연구진은 CRISPR 교란, 정밀지도화 발현량 양적형질좌위 (eQTL), 전장유전체 연관 분석 (GWAS) 변이-유전자 연결이라는 세 가지 독립적인 데이터 세트에서 기존의 10가지 단일세포 모델과 성능을 비교했다. scE2G의 두 모델은 K562뿐만 아니라 5가지 세포 유형에서 확보한 별도의 CRISPR 데이터 4,175쌍에서도 가장 높은 정밀도와 정밀도-재현율 곡선 아래 면적을 기록했다. eQTL 평가에서 scE2G-Multiome의 재현율은 13.9%, 변이 농축도는 14.9배였다. 다음으로 성능이 높았던 비-ABC 계열 SCENIC+는 각각 1.4%와 10.3배에 그쳤다.

말초 혈액, 골수 단핵세포 및 췌도에서 45가지 세포 유형의 조절 지도를 구축한 결과, 품질 기준을 충족한 39가지 유형에서는 유형당 평균 48,758개의 연결이 예측되었다. 발현되는 유전자 하나에는 평균 5.6개의 인핸서가 연결되었고, 인핸서와 표적 프로모터 사이의 평균 거리는 86.3킬로베이스였다.

의미와 전망

scE2G는 세포가 혼합된 조직에서도 질환 변이가 작용하는 세포 유형과 표적 유전자를 함께 좁힐 수 있다는 점에서 의미가 있다. 연구진은 1,892개의 비코딩 신뢰 구간에서 1,450개의 변이와 1,351개의 유전자를 연결했으며, 458개의 신뢰 구간은 가장 가까운 전사 시작점보다 먼 유전자를 우선적으로 표적으로 지목했다.

예를 들어, 림프구 수와 관련된 rs7696969 변이는 INPP4B 내부에 있지만, scE2G는 자연 살해 세포와 T 세포에서 이 변이가 INPP4B와 IL15를 조절할 가능성을 제시했다. 변이에서 두 유전자의 프로모터까지의 거리는 각각 441킬로베이스와 769킬로베이스이다. 해당 변이는 INPP4B의 eQTL일 사후 포함 확률도 66.6%였으며, 독립적인 유전자 우선순위 분석인 PoPS 역시 두 유전자를 상위 후보로 선정했다. 다만 이는 기능적 인과 관계를 확정한 결과가 아니라 후속 실험이 필요한 가설이다.

모델의 안정적인 적용에는 세포 유형당 약 100개 이상의 세포, 최소 200만 개의 ATAC 절편 및 100만 개의 RNA 고유 분자 식별자 (UMI)가 권장된다. 학습에 사용된 양성 연결이 466개에 불과하고 대부분 K562에서 나왔다는 한계도 남아 있다. CTCF 결합 부위와 같이 인핸서가 아닌 위상학적 조절 요소는 예측 대상이 아니다. 여러 일차 세포에서 대규모 CRISPR 검증 데이터를 축적하고 Hi-C 또는 H3K27ac 정보를 결합해야 임상적으로 신뢰할 수 있는 조절 지도로 확장될 전망이다.