Hi-Compass: a depth-aware deep learning framework for predicting cell-type-specific 3D genome organization from single-cell to spatial resolution

Motivation

• Known: 기존 Hi-C 예측 방법들(DeepC, Akita, C.Origami, AlphaGenome, Epiphany, ChromaFold)은 DNA 서열이나 여러 epigenomic 신호를 필요로 하며, 단일세포 데이터의 sparsity를 수용하지 못하고, 미관찰 세포형에 대한 제로샷 일반화 능력이 제한적이다. 3D 게놈 조직은 DNA 서열, 크로마틴 접근성, CTCF 등 건축 단백질의 상호작용으로 형성된다.
• Gap: 기존 방법들은 다음을 충족하지 못한다: (1) 동일 샘플에서 ATAC-seq, CTCF ChIP-seq 등 여러 데이터의 공동 프로파일링 요구, (2) 미관찰 세포형에 대한 세포형 특이적 예측 능력 부족, (3) 단일세포·공간 omics의 데이터 sparsity 미반영, (4) 다운스트림 분석을 지원하는 세분화된 구조 예측 부재.
• Why: Hi-C 기술은 고해상도 3D 게놈 구조 분석에서 필수적이지만, 상당한 자원, 전문성, 광범위한 시퀀싱 깊이를 요구한다. 단일세포 및 공간 epigenomic 프로파일링 기술의 확산으로 이들 데이터 유형에 대한 계산적 예측이 중요하며, 질병 변이의 표적 유전자 연결 같은 기능적 해석을 가능하게 하는 것이 중요하다.
• Approach: Hi-Compass는 4가지 입력(ATAC-seq 신호, ATAC-seq 시퀀싱 깊이, DNA 서열, 범조직 CTCF 결합 프로필)을 통합한다. CNN 인코더 3개로 DNA 서열, ATAC-seq 신호, CTCF 신호에서 특징을 추출하고, ATAC 인코더의 scaling 모듈로 시퀀싱 깊이 변동을 동적으로 수용한다. 165개 인간 샘플의 bulk CTCF ChIP-seq으로 범조직 CTCF 결합 맵을 구성하여 단일세포 CTCF 정보 부재를 극복한다. 다중 세포형 훈련 전략으로 미관찰 세포형에 대한 제로샷 일반화를 가능하게 한다.

Achievement

• Hi-Compass는 bulk 샘플에서 기존 방법들을 능가하는 예측 정확성 달성

• 단일세포 및 공간 맥락에서 세포형 특이적 3D 게놈 구조 정확하게 예측 가능

• 면역세포 분화, 조직 이질성, 공간 조직을 포함한 다양한 생물학적 시나리오에서 능력 입증

• 질병 관련 비코딩 변이를 표적 유전자에 체계적으로 연결하여 유전 연관성의 기능적 해석 가능

• 마우스 게놈에 대한 fine-tuning을 통해 종 간 적용 가능성 입증

How

• CNN과 Transformer 모듈의 결합 아키텍처로 정적 게놈 특징과 세포형 특이적 게놈 폴딩 원칙 모두 학습

• Depth-aware 모듈을 통해 시퀀싱 깊이 변동에 동적으로 적응하여 다양한 실험 설정에서 robust 성능 달성

• 손실 함수는 MSE와 information-weighted 항을 결합하여 고신뢰도 크로마틴 루프 복구에 집중

• 다중 세포형 훈련 전략으로 미관찰 세포형에 대한 제로샷 일반화 가능

Originality

• ATAC-seq 데이터만을 세포형 특이적 입력으로 사용하는 독창적 설계—기존 방법들은 DNA 서열이나 다중 epigenomic 신호 필요

• Depth-aware 모듈의 도입으로 단일세포부터 bulk까지 광범위한 데이터 규모 수용—기존 방법들은 특정 데이터 규모 최적화

• 범조직 CTCF 결합 프로필을 단일세포 CTCF 정보 부재 극복의 창의적 해결책으로 활용

• 미관찰 세포형에 대한 제로샷 일반화를 가능하게 하는 다중 세포형 훈련 전략

Limitation & Further Study

• 범조직 CTCF 결합 프로필에 의존하므로 세포형 특이적 CTCF 결합 패턴의 세밀한 차이를 포착하는 데 제한 가능

• 단일세포 데이터의 심한 sparsity에서 예측 신뢰도 평가가 명확하지 않음

• 질병 변이와 표적 유전자 연결의 기능적 검증이 제한적—대부분 계산적 평가

• 후속 연구: (1) 세포형 특이적 CTCF ChIP-seq 데이터 통합 시 성능 개선 가능성 탐색, (2) 더 확대된 조직 및 질병 상태에서 검증, (3) 예측된 크로마틴 상호작용의 실험적 검증 수행

Evaluation

총평: Hi-Compass는 ATAC-seq 데이터만으로 세포형 특이적 3D 게놈 조직을 예측하는 혁신적인 깊이 인식형 딥러닝 프레임워크이다. 시퀀싱 깊이 변동의 동적 수용, 다중 세포형 훈련을 통한 제로샷 일반화, 우수한 예측 정확성을 통해 단일세포부터 bulk까지 광범위한 생물학적 맥락에서 3D 게놈 규제 연구를 확장시킨다. 기술적 견고성과 생물학적 중요성이 높아 게놈 조직 및 질병 유전체학 연구에 상당한 기여를 할 것으로 기대된다.