Modeling gene regulatory perturbations via deep learning from high-throughput reporter assays

Motivation

• Known: Noncoding 변이체의 해석은 coding 변이체에 비해 매우 어렵다. STARR-seq와 MPRA 같은 high-throughput reporter assay는 noncoding 변이체의 조절 효과를 실험적으로 측정할 수 있으나 assay 입력에 없는 변이체에 대한 직접 정보를 제공하지 못한다. Deep learning 모델은 이러한 whole-genome reporter assay 데이터로 noncoding 변이체 영향을 예측할 수 있는 잠재력을 보여주었다.
• Gap: 기존 연구에서는 Drosophila melanogaster의 whole-genome STARR-seq 데이터를 사용한 neural network 모델만 보고되었다. Human 전체 genome에 대한 여러 조건(약물 처리 포함)에서 재학습 가능한 모델과 synthetic enhancer 검증, gain-of-function 변이체의 진화적 제약에 대한 분석이 부족하였다.
• Why: Noncoding 변이체가 질병 원인의 대다수를 차지할 수 있음에도 해석이 어렵다는 점에서, high-throughput 실험 데이터로부터 예측 모델을 구축하여 미관찰 변이체의 효과를 추정하는 것이 중요하다. 또한 약물 처리 같은 특정 섭동 조건에서 조절 패턴을 학습할 수 있는 경량 모델의 유용성을 입증하는 것이 실제 응용에 필수적이다.
• Approach: BlueSTARR은 DeepSTARR을 확장하여 구성 파일로 neural network 아키텍처를 쉽게 수정할 수 있는 프레임워크를 제공한다. 기본 아키텍처는 5개의 one-dimensional convolutional layer(각각 1024, 512, 256, 128, 64 필터)로 이루어진 CNN으로, 300 bp one-hot encoded DNA 서열을 입력받는다. 각 layer는 batch normalization, ReLU activation, 0.5 dropout으로 구성되며, Adam optimizer(학습률 0.002)와 MSE loss로 학습된다.

Achievement

Figure 1. Scatterplots of experimental effect sizes (x-axis) versus predicted effect sizes (y-axis),

• Whole-genome 예측 모델 구축: K562와 A549(DMSO/DEX) 조건에서 1.6백만 서열(480 Mb)로 학습한 모델이 보유되지 않은 STARR-seq 변이체의 활성을 예측하는 것을 입증
• 진화적 제약 신호 발견: Human genome 전반에 걸쳐 loss-of-function 및 gain-of-function 조절 변이체에 대한 정제 선택 신호 발견, gain-of-function이 closed chromatin 근처에서 cis 조절 기능 증가에 대해 선택적 편향 보임
• 약물 반응 학습: GR과 AP-1 transcription factor 결합 모티프를 가진 synthetic enhancer로 테스트 시, drug perturbation 데이터로 학습한 모델이 거리 의존적, 처리 의존적 결합 패턴과 그 결과의 reporter gene 활성화를 학습할 수 있음을 입증
• 모델 비교 분석: 다양한 deep learning 아키텍처 간 성능 차이가 미미함을 보이며, 대규모 모델의 장점이 제한적임을 시사

How

• STARR-seq 데이터 전처리: 300 bp overlapping windows(50 bp step)로 분할, 100 reads 이상 DNA count 필터링, BLASTN으로 90% 이상 유사 서열 제거(A549에서 60%, K562에서 8% 제거)
• One-hot encoding으로 서열 표현 및 replicate별 library size로 정규화
• Theta(q) = RNA_count / (DNA_count + pseudocount) 로 enhancer activity 추정
• 1.6백만 서열에 대해 CNN 모델 학습(Adam optimizer, MSE loss, early stopping patience=10)
• Held-out STARR-seq 데이터와 MPRA 데이터로 모델 평가
• Synthetic enhancer 및 motif 조작 실험으로 모델의 패턴 학습 능력 검증

Originality

• DeepSTARR 기반 확장이지만 재학습 가능한(retrainable) 프레임워크로 구성하여 새로운 실험 조건에 대한 유연성 제공
• 약물 처리 조건을 포함한 실제 생물학적 섭동 데이터로 조절 모델 학습 및 검증
• Gain-of-function noncoding 변이체의 진화적 제약 신호를 genome-wide scale로 분석하는 새로운 관점 제시
• Synthetic enhancer와 transcription factor motif 조작을 통한 직접적 모델 검증 전략

Limitation & Further Study

• 단일 데이터 modality(STARR-seq만)에 국한되어 있어 다양한 regulatory 신호를 포괄하지 못함
• 두 세포주만 검증되어 다른 세포 유형에 대한 일반화 가능성 미지수
• A549 데이터셋에서 60% 서열이 paralogous sequence 제거로 손실됨으로써 실제 genome coverage의 현저한 감소
• Lightweight 모델의 성능이 industrial strength, state-of-the-art 대규모 모델보다 뚜렷하게 낮음을 인정
• 약물 처리는 dexamethasone 단일 약물만 사용되어 다양한 약물 반응 학습 능력 미검증
• Gain-of-function 변이체의 진화적 제약에 대한 신호가 구체적인 메커니즘 분석 없이 통계적 관찰에 그침

Evaluation

총평: BlueSTARR은 noncoding 변이체 해석을 위한 재학습 가능한 deep learning 프레임워크를 제시하며, whole-genome STARR-seq 데이터에서 조절 효과를 효과적으로 예측하고 약물 반응 학습 능력을 입증한 기여도 있는 연구이다. 다만 단일 modality 데이터, 제한된 세포주, 경량 모델의 성능 한계 등이 실제 임상 응용 확장성을 제한하는 요소이다.