/Users/jehyunlee/Documents/내노트북/paper-curation/docs/papers/483_Learning_to_Discover_Regulatory_Elements_for_Gene_Expression

Motivation

• Known: DNA language model(HyenaDNA, Caduceus 등)은 DNA 서열만을 입력으로 사용해 gene expression을 예측하며, GraphReg는 epigenomic signal만을, EPInformer는 통계적 peak calling(MACS3 등)으로 얻은 enhancer 영역을 특징으로 사용해 DNA 서열과 epigenomic signal을 결합한다.
• Gap: 기존 방법들은 DNA 서열과 epigenomic signal 중 하나만 사용하거나, EPInformer처럼 통계적 peak calling에 의존해 regulatory element를 선정함으로써 DNA 서열, epigenomic signal, 그리고 gene expression 간의 복잡한 인과관계를 충분히 반영하지 못한다.
• Why: regulatory element는 세포 유형에 따라 다르며 long-range interaction을 포함해 sparse하게 분포하므로, 이를 통계적 방법이 아닌 학습 기반으로 정확히 발견하는 것은 유전자 발현 예측 정확도 향상뿐 아니라 질병·발달 관련 유전자 조절 메커니즘 이해에도 중요하다.
• Approach: DNA 서열과 epigenomic signal 간의 인과 관계를 정의하고, 이를 반영해 mask 학습을 두 요소(DNA 서열 기반, epigenomic signal 기반)로 분해한 뒤 Beta distribution 기반 information bottleneck으로 non-causal 영역을 필터링하는 Seq2Exp를 제안한다.

Achievement

Pipeline of proposed architectures. The input data contains the DNA sequence Xseq

1. SOTA 성능 달성: Seq2Exp가 기존 gene expression prediction baseline(EPInformer, GraphReg, Enformer 계열 등)들을 능가하는 예측 성능을 달성했다.
2. 인과 기반 mask 생성 프레임워크 제안: epigenomic signal과 DNA 서열, 이들의 인과적 regulatory element 간 관계를 명시적으로 모델링하는 프레임워크를 제시했다.
3. 효과적인 regulatory element 발견: MACS3와 같은 통계적 peak calling 방법 대비 더 유의미한 regulatory region을 추출함을 실험적으로 입증했다.

How

Pipeline of proposed architectures. The input data contains the DNA sequence Xseq

• TSS(transcription start site)를 중심으로 L=200,000 base pair 길이의 DNA 서열 Xseq와 epigenomic signal Xsig를 입력으로 구성
• Generator module이 DNA 서열과 epigenomic signal을 모두 활용해 token-level binary/soft mask M을 학습
• 인과관계에 근거해 mask learning을 DNA 서열 기반 요소와 epigenomic signal 기반 요소로 분해(decompose)
• Beta distribution을 활용한 information bottleneck을 적용해 I(X;Z)≤Ic 제약 하에서 I(Z;Y)를 최대화하며 non-causal 성분을 필터링
• 추출된 sub-sequence(활성 regulatory element)에 predictor module을 적용해 최종 gene expression Y를 예측

Originality

• DNA 서열, epigenomic signal, regulatory element, gene expression 간의 인과 관계를 명시적 그래프로 정식화하여 mask 학습 문제를 causal 관점에서 재정의
• mask 학습 과정을 DNA 서열 기반과 epigenomic signal 기반 요소로 분해하여 두 modality의 서로 다른 정보(예: Hi-C의 물리적 상호작용 빈도, DNase-seq의 기능적 활성)를 상호보완적으로 결합
• Beta distribution 기반 information bottleneck을 활용해 sparse하고 long-range인 regulatory element를 선택적으로 추출하는 방식은 기존 통계적 peak calling(MACS3) 및 단순 결합 방식과 차별화됨

Limitation & Further Study

• 발췌된 본문 기준으로 information bottleneck의 이론적 정당화(causal graph의 식별가능성 등)에 대한 심층 분석이 제한적일 수 있어, 추가적인 이론적 보장이 필요
• 특정 세포 유형 및 데이터셋(ChIP-seq, DNase-seq, Hi-C 등)에 대한 실험으로 한정되어, 다양한 조직·종에 대한 일반화 가능성 검증이 추가로 요구됨
• soft mask를 사용한 causal 분해가 실제 생물학적 기전과 얼마나 일치하는지에 대한 실험적/생물학적 검증(예: 실험적 knock-out 검증)이 부족할 수 있음
• 후속 연구로는 다양한 epigenomic modality의 결합 방식 확장, 다른 조직·질병 데이터셋으로의 일반화, 발견된 regulatory element의 생물학적 기능 검증 등이 필요

Evaluation

총평: DNA 서열과 epigenomic signal 간의 인과 관계를 학습 기반 mask로 명시적으로 모델링하여 gene expression 예측과 regulatory element 발견을 동시에 개선한 참신하고 실용적인 연구로, 생물정보학 분야에 의미 있는 기여를 한다.