기계학습 및 딥러닝을 이용한 쌍성 히스톤 변형을 암호화하는 서열 결정인자 규명

활성화 히스톤 마크와 억제 히스톤 마크가 공존하는 쌍성 히스톤 변형은 발달 유전자 조절에서 중요한 역할을 하는 독특한 크로마틴 상태를 정의합니다. 그러나 쌍성 크로마틴 영역을 구별하는 특정 서열 특징은 아직 명확하지 않습니다. 본 연구에서 마우스 배아줄기세포에서 H3K4me3, H3K27me3, H3K9me3의 게놈 전반 프로파일링을 수행한 결과, 쌍성 도메인은 단일 변형 영역보다 GC 함량이 높고 진화적 보존성이 강함을 밝혔습니다. 쌍성 변형으로 표시된 유전자는 Hippo, MAPK, TGF-β 등의 발달 신호 경로에 풍부하게 존재했습니다. k-머 서열 특징에 기반한 기계학습 모델을 사용하여 쌍성과 단일 변형 영역을 정확히 구별했습니다. 특징 분석에서는 OCT4, SOX2, ESRRB, TCFCP2l1 등 다능성 전사인자와 관련된 TCTGAA, TCACAG 같은 유익한 모티프를 확인했습니다. 딥러닝 모델은 예측 정확도를 더욱 향상시키고 쌍성 피크 경계에 풍부한 모티프를 발견하여 위치 특이성을 시사했습니다. 이 결과는 쌍성 크로마틴 상태가 독특한 서열 특징에 의해 암호화됨을 보여줍니다.