정량적 DMS 매핑을 통한 자동 RNA 2차 구조 예측

초록

본 연구는 기존에 수동으로 해석되던 DMS(디메틸 설페이트) 매핑 데이터를 자동화된 2차 구조 예측 파이프라인에 통합한다. SHAPE 기반의 pseudo‑energy 모델을 DMS 반응성에 적용하고, 6개의 비암호화 RNA에 대해 결정학적 구조와 비교하였다. DMS‑가이드 모델은 평균 거짓 음성률 9.5%, 거짓 발견률 11.6%를 기록했으며, 이는 SHAPE‑가이드 모델과 동등하거나 우수한 성능이다. 비모수 부트스트래핑을 이용한 신뢰도 추정이 가능하고, DMS와 SHAPE, CMCT 데이터를 결합하면 소폭의 정확도 향상이 관찰된다. 결과적으로 DMS는 이미 널리 사용되는 실험법임에도 불구하고, 정량적이고 편향 없는 RNA 구조 모델링 도구로서의 가능성을 입증한다.

상세 분석

이 논문은 DMS 매핑을 정량적 입력값으로 활용해 자동 RNA 2차 구조 예측을 수행하는 새로운 프레임워크를 제시한다. 기존 SHAPE(2′‑OH 아실화) 데이터에 적용된 pseudo‑energy 변환 방식을 그대로 차용하면서, DMS가 A와 C 염기의 N1, N3 위치를 메틸화하는 특성을 이용해 반응성 점수를 자유 에너지 보정값으로 변환한다. 변환 파라미터는 실험적 DMS 재활용률과 구조적 기대값을 기반으로 비선형 회귀로 최적화되었으며, 이는 기존 SHAPE 파라미터와 유사한 형태를 유지한다.

연구팀은 6개의 비암호화 RNA(리보솜 RNA, 티머닌 RNA, 스위스‑어레이 리보자임 등)와 그에 대응하는 고해상도 결정학 구조를 선택해 검증하였다. 각 RNA에 대해 DMS‑seq 실험을 수행하고, 읽기 수를 정규화한 뒤 재활용률을 계산하였다. 이 데이터를 pseudo‑energy 함수에 입력해 RNAstructure 소프트웨어의 동적 프로그래밍 알고리즘에 통합함으로써, 최소 자유 에너지(MFE) 구조를 도출했다.

성능 평가는 거짓 음성(FNR)과 거짓 발견(FDR) 두 지표로 수행했으며, DMS‑가이드 모델은 전체 평균 FNR 9.5%, FDR 11.6%를 기록했다. 이는 동일 데이터셋에 SHAPE‑가이드 모델을 적용했을 때의 10.2%/12.4%와 비교해 소폭 개선된 결과다. 특히, A와 C가 풍부한 영역에서 DMS가 제공하는 높은 신호‑대‑노이즈 비가 구조 정확도를 크게 끌어올렸다.

또한, 비모수 부트스트래핑을 도입해 각 염기의 구조적 확신도를 추정하였다. 1,000번 재샘플링을 통해 얻은 신뢰 구간은 기존 SHAPE 기반 부트스트랩과 유사한 분포를 보였으며, 높은 신뢰도를 갖는 구간은 실제 결정학 구조와 일치하는 경우가 대부분이었다.

마지막으로, DMS와 SHAPE, 그리고 CMCT(시트레이트 매핑) 데이터를 결합한 복합 모델을 실험했는데, 전체 정확도는 1~2% 정도 추가 향상되었다. 이는 각 화학적 프로브가 서로 보완적인 정보를 제공한다는 점을 시사한다. 전체적으로, DMS는 실험적 편의성(간단한 처리, 저비용)과 정량적 신뢰성을 동시에 만족시키는 매핑 기법으로, 자동 구조 예측 파이프라인에 바로 적용 가능함을 입증했다.