히스톤 변형의 변곡점 분석을 통한 에피제네틱 블록 탐색 및 물리적 도메인 연계

본 논문은 히스톤 변형이 전사 조절에 미치는 역할을 보다 정교하게 이해하기 위해, 유전체 전역에서 히스톤 마크의 조합 패턴을 연속적인 블록(BLOCK) 단위로 구분하는 새로운 통계적 방법론을 제시한다. 기존 연구들은 히스톤 마크 조합을 고정된 수의 상태(state)로 분류하고, 각 상태와 전사 활성도를 일대일 대응시키는 접근을 주로 사용했으며, 이는 히스톤 변형이 지역적인 크로마틴 환경에 따라 달라질 수 있다는 점을 간과한다는 한계를 지녔다. 이를 극복하고자 저자들은 다변량 베이지안 변곡점(BCP) 모델을 도입한다. 관측값 Xₖ는 제로‑인플레이션 가우시안 혼합분포 (1‑λ)·N(μₗ,σ²)+λ·δ₀ 로 모델링되며, 여기서 μₗ은 블록 l에 특화된 평균, σ와 λ는 전체에 공유되는 분산 및 0값 비율이다. 블록 구조 ρ는 제품 결합도(c(Sₗ))에 기반한 사전분포를 갖는데, 이는 변곡점이 기하분포를 따르는 renewal process와 동등하게 설계되어 변곡점 간 거리를 자연스럽게 제어한다. 하이퍼파라미터 p, μ₀, σ₀, w 등은 균등·로그균등 사전으로 설정해 사전 지식에 대한 의존도를 최소화한다. 사후분포 f(ρ|X,Z)는 직접 계산이 불가능하므로, Barry와 Hartigan(1993)의 MCMC 알고리즘을 변형해 사용한다. 각 위치 i에 대해 변곡점 존재 여부 Uᵢ의 odds ratio를 블록 내부·외부 제곱합(W, B)과 베타 적분으로 근사한다. 이 과정에서 블록 내 평균과 분산을 적분해 사후 확률을 얻으며, 전체 유전체 길이 n에 대해 O(n³) 복잡도를 MCMC 근사로 크게 낮춘다. 500번의 전체 순환을 수행해 수렴된 블록 경계를 추정한다. 시뮬레이션에서는 10개의 블록과 6개의 히스톤 마크를 갖는 2,000 bp 길이의 데이터를 생성하고, p = {0.1,0.2,0.3,0.4}, w = {0.1,0.2,0.3,0.4}, (a,b) = {(1,1),(2,2),(0.5,0.5)} 등 48가지 하이퍼파라미터 조합을 적용해 20개의 복제 실험을 수행했다. 대부분의 경우 실제 변곡점을 정확히 복원했으며, 특히 p와 w가 0.2~0.3 범위일 때 민감도와 특이도가 최적화됨을 확인했다. 실제 데이터 적용에서는 Drosophila melanogaster S2 세포에서 6가지 히스톤 마크(예: H3K4me3, H3K27ac 등)를 이용해 전유전체를 분석했다. BCP 모델은 약 1 Mb 규모의 BLOCK을 200여 개 도출했으며, 각 BLOCK은 히스톤 신호가 비교적 균일한 영역으로 정의되었다. 이 BLOCK을 기존 ENCODE/ModENCODE에서 정의된 Topologically Associating Domains(TAD)와 비교한 결과, 70% 이상이 겹치는 높은 일치도를 보였다. 또한, 동일 BLOCK 내 유전자는 발현 수준이 유사하고, 공동조절(co‑regulation) 정도가 높으며, GO 분석에서 세포 골격, 대사, 신호 전달 등 기능적으로 연관된 카테고리가 풍부하게 나타났다. HMM 기반 15‑state 모델과의 비교에서는, HMM이 사전에 상태 수를 지정해야 하고, 각 상태가 전역적으로 동일한 전이 확률을 갖는 제한이 있었던 반면, BCP는 사전 정의된 상태 수 없이 변곡점 기반으로 연속적인 경계를 찾는다. 결과적으로 BCP가 물리적 도메인(TAD)과 더 잘 맞으며, 기능적 해석에서도 더 높은 일관성을 제공한다는 점이 강조된다. 결론적으로, 이 연구는 히스톤 변형 데이터의 희소성과 지역적 변동성을 고려한 베이지안 변곡점 모델을 성공적으로 구현했으며, 이를 통해 전사 조절 네트워크와 3D 유전체 구조를 연결하는 새로운 기능적 단위인 “에피제네틱 BLOCK”을 제시한다. 향후 다른 종이나 세포 유형에 적용하면, 염색질 구조와 전사 조절 메커니즘을 통합적으로 이해하는 데 중요한 도구가 될 것으로 기대된다.