Journal reading - Genome-wide absolute quantification of chromatin looping

Genome-wide absolute quantification of chromatin looping

왜 읽었나

나는 아직 저널 리딩에서 순수 이론 논문을 발표할 깜냥이 안 된다.
최근에 나온 생명 실험 논문 중 우리 연구실 사람들이 흥미 있어 할 만할 걸 찾아달라고 AI한테 부탁했더니 이걸 추천해 줬다.
내가 요즘 하고 있는 프로젝트와 직접적으로 관련되어 있으며, 그리 어렵지 않은 논문이다.
실험에서 데이터를 처리하는 방법을 보면 언젠가 내 연구에 적용할 수 있을 지도 모른다.
또한, Mirny group도 저자로 끼어있다. 아무래도 MD simulation을 이용한 분석으로 기여한 것 같다.

Overview

Hi-C/Micro-C 같은 3D genomics 기법은 pairwise interaction을 relative scale로만 측정한다는 근본적 한계가 있다. Sequencing read count에서 신호를 뽑아내기 때문에, “이 loop이 저 loop보다 강하다”는 말할 수 있어도 “이 loop은 전체 allele의 몇 %에서 형성되어 있다”는 말할 수 없다.

이 논문(Technical Report)은 그 한계를 live imaging 데이터로 Micro-C를 calibration함으로써 돌파한다. 핵심 아이디어는 단순하다:

1. Live imaging + BILD로 absolute looping probability를 이미 알고 있는 소수의 loop들이 있다 (Fbn2, Npr3, synTAD 등).
2. 그 loop들의 Micro-C dot strength를 정량화하는 방법(AbLE, absolute looping estimator)을 만든다.
3. 두 값 사이의 비례상수 를 구한다 ().
4. 그 를 genome-wide의 모든 loop에 적용한다.

결과: mES cell의 65,929개 loop에 대해 absolute looping probability를 얻었고, mean 1.2%, median 0.7%, max 25%. 즉 chromatin loop은 거의 언제나 rare state다. CTCF–CTCF loop이 cis-regulatory loop보다 강하다 (2.2% vs 0.5%).

Link to PDF and DOI

• DOI: https://doi.org/10.1038/s41594-026-01819-2
• Journal: Nature Structural & Molecular Biology 33, 1105–1114 (July 2026)
• Local PDF: Genome-wide absolute quantification of chromatin looping.pdf
• Code: https://github.com/ahansenlab/AbsQuant_analysis_code
• Data: GEO GSE286495 / Zenodo 10.5281/zenodo.14600051

주요 내용 요약

Hi-C란 뭔가? 왜 기존 Hi-C는 relative scaling인가?

이미지 출처: https://en.wikipedia.org/wiki/Hi-C_%28genomic_analysis_technique%29

생물학자가 보면 뒷목잡을 만큼 간략한 Hi-C 실험 기법 설명

잘 살아있는 세포에 약을 친다. (포름알데하이드, 발암물질)
가까이 있던 DNA의 두 loci가 약때문에 crosslink된다. 이 과정을 fixation이라고 한다.
세포를 부숴서 DNA를 꺼낸다.
Restriction enzyme을 써서 DNA를 마구잡이로 잘라 조각낸다.
Crosslink가 생긴 곳을 sequencing한다.
어떤 loci 쌍이 함께 sequencing되었는지 그 빈도를 측정한다.
빈도를 Matrix로 나타낸다.

따라서 이 방법은 세포에 약을 치는 그 순간에, DNA의 모양을 확인하는 방법이다.
과정에서 세포는 죽기 때문에, 연속적인 시간에서 dynamics를 볼 수는 없는 방법이다.
대체로 어떤 loci들이 가까이 있는지, 즉 loop을 이루는 지를 알기 위해서는 여러 세포에 똑같은 방법을 적용하여 ensemble average를 구해야 한다.
Looping은 ergodic하다는 가정 하에, ensemble average가 time average와 같다고 가정한다.

안타까운 점은, Hi-C data는 looping probability를 바로 보여주지 않는다는 점이다.
왜냐면 실제 loop이 일어날 확률과, crosslink가 sequencing될 확률 사이에는 여러 상수가 곱해지기 때문이다. Loci사이 거리에 따라서 fixation이 될 확률, DNA 조각이 회수될 확률, PCR을 성공할 확률 등등… 실험 과정에서 loss가 필연적으로 발생한다.

대신에 이 확률들이 전체 loci에게는 거의 공평하기 때문에, ‘상대적인’ cross link의 빈도는 Hi-C data가 보장할 수 있다.

Absolute looping probability와 contact probability의 구분 → AbLE (저자가 고안한 Hi-C 유래 data)

실험 과정을 생각하면, Hi-C data는 loop가 일어나는 빈도가 아니라,
두 loci쌍이 물리적으로 가까이 있을 확률과 관련되어 있다.
Topology에 의해서, 두 loci가 굳이 loop을 이루지 않아도 polymer가 꿈틀거리다 보면 서로 가까이 있게 된다.

따라서 저자는, 이 Hi-C data에서 순수하게 looping probability만을 뽑아내기를 원했다.
일련의 계산을 통해 Hi-C에서 추출한 looping probability 대응 수치를 ‘dot strength’ 혹은 ‘AbLE score (Absolute Looping Estimator)’ 이라고 부른다.

저자들이 정의한 ‘Absolute looping’이 무엇인지는 아래 그림으로 정리되어 있다.
Yes라고 되어 있는 경우만 loop으로 인정하고, No(backgorund)라고 된 경우는 인정하지 않는다.

CTCF-CTCF loop

cis-regulatory loop

가 만큼 genomic distance가 떨어진 두 loci가 가까이 있을 확률, contact probability일 때,
absolute looping probability는 아래와 같이 구해 진다.

는 background conformation을 가질 때 확률, 즉 loop이 없을 때 확률이다.
이 값을 polymer dynamics를 이용해 이론 적으로 구할 수도 있지만,
실제적으로 는 locus 근처의 topology(예를 들어, locus가 고리 안에 있는지 아닌지 여부)에 영향을 받는다. 이 경우 이론식을 적용하기 복잡하기 때문에, 저자들은 empirical한 data를 이용해 를 구한다.
그 과정이 아래 figure에 드러난다.

이렇게 구한 AbLE score가 진짜 looping probability를 잘 구하는지 확인하기 위해 MD simulation을 돌렸다.
Simulation으로 추적한 looping probability와 simulated Hi-C data에서 구한 AbLE score가 를 보였다고 한다.

AbLE score와 BILD(Bayesian inference of looping dynamics)의 비교

BILD는 looping이 잘 일어나는 두 loci에 형광을 붙여놓고, live imaging으로 둘의 거리를 실시간 관찰할 수 있다. 한 cell line은 정상 표현형으로, control cell line은 CTCF를 depletion하여 해당 자리에 loop이 생기지 않게 하거나, extruder를 망가뜨려 loop이 아예 생기지 않게 한다.

Bayesian inferenve로 loop이 일어날 때 contact probability와 loop이 없을 때 contact probabiliy를 (적어도 형광 태그한 그 두 loci에 한정해서) 정확히 알 수 있으며, 이를 통해 looping probability를 알 수 있다.

BILD의 두 reference state는 어떻게 얻는가: ΔCTCF와 ΔRAD21

BILD가 작동하려면 두 상태의 거리 분포

를 모두 알아야 한다. 그래야 관찰된 의 각 시점에 “looped일 확률”을 배분할 수 있다. 그런데 두 분포를 얻는 방식이 서로 다르고, 특히 looped 쪽이 직관에 반한다.

Unlooped reference — ΔCTCF (직접 관찰)

CTCF를 없애면 cohesin은 여전히 extrusion을 하지만 멈출 자리가 없어서 loop이 두 anchor에 고정되지 않는다. 따라서 ΔCTCF에서 관찰된 거리 분포 전체를 unlooped 분포로 그대로 쓴다.

Looped reference — ΔRAD21 (직접 관찰이 아니라 계산)

“loop을 항상 켜놓는” 실험 조건은 존재하지 않는다. Wild-type 데이터 안에 looped 시점이 섞여 있지만 그것만 골라내는 것이 곧 풀려는 문제 자체이므로 순환이다. 그래서 저자들은 계산으로 만들어낸다.

Rouse chain에서 이므로, 환산율 만 알면 17 kb에 해당하는 거리를 계산할 수 있다. 그런데 는 이론으로 정할 수 없고 측정해야 하며, 측정하려면 extrusion이 전혀 없는 순수 polymer가 필요하다. RAD21(cohesin subunit)을 없앤 조건이 정확히 그것이다.

이것이 Methods의 “rescaling the mean squared distance observed in the ΔRAD21 condition with the fraction of genomic distance remaining”의 의미다.

이렇게 구한 looping probabilit와 AbLE을 비교하여 둘 사이 비례상수 를 구했다.

이 나왔다고 한다.

오직 4가지의 loop만을 이용하여 값을 구했지만,
똑같은 Hi-C experiment protocole을 따르는 한 값이 모든 loop에 대해 동일할 것이라고 가정한다.
그러면 Hi-C를 이용해 모든 loop의 looping probability를 추론할 수 있게 된다.

실험 결과

Looping probability distribution

Analyzing the effects of intervening CTCF sites and loop size separately, we found that intervening CTCF sites reduced looping probability more than expected from loop size effects alone

Looping probabilities corrleate with epigenomic features

Questions & Insights

Related Concepts

이 논문을 이해하기 위해 필요한 학습 노트를 연결한다.
글리아와 논문을 읽으며 새로 공부하고, 작성한 학습노트를 이곳에 자동으로 추가한다.

더 읽어보고 싶은 레퍼런스

이 논문의 레퍼런스 중에서 읽어보고 싶은 것을 링크.
DOI를 적어도 좋고, ‘academic_journal’ class의 다른 노트를 연결하면 더 좋다.