스라소니 머릿속에는

Journal reading - Static three-dimensional structures determine fast dynamics between distal loci pairs in interphase chromosomes

32 min read

Static three-dimensional structures determine fast dynamics between distal loci pairs in interphase chromosomes

읽은 이유

260619 Lab Rotation Presentation (EN)의 후속연구를 위해

Overview

Live-cell imaging은 enhancer–promoter(E–P) 같은 chromatin loci 쌍 사이의 dynamics가 예상보다 훨씬 빠르다는 것을 보여줬다. 그런데 같은 세포의 정적(static) Hi-C/Micro-C contact map은 분명히 compact한 구조(fractal globule에 가까운 )를 보인다. Compact한 구조라면 relaxation도 느려야 하는데, 실제로는 빠르다 — 이것이 Brückner et al. (Science, 2023)이 제기한 conundrum이다.

이 논문은 이 conundrum을 “구조와 동역학이 무관하다”가 아니라, static contact map 단 하나만 입력으로 받으면 동역학 전체(relaxation time, MSD, first-passage time)를 정량적으로 예측할 수 있다는 식으로 해결한다. 방법론은 HIPPS-DIMES: maximum entropy principle로 Hi-C contact map에서 3D 구조 ensemble을 만들고, 그 과정에서 나오는 connectivity matrix 를 harmonic spring network의 spring constant로 재해석해 generalized Rouse model처럼 동역학을 푼다. Locus 고유의 fitting parameter는 전혀 없고, 전체 timescale을 정하는 friction coefficient 하나만 조정한다.

주목할 점: 이 논문의 방법론. Analytic하게 풀 수 있다면 시간에 따라 바뀌는 exponents사이 관계식을 구할 수 있지 않을까?

주요 내용 요약

1. Conundrum의 정량적 구조 — Introduction의 scaling theory

Symbol정의
Flory exponent. Mean spatial distance 가 genomic distance 에 대해 갖는 정적(static) scaling:
Diffusion coefficient 가 에 대해 갖는 scaling: (길이의 subchain의 diffusion coefficient)
Single-monomer MSD anomalous exponent:

기존에 내가 알고 있던 sacling theory(MSD exponent from scale-dependent Flory exponent)와 같지만 살짝 다름. 가 추가되었다.

**(scaling relation - A) Collective diffusion

Genomic length 인 polymer coil이 자기 크기만큼 움직이는 데 걸리는 시간은 이다. 이는 MSD exponent from scale-dependent Flory exponent에서 Ansatz 2와 같다.
관계식에 exponents를 대입하면

(scaling relation - B) Connectivity

시간 동안 monomer 하나가 diffusion으로 움직인 거리도 coil 크기 와 같아야 한다는 self-consistency 조건 . 이는 MSD exponent from scale-dependent Flory exponent에서 Ansatz 1과 같다.
여기에 (1a)를 대입하면 , 따라서 세 exponents의 관계식이 나온다.

실험으로 측정 가능한 로의 연결. 자체는 직접 측정하기 어렵다. Brückner et al.은 대신 two-point quantity 가 평형값 에 saturate하는 시간을 로 operationally 정의했고, 이 도 scaling상 과 같은 지수를 따른다:

이 scaling theory가 본문의 실제 방법론(HIPPS-DIMES)에도 쓰이는가?

아니다. 식 (1)·(1b)는 Introduction에서 conundrum을 진술하기 위한 도구일 뿐이고, “Outline of the theory”·“Dynamics from K” 섹션의 실제 절차는 이 scaling ansatz를 전혀 가정하지 않는다. 실제 방법론은 측정된 Hi-C/Micro-C로부터 connectivity matrix 를 수치적으로 직접 구성하고, 그 전체 eigenvalue spectrum 을 그대로 식 (3)의 normal mode sum에 넣는다 — 단일한 전역 를 끼워 넣을 자리가 없다.

Concundrum - chromatin dynamics 실험 결과는 scaling thory와 맞지 않는다

Brückner et al. (2023)의 Drosophila 측정 결과:

양측정값Rouse 예측 ()FG 예측 ()
Mean distance between two loci (FG와 일치)——
Single locus MSD exponent (Rouse와 일치)
Relaxation time of two-point correlation

Conundrum의 핵심

정적 구조는 FG()와 일치하는데, FG가 예측하는 relaxation exponent 는 실측 보다 훨씬 크다(=훨씬 느리다). 즉 정적 구조만 보면 “느려야 할” 동역학이 실제로는 “빠르다”.

Notation 주의 — 가 이 논문에서 두 가지로 쓰임

이 논문은 를 (i) HIPPS의 contact-distance mapping exponent(, , 섹션 2)와 (ii) single-monomer MSD exponent(, 섹션 1) 양쪽에 모두 쓴다. 두 는 완전히 다른 양이다. 사용자의 alpha_from_nu.py에서 쓰는 는 (ii)와 정확히 같은 정의이므로, 이 논문을 인용할 때는 항상 어느 인지 명시할 것.

2. HIPPS-DIMES 방법론

단계Notation이름 / 의미정의식비고
입력 (정적)Contact probability. Locus 가 contact할 평균 확률(Hi-C/Micro-C 실험에서 직접 측정되는 raw 입력)— (실험 측정값)HIPPS 관계 ()로 거리로 환산됨. 이 는 MSD exponent와는 다른 양(앞서 다룬 notation 충돌)
입력 (정적)Mean spatial distance. Locus 사이의 평균 3D 공간 거리 (식 2)를 세우기 위한 제약조건(constraint) 값
정적 구조모든 loci 좌표 에 대한 maximum-entropy joint distribution (식 3)는 normalization constant. 제약을 만족하도록 가 결정됨
정적 구조== (connectivity matrix)==의 Lagrange multiplier 들을 모은 행렬. Harmonic spring network의 spring constant로 재해석됨이면 반발(repulsion) 의미. Iterative scaling algorithm으로 수치적으로 결정. 본 이론의 핵심 출력물
effective energy를 Boltzmann distribution으로 재해석할 때 쓰는 양. 이 재해석이 (i) 정적 구조 ↔ (ii) 동역학(스프링 네트워크)을 잇는 다리
동역학 (locus pair별)Locus pair에 특화된 two-point autocorrelation function (식 3)의 eigenvalue/eigenvector로 직접 계산됨. Rouse model의 구조와 동일하나 가 nontrivial(수치적으로 구해야 함)
동역학 (앙상블 평균)를 같은 genomic separation 에 대해 평균낸 앙상블 버전Relaxation time 의 정의:
동역학 (관측량)Two-point MSD. Locus 쌍 사이 거리 벡터의 변화량 제곱실험(Brückner et al.)에서 직접 측정 가능한 양. 에서 로 saturate
동역학 (스펙트럼)의 eigenvalue(모드 의 spring 강도)와 eigenvector(모드의 공간적 모양) (mode relaxation time, =friction). =normal mode index,

Step 1 — 정적 구조 (HIPPS). Hi-C contact probability 를 mean spatial distance로 변환하는 power law:

(는 imaging data와 RMSD를 최소화해 fitting된 값. 표준 polymer 이론과는 다른 경험적 관계.) 를 제약 조건으로 maximum entropy distribution을 세운다:

(Lagrange multiplier)를 iterative scaling으로 풀면 모든 pairwise distance가 목표값과 일치하는 3D 구조 ensemble이 나온다. (DIMES는 동일한 절차를 Hi-C 대신 imaging distance map에 직접 적용한 버전.)

Step 2 — 동역학 (Rouse-style normal mode). 를 harmonic potential 의 spring constant로 재해석. Connectivity matrix ()의 eigendecomposition으로 normal mode를 얻고, 각 mode가 독립적인 Ornstein-Uhlenbeck process를 따른다고 가정한다. Mode 의 relaxation time은 ( = friction coefficient, 유일한 adjustable parameter, 전체 timescale만 결정).

homopolymer에서는 로 고정된다(diagonal mobility, hydrodynamic/Zimm coupling 없음을 가정) — 따라서 .

Deep Dive — Step 2 (동역학)의 상세 유도 (Supplementary Text, Section I)

본문 Step 2의 “Rouse model의 framework를 이용해 interlocus dynamics를 derive한다”는 문장은 실제로는 두 개의 분리된 move를 압축한 표현이다. 이 구분을 먼저 하지 않으면 “정적 분포에서 어떻게 동역학이 유도되지?”라는 혼란이 생긴다.

(1) 출발점 — 가정 두 개 (derive가 아니라 ansatz)
내용성격
가정 A를 (unit temperature) Boltzmann distribution으로 해석추가 물리적 ansatz
가정 BOverdamped Langevin, 모든 locus가 같은 friction , hydrodynamic coupling 없음(diagonal mobility), force는 에서, noise는 fluctuation-dissipation을 만족Rouse model과 동일한 framework 차용

왜 "유도"가 아니라 "가정"인가

같은 equilibrium 분포 를 stationary distribution으로 갖는 dynamics는 무한히 많다 (overdamped Langevin, Zimm-type hydrodynamic coupling, memory kernel이 있는 GLE, 심지어 일부 non-equilibrium driving까지). Hi-C contact map은 “정적으로 어디 있는가”의 정보만 담고 있고 “어떤 속도/메커니즘으로 거기 도달하는가”에 대해서는 정보가 없다. 따라서 동역학 framework(가정 B)는 데이터에서 derive된 게 아니라 선택된 것이며, 그 정당성은 나중에 실험(Brückner et al. 데이터)과 비교해 사후적으로 검증된다 (“Application to experiments” 섹션).

가정 A+B를 받아들이면, 그 다음은 순수 선형대수로 강제된다 — 이게 본문이 “eigendecomposition → normal mode → OU process”라고 쓴 부분.

(2) Langevin 방정식과 의 관계 (Eq. S1)

여기서 는 connectivity matrix(, )다. 정의를 직접 전개하면 항등식이 성립한다:

(3) 왜 의 eigendecomposition이 normal mode를 주는가

가 dense matrix이므로 는 모든 가 서로 얽혀(coupled) 있다. 새로운 좌표 가 자기 자신에게만 의존하는 dynamics를 가지려면:

이 조건은 정확히 (모든 ) — 즉 가 의 eigenvector라는 뜻이다. “Decoupling되는 방향을 찾는다”는 질문과 “eigenvector를 찾는다”는 질문이 정의상 같은 질문이다.

최소 예시 (2-bead, spring constant ):

(같이 움직이기)은 spring이 안 늘어나 restoring force가 없는 center-of-mass mode, (반대로 벌어지기)은 가장 강한 restoring force를 받는 mode. 개 locus로 확장하면 가능한 “독립적으로 진화하는 모양”이 개로 늘어나고, 그게 mode index 이다.

해석역학의 coupled oscillator와 동일한 골격

를 의 eigenvector로 대각화하면 (독립 SHM)가 나오는 것과 수학적으로 같은 구조. 여기서는 가속도 항이 없는 overdamped 1차 방정식 + noise가 더해진 stochastic 버전일 뿐이다 (, 정상모드 진동 OU decay).

Standard Rouse(tridiagonal )에서는 eigenvector가 정확히 cosine Fourier mode 로 풀리고, 가 클수록 짧은 길이스케일·빠른 relaxation이라는 직관이 그대로 유지된다. 이 논문의 는 dense/비균질이라 closed form은 없지만 같은 직관(Fig. 4A에서 큰 일수록 가 커짐)이 성립한다.

(4) 모드 분리와 noise 통계의 보존 (Eq. S2–S3)

가 대칭행렬이므로 는 직교행렬()이다. 등방·delta-correlated 가우시안 noise는 직교변환(회전/반사)을 거쳐도 통계가 그대로 보존되므로(, 사용), 도 서로 독립인 white noise다. 가 diagonal이므로 개의 독립인 1차원 SDE로 완전히 분리된다 — (zero/center-of-mass mode, restoring force 없음), 나머지 .

(5) Ornstein-Uhlenbeck 해와 분산 (Eq. S4)

Itô isometry로 분산을 구하면 (fluctuation-dissipation: ):

Wolfram Alpha로 적분 검산

— 확인됨.

대입하면:

본문 Eq. (S4) 와 정확히 일치 (이므로 분산이 양수인 것도 확인됨).

(6) 유도 (Eq. S5–S12) — main text Eq. (3)으로 연결

이므로:

독립 가우시안의 선형결합이라 도 가우시안. 자기상관 을 구할 때, 서로 다른 mode()는 독립이라 cross term이 전부 사라지고 같은 mode 항만 남는다:

(두번째 등식: 은 평형 분산이므로 (5)의 분산식에서 극한과 같음.) 3개 Cartesian 성분을 등방적으로 더하면(factor 3):

— main text Eq. (3)과 정확히 일치. ( 항은 (zero mode eigenvector는 모든 에 대해 같은 값, 순수 translation)이라 자동으로 0이 되므로 합을 부터 써도 동일.)

전체 유도를 한 줄로 요약: 독립 OU mode의 선형결합 → 자기상관은 각 mode의 (계수) × (그 mode의 평형분산) × 의 합. Rouse model과 논리 구조가 글자 그대로 같고, 다른 점은 가 nearest-neighbor tridiagonal이 아니라 Hi-C 기반 dense matrix라는 것뿐이다.

(7) 와 (Eq. S13–S14) — zero mode의 운명이 갈리는 지점

(둘 다 이고 stationary 가정으로 가 되어 telescoping된 형태.)

는 에서 이라 깨끗하게 로 plateau한다 — 이게 가능한 이유는 (6)에서 본 것처럼 zero mode가 에서 자동으로 사라지기 때문이다.

은 이 cancellation이 없다 — 미해결 지점

하나만 보면 zero mode 항 이 그대로 살아있고, 은 이라 순수 free diffusion(Wiener process)을 한다:

즉 Eq. (S14)를 문자 그대로( 포함) 읽으면 의 “long-time value”는 발산해 정의되지 않는다. 실제로 Fig. 6A에서 가 s까지도 plateau 없이 로 계속 가는 것과는 부합하지만, 본문/이 supplementary 두 페이지 안에는 처리(포함/제외)에 대한 명시가 없다.

사용자 연구와의 연결: zero mode를 살려두면 정의상 충분히 긴 시간에선 가 internal-mode 에서 COM Fickian 로 crossover해야 한다 — 이는 260626 문헌조사 Goal 2(continuous 일 때 monomer가 CoM exponent를 따라간다)와 정확히 같은 메커니즘(zeroth Rouse mode의 지배)이다. 이 논문은 그 crossover를 명시적으로 다루지 않는다.

전체 구조 요약

를분포로해석가정물리적증명불가실험으로사후검증독립순수선형대수자동으로따라옴

3. Homopolymer 검증 (Rouse / SAW / FG)

해석적 ()를 그대로 입력해 를 역산하고 를 계산 → relaxation time 가 정확히 (Rouse), (SAW), (FG)로 재현됨 (Fig. 1). Self-avoiding polymer의 Brownian dynamics 시뮬레이션(good/poor solvent)에 대해서도 를 정확히 재현 — 이론 자체의 self-consistency를 먼저 검증한 단계.

Fig. S3


(b), (c), (d)는 각각 Rouse chain. FG model, and SAW에 대해 numericaly 계산한 connectivity matrices

Fig. 1


(A) Normalized two-point autocorrelation function, G2(t)/G2(0), N-1000의 Rouse model에서.
(B) 세 종류의 homopolymer의 relaxation time을 이론적으로 계산한 결과. Exponent가 기존에 알려진 값으로 나온다.

Fig. S4


Normalized two-point autocorrelation function, G2(t)/G2(0), N-1000의 FG model과 SAW에서.

4. Drosophila E–P pair 실험과의 비교

Drosophila nc14 embryo의 WT Micro-C contact map(chr 2R)을 HIPPS-DIMES에 입력 → Brückner et al.의 7개 eve E–P pair(58 kb ~ 3.3 Mb 분리) 위치에서 구조·동역학을 모두 예측:

  • Contact map, 분포, vs — 모두 실험과 정량적으로 일치 (JSD 0.05–0.2).
  • Friction coefficient를 fitting해 , 결정 (로 추정). 이 두 파라미터는 절대 timescale만 정하고 scaling exponent 에는 영향을 주지 않음.
  • 결과: (HIPPS-DIMES) vs (실험) — Rouse()·FG()보다 압도적으로 잘 맞음.
Fig. 2



(A) Contect probability map의 실험값(좌측 하단)과 이론값(우측 하단)


(B) Distribution of pairwise distances for the seven promoter-enhancer
loci pairs: experimental histograms and HIPPS-DIMES predicted distribution (solid lines). JSD values between model predictions and experimental data are reported.


(C) Comparison of the mean spatial distances ⟨r⟩ as a function of the genomic distance s between the experimental measurements and the HIPPS-DI MES predictions.

(D) Two-point MSD 를 이론으로 계산한 결과

(E) 를 실험과 이론에서 비교한 결과. 실험은 0.7, 이론은 0.8
우리 이론이 scaling theory보다 정확하게 맞춘다고 주장장

(F) Scatter plot for the relaxation
time τ versus genomic separation s for all pairs of loci. Power-law
fit is shown in black line.

Randomly shuffled control.
Pairwise distance를 무작위로 섞으면(첫 off-diagonal만 보존) 가 plateau로 가고 가 에 무관해짐 — 정적 contact map의 실제 sequence/structure 정보가 빠른 동역학의 원인임을 직접 증명하는 negative control.
(b)에서 small 에서 나오는 exponent 는 SAW에서 나타나는 trivial한 값.

Fig. S7



5. Locus별 relaxation time과 eigenvalue spectrum

E–P pair를 넘어 모든 locus 쌍에 대해 를 계산하면 (Rouse 예측 , FG 예측 보다 훨씬 작은 지수) — 평균적 homopolymer 근사(genomic distance만으로 averaging한 effective )를 적용하면 오히려 , 로 다른 결과가 나옴. 즉 전체 WT contact map의 heterogeneous 정보를 다 써야만 빠른 동역학이 재현되고, 평균화된 homopolymer 그림으로는 안 됨.

Fig. 3


(A)

(B)

이 빠른 동역학의 메커니즘을 eigenvalue spectrum 로 분석하면 Rouse의 깨끗한 와 달리 3개의 서로 다른 scaling regime이 나타남:

는 개로 이루어진 segment의 relaxation time과 비례한다.
작은 (큰 length scale)에서 Rouse의 보다 작은 지수()를 가지는 것이 곧 큰 스케일에서 chromatin이 Rouse보다 빨리 relax한다는 것의 직접적 원인. End-to-end relaxation time 는 chain length 에 대해 로 scaling (Rouse는 ).

Fig. 4


(A)

(B)

6. First-passage time (contact 형성)

Loci가 처음 접촉(threshold )하는 시간 를 two-point relaxation time을 이용해 계산하면 , 실험 trajectory에서 독립적으로 계산한 값과도 잘 맞음.
흥미로운 점은 이 지수()가 **Szabo-Schulten-Schulten (SSS) 이론의 예측치 **에 가깝다는 것 — SSS는 원래 Rouse model을 위해 유도됐고 Rouse에는 잘 안 맞는 이론인데, 오히려 chromatin에는 더 잘 맞는다는 역설적 결과.

식 (5)는 transcription rate 를 E–P contact probability 의 함수로 쓴 Hill equation의 동적 analog(cooperativity parameter ).

Fig. 5


(A)

(B)

7. Single-locus dynamics와 centrality

단일 locus MSD (Rouse-like), 그러나 locus별로 가 넓게 분포(heterogeneous). Closeness centrality ()을 정의하면 diffusivity 와 음의 상관 — 주변에 가까운 loci가 많을수록(=local density 높을수록) 더 느리게 움직인다. Total contact connectivity 와도 같은 방향의 anticorrelation.

Fig. 6


(A) Single-locus MSD M1(t). Each curve corresponds to an individual locus.

(B) Histogram of the fitted diffusion exponent α and diffusion coefficients D.

(C) Locus-specific diffusivity, defined as , versus closeness centrality ()


(D) Scatter plot of locus-specific diffusivity, defined as , versus total contact connectivity as a function of the sum of contact probabilities for each locus i .

8. Cohesin depletion (ΔRAD21)의 효과

Human HCT116 imaging data(WT vs ΔRAD21)에 같은 framework 적용:

  • Single-locus diffusivity는 증가 (20–40%) — cohesin loop extrusion이 평소 loci를 제약하고 있었다는 뜻. Centrality 감소가 클수록 diffusivity 증가도 큼(7번 결과와 일관).
  • Two-point relaxation time은 locus-dependent로 갈림: TAD 내부 loci는 (거리가 멀어지므로) relaxation이 느려지고, TAD 경계 loci는 (insulation이 풀려 가까워지므로) relaxation이 빨라짐.
  • First-passage time: WT에서는 TAD 내부 + 경계에서 sharp jump였다가, ΔRAD21에서는 전체가 로 TAD 구분 자체가 사라짐.
  • Eigenvalue spectrum의 small- scaling도 로 바뀌고 mode 사이 gap이 사라짐 — TAD가 만들던 “두 개의 분리된 영역”이라는 구조적 신호가 spectrum에서도 지워짐.

9. Discussion — 의의·한계·generality

남겨진 이론적 과제 — eigenvalue spectrum ↔ scaling exponent

논문이 명시적으로 인정한 한계: 의 3-regime 구조(5번 섹션)와 relaxation time의 scaling exponent 를 잇는 closed-form analytical 관계는 아직 없다. 지금은 두 양을 각각 계산해서 “방향이 일관된다”는 정도만 보여줬을 뿐, 의 모양에서 값을 직접 유도하지는 못한다. Discussion에서 “an important avenue for future theoretical work”로 명시한 지점.

Single-locus heterogeneity와 cohesin depletion — 재확인

Discussion은 본문 7번(centrality)·8번(cohesin depletion) 섹션의 핵심 결론을 한 번 더 thesis로 못박는다:

  • Local chromatin density(contact probability)가 높을수록 diffusion이 느림.
  • Cohesin 제거 시 single-locus diffusivity는 증가하지만, two-point relaxation time의 변화는 locus-dependent(TAD 내부·경계에서 반대 방향).

(7·8번 섹션과 내용이 중복되므로 세부 수치는 거기 참고.)

Generality 주장 — 어디까지 검증했나

적용 대상데이터 종류위치
Drosophila chr 2RMicro-C본문 main result
Human HCT116 (WT/ΔRAD21)imaging distance map본문 (cohesin)
Human GM12878Hi-Cfig. S14
Mouse ESC, Fbn2 locusMicro-Cfig. S15

이론은 “species/cell line에 agnostic”하다고 주장하지만, 현재 구현은 chromosome 하나를 독립된 contiguous polymer로 다룬다. Whole-genome 수준 모델링(inter-chromosomal contact 포함)은 아직 미지원 — 향후 (a) chromosome별 독립 분석을 병렬화하거나 (b) inter-chromosomal contact를 포함하는 확장이 필요하다고 명시.

한계 — noise propagation

HIPPS-DIMES는 입력 데이터(Hi-C/Micro-C/imaging)의 noise를 그대로 예측에 전파시킨다. Source: Hi-C/Micro-C의 mappability·fragment-level bias, fixation artifact(formamide-based FISH 등), imaging의 localization uncertainty.
다만 moderate Hi-C/Micro-C noise와 ≤50 nm localization error에는 dynamical prediction이 robust함을 fig. S16–S17에서 확인했다. Future work로 (a) localization uncertainty를 명시적으로 모델링하거나 (b) RASER-FISH 같은 non-denaturing 기법으로 얻은 데이터에 적용하는 것을 제안한다.

Live-cell validation 전망

마지막 단락: HIPPS-DIMES는 시간 분해된(time-resolved) trajectory를 예측하므로, CRISPR-dCas9 tagging·operator-repeat array·MS2/MCP reporter 같은 live-cell tracking 방법으로 MSD·relaxation time·first-passage statistics를 직접 검증할 수 있다는 전망으로 마무리한다.

Questions & Insights

  • Q: 에서 왜 가 작을수록 더 빠른 relaxation을 의미하는가? 직관과 반대로 가 작으면 는 커지므로 “더 느려야 하는 게 아닌가” 하는 의문이 생길 수 있다. 핵심은 자체가 절대적인 단위가 아니라는 점 — 는 길이 인 chain segment의 relaxation time으로 해석된다. 이를 로 환산하면 가 되고, 이 는 앞서 다룬 와 같은 역할을 한다. 같은 length scale 에서 비교하면 가 작을수록 도 작다(=빠르다). 반면 만 고정하고 를 직접 비교하면(을 무시) 결론이 뒤집힐 수 있다 — 예를 들어 일 때 을 제대로 포함하면 이 보다 오히려 크다(=더 빠르다). 즉 을 함께 고정해야 비교가 성립한다(Fig. 4B의 vs Rouse 가 바로 이 /-domain 비교의 직접적 증거).

  • Q: 의 eigenvector가 Rouse model의 경우에는 푸리에 변환에 쓰이는 factor가 되는 건가?
    A: 맞다 — 정확히는 복소지수함수를 쓰는 “진짜” DFT가 아니라 Discrete Cosine Transform (DCT) 의 basis다.

    • 이유: Rouse matrix는 1차원 격자 위의 discrete Laplacian이고, , (자유 끝 = Neumann boundary condition)인 diffusion equation의 discrete 버전이다. Laplacian의 eigenfunction은 항상 sinusoidal이지만, 정확히 어떤 sinusoidal basis가 나오는지는 경계조건이 결정한다:
경계조건Eigenfunction변환
Periodic (ring polymer)진짜 DFT
Dirichlet (양 끝 고정)DST
Neumann (free end, Rouse)DCT

  • 닫힌 형태:

    이게 Doi-Edwards의 Rouse mode 정의 의 discrete 버전이다.

  • 검산 (Wolfram Alpha): 토이 모델(; )과 정확히 일치. 에서도 직접 대각화해 — 공식 와 정확히 일치, eigenvector도 , , 로 공식과 일치 확인.

  • HIPPS-DIMES의 에는 왜 안 통하는가: Rouse 는 모든 spring이 같은 , nearest-neighbor만 연결되어 translational invariance가 있어 깨끗한 cosine 해가 나온다. HIPPS-DIMES의 는 Hi-C에서 나온 dense, 완전히 비균질한 matrix(translational invariance 없음)라 closed-form eigenvector가 존재할 이유가 없다 — 그래서 본문이 numerical eigendecomposition이 필요하다고 명시한 것. 다만 “가 클수록 짧은 길이스케일·빠른 relaxation”이라는 cosine의 직관은 정성적으로 살아남는다(Fig. 4A).

더 읽어보고 싶은 레퍼런스

  • D. B. Brückner, H. Chen, L. Barinov, B. Zoller, T. Gregor, “Stochastic motion and transcriptional dynamics of pairs of distal DNA loci on a compacted chromosome,” Science 380, 1357–1362 (2023). — 이 논문이 풀려고 하는 conundrum의 원본 실험 데이터.
  • G. Shi, D. Thirumalai, “From Hi-C contact map to three-dimensional organization of interphase human chromosomes,” Phys. Rev. X 11, 011051 (2021). DOI — HIPPS 방법론 원논문.
  • G. Shi, D. Thirumalai, “A maximum-entropy model to predict 3D structural ensembles of chromatin from pairwise distances…,” Nat. Commun. 14, 1150 (2023). DOI — DIMES 방법론 원논문.
  • J. Zuin et al., “Nonlinear control of transcription through enhancer–promoter interactions,” Nature 604, 571–577 (2022). — 식 (5) Hill-equation analog가 모델링하는 실험적 배경.

그래프 뷰

백링크