여기서는 다양한 암 유형의 조직 또는 세포 기원을 추정적으로 예측하기 위해 설계된 계산 방법인 COOBoostR을 제시한다. COOBoostR은 지역적 체세포 변이 밀도 정보와 염색질 표지(chromatin mark) 특성을 활용하여 극단적 그래디언트 부스팅 기반 기계학습 알고리즘에 적용한다. COOBoostR은 관심 샘플의 체세포 변이 밀도 지형(som（atic mutation density landscape））을 가장 잘 설명하는 다양한 조직 및 세포 유형의 염색질 표지를 순위화한다. 설명력이 가장 높은 염색질 표지 특성과 일치하는 특정 조직 또는 세포 유형을 잠재적 조직 또는 세포 기원으로 지정한다. ChIP-seq 기반 염색질 데이터와, 정상 세포/조직, 전암성 병변(precancerous lesions), 및 암 유형으로부터 유도된 지역적 체세포 변이 밀도 데이터를 통합함으로써, COOBoostR이 예측 속도에서 기존의 랜덤 포레스트 기반 방법을 능가하며, 조직 또는 세포 기원 예측 성능은 비교 가능하거나 더 우수함을 보여준다(예측 정확도—정상 세포/조직: 76.99%, 전암성 병변: 95.65%, 암 세포: 89.39%). 또한 우리의 결과는 정상 조직 또는 세포 단계에서의 역동적 체세포 변이 축적(dynamic somatic mutation accumulation)이 개방 염색질 표지와 인핸서(enhancer) 부위의 변화와 얽혀 있을 수 있음을 시사한다. 이러한 결과는 더 나아가 변이 축적의 초기 단계에서 체세포 변이 지형을 형성하는 염색질 표지가, 전암성 병변이나 신생물(neoplasia)의 개시 이전일 가능성까지 포함하여, 관여할 수 있음을 나타낸다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.