여기서는 다양한 암 유형의 조직-기원 또는 세포-기원을 예측하기 위한 가설적(potuative) 예측을 목적으로 하는 계산 방법인 COOBoostR( https://github.com/SWJ9385/COOBoostR )을 제시한다. COOBoostR은 국소 체세포 돌연변이 밀도 정보와 염색질 표지(chromatin mark) 특징을 활용하여 극단적 그래디언트 부스팅 기반 기계학습 알고리즘에 적용한다. COOBoostR은 관심 샘플의 체세포 돌연변이 밀도 지형을 가장 잘 설명하는 다양한 조직 및 세포 유형의 염색질 표지를 순위화한다. ChIP-seq 기반 염색질 데이터 또는 대량/단일세포 염색질 접근성(chromatin accessibility) 데이터를 국소 체세포 돌연변이 밀도 데이터(정상 세포/조직, 전암성 병변, 그리고 암 유형으로부터 유래)와 함께 통합함으로써, COOBoostR이 기존의 랜덤 포레스트 기반 방법보다 예측 속도에서 우수하며, 조직-기원 또는 세포-기원 예측 성능은 비교 가능하거나 더 나은 것으로 나타남을 보인다. 또한 본 연구의 결과는 정상 조직 또는 세포 단계에서의 동적 체세포 돌연변이 축적이 개방 염색질 표지 및 인핸서(enhancer) 부위의 변화와 얽혀 있을 수 있음을 시사한다. 이러한 결과는 돌연변이 축적의 초기 단계에서(전암성 병변이나 종양성(neoplasia)의 개시 이전일 가능성까지도) 체세포 돌연변이 지형을 형성하는 염색질 표지의 중요성을 더욱 뒷받침한다.

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