🧬 biology

scVGAE: A ZINB-Based Variational Graph Autoencoder for Single-Cell RNA-Seq Imputation

이 논문은 그래프 합성곱 신경망과 직접적인 발현 재구성을 통합함으로써 다양한 데이터셋에 걸쳐 기존 방법들보다 세포 클래스 구조를 보존하는 데 있어 우수한 성능을 달ach하며 희소한 단일 세포 RNA-seq 데이터를 효과적으로 임퓨테이션하는 영첨 음이항 분포 기반의 변이형 그래프 오토인코더인 scVGAE를 소개한다.

원저자: Yoshitaka Inoue

게시일 2026-08-19

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yoshitaka Inoue

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

모든 살아있는 세포 내부에는 RNA라고 불리는 지시 사항이 담긴 작은 도서관이 있으며, 이 RNA는 세포가 무엇을 해야 할지 알려주기 위해 끊임없이 읽히고 다시 쓰입니다. 과학자들은 개별 세포의 이러한 지시 사항을 스냅샷으로 찍는 방법을 개발했는데, 이 기술을 단일 세포 RNA 시퀀싱(single-cell RNA sequencing)이라고 합니다. 이 기술을 통해 연구자들은 현미경 아래에서 동일해 보이는 세포들 사이의 고유한 차이점을 볼 수 있으며, 조직과 장기를 구성하는 숨겨진 다양성을 밝혀낼 수 있습니다. 하지만 이러한 스냅샷을 찍는 과정은 불완전합니다. 단일 세포에 들어 있는 물질의 양이 매우 적기 때문에, 결과 데이터는 종종 불완전하며 기계가 실제로 존재했던 신호를 감지하지 못해 생긴 빈 공간들로 가득 차게 됩니다. 이러한 누락된 조각들은 흔히 '제로(zeros)'라고 불리는데, 이는 마치 세포가 특정 유전자를 사용하지 않는 것처럼 보일 수 있지만, 실제로는 유전자가 활성화되어 있으나 측정이 너무 미약하여 포착하지 못한 것일 수 있습니다. 이러한 희소성(sparsity)은 마치 많은 조각이 빠진 퍼즐을 맞추려는 것과 같아서, 세포들을 올바른 유형으로 그룹화하거나 그 기능이 어떻게 작동하는지 이해하는 것을 어렵게 만듭니다.

이 문제를 해결하기 위해 연구자들은 빈 공간을 채우는 다양한 방법, 즉 임퓨테이션(imputation) 기술을 개발했습니다. 어떤 방법은 유사한 세포들을 살펴보고 그들로부터 정보를 빌려오는 반면, 다른 방법은 데이터의 패턴을 기반으로 누락된 값이 무엇이어야 하는지 수학적 기교를 사용하여 추측합니다. 미네소타 대학교의 요시타카 이노우에(Yoshitaka Inoue)가 개발한 scVGAE라는 새로운 접근 방식은 다른 전략을 제공합니다. 단순히 누락된 숫자를 추측하는 대신, 이 방법은 세포들이 서로 어떻게 관계를 맺고 있는지에 대한 지도를 구축하고 확률적 프레임워크를 사용하여 전체 그림을 재구성합니다. 목표는 가짜 정보를 만들어내지 않으면서, 노이즈가 많고 불완전한 데이터로부터 진정한 생물학적 신호를 복구하는 것입니다.

연구진은 먼저 유전적 프로필이 얼마나 유사한지에 따라 세포들을 네트워크로 구성하는 것으로 시작했습니다. 세포들을 지도 위의 점이라고 상상해 보십시오. 여기서 선들은 서로 가장 닮은 세포들을 연결합니다. 컴퓨터가 이 지도를 다룰 수 있도록 만들기 위해, 팀은 먼저 복잡한 유전 데이터를 더 작은 특징 세트로 단순화한 다음, 각 세포를 30개의 가장 가까운 이웃과 연결했습니다. 이를 통해 세포 집단의 구조를 포착하면서도 너무 많은 연결로 인해 시스템에 과부하를 주지 않는, 희소하고 효율적인 관계의 망이 만들어졌습니다.

지도가 구축된 후, 팀은 그래프 신경망(graph neural network)이라 불리는 일종의 인공지능을 사용하여 이를 학습시켰습니다. 이 시스템은 각 세포를 네트워크의 노드로 취급하고 연결선을 따라 정보를 전달하여, 각 세포가 이웃으로부터 배울 수 있도록 합니다. 각 세포에 대해 하나의 고정된 답을 내놓는 기존 방식과 달리, 이 새로운 시스템은 데이터에 내재된 불확실성을 나타내는 가능한 답의 범위를 생성합니다. 이는 본질적으로 컴퓨터에게 세포의 진정한 유전적 프로필이 무엇인지에 대해 하나의 숫자만을 선택하도록 강요하는 대신, 가능성의 구름을 상상하도록 요청하는 것입니다. 이러한 확률적 접근 방식은 모델이 자신이 알고 있는 것과 추측하고 있는 것 사이에서 정직함을 유지하도록 돕습니다.

그 후 시스템은 학습된 가능성들로부터 원래의 유전 데이터를 재구축하려고 시도합니다. 이는 두 가지 방식으로 동시에 이루어집니다. 첫째, 카운트 데이터(count data)에 특화된 통계 모델을 사용하여 유전자가 읽힌 횟수를 예측하며, 이때 일부 제로(zero)는 실제 값이고 일부는 오류라는 점을 고려합니다. 둘째, 발현 행렬(expression matrix)을 직접 재구성하여 누락된 값을 채워 넣음으로써 완전하고 깨끗한 버전의 데이터를 만듭니다. 모델은 자신이 시작했던 실제 데이터와 자신의 추측치를 끊임없이 비교함으로써 훈련되며, 진정한 생물학적 침묵과 기술적 오류를 안정적으로 구별할 수 있을 때까지 내부 규칙을 조정합니다.

연구진은 이 새로운 방법을 다양한 조직과 종을 아우르는 14개의 서로 다른 실제 데이터셋에 대해 테스트했습니다. 그들은 결측치를 채우는 데 있어 scVGAE를 5가지의 기존 확립된 방법 및 처리되지 않은 원본 데이터와 비교했습니다. 성능은 데이터를 정제한 후 세포들이 올바른 유형으로 얼마나 잘 그룹화되는지에 의해 측정되었습니다. 이 테스트에서 새로운 방법은 세포 그룹을 정확하게 식별하는 데 있어 가장 높은 평균 점수를 기록하며 다른 접근 방식들을 능가했습니다. 또한 알려진 생물학적 범주와 그룹이 얼마나 잘 일치하는지를 나타내는 관련 척도에서는 2위를 차지했습니다. 결과는 세포 간의 관계 지도를 구축하는 것과 확률적 데이터 재구성 방식을 결합하는 것이 생물학적 샘플의 진정한 구조를 복구하는 강력한 방법임을 시사합니다.

시스템의 어떤 부분이 가장 중요한지 이해하기 위해, 팀은 특정 구성 요소를 제거하는 실험을 수행했습니다. 그들은 카운트 데이터에 설계된 통계 모델이 가장 결정적인 부분임을 발견했습니다. 이 모델이 없으면 세포를 올바르게 그룹화하는 능력이 크게 떨어졌습니다. 데이터의 직접적인 재구정도 도움이 되었지만 그 정도는 덜했습니다. 흥론적이게도, 불확실성과 무작위성을 처리하는 시스템의 부분이 성공에 기여했지만, 모델을 안정적으로 유지하기 위해 사용된 특정 수학적 페널티는 예상보다 작은 영향을 미쳤습니다. 이는 이 방법의 힘이 유사한 모델에서 흔히 사용되는 엄격한 수학적 제약보다는, 가능성의 범위를 샘플링하고 카운트 데이터를 전문적으로 다루는 능력에서 나온다는 것을 나타냅니다.

이 연구는 이 새로운 접근 방식이 세포 집단의 자연스러운 구조를 보존하면서 완전한 발현 행렬을 생성하여 단일 세포 데이터를 정제하는 경쟁력 있는 방법을 제공한다고 결론짓습니다. 저자는 이 방법이 다양한 유형의 데이터에서 잘 작동하지만, 데이터셋의 구체적인 특성에 따라 성능이 달라질 수 있다고 언급합니다. 또한 현재의 평가는 방법이 모든 누락된 값을 완벽하게 복구했는지 여부보다는 세포를 그룹화하는 데 얼마나 도움이 되었는지에 초점을 맞추었다는 점을 지적합니다. 향ate 연구에서는 모델이 불확실성을 어떻게 다루는지와 세포 지도를 구축하는 다양한 방식에 어떻게 적응할 수 있는지를 탐구해야 할 것입니다. 현재로서는, 세포 데이터를 연결된 네트워크와 내재된 불확실성을 가진 것으로 취급하는 것이 세포 수준에서의 생명의 복잡성을 이해하는 유망한 경로임을 보여줍니다.

기술 요약: scVGAE

문제 정의
단일 세포 RNA 시퀀싱(scRNA-seq)은 세포 이질성에 대한 고해결도 특성화를 가능하게 하지만, 본질적인 희소성(sparsity)과 기술적 제로(technical zeros) 문제로 인해 어려움을 겪는다. 이러한 "드롭아웃(dropout)" 현상은 생물학적 구조를 가리고 시각화 및 클러스터링과 같은 후속 분석을 복잡하게 만든다. 친화도 기반 확산(MAGIC), 저계수 근사(ALRA), 딥러닝 접근 방식(DeepImpute, DCA)을 포함한 다양한 임퓨테이션(imputation) 방법들이 존재하지만, 많은 방법이 잠재 상태(latent state)의 불확실성을 명시적으로 모델링하지 못하는 결정론적 잠재 표현에 의존한다. 또한, 기존의 그래프 기반 방법들은 카운트 인지적 재구성 목적 함수(count-aware reconstruction objectives)와 그래프 구조 데이터를 자연스럽게 통합하는 확률적 프레임워크가 부족한 경우가 많다.

방법론
저자는 scRNA-seq 임퓨테이션을 위해 설계된 제로-팽창 음이항(Zero-Inflated Negative Binomial, ZINB) 기반 변분 그래프 오토인코더인 scVGAE를 제안한다. 이 아키텍처는 그래프 합성곱 신경망(GCN)을 변분 프레임워크와 통합한다.

전처리 및 그래프 구축:
- 입력 발현 행렬은 필터링, 로그 변환, 라이브러리 크기 정규화, 제곱근 변환 과정을 거친다.
- 확장성을 보장하기 위해, 전처리된 데이터를 PCA 공간(최대 50개 성분)으로 투영하고 $k$ -최근접 이웃(k-nearest neighbor) 그래프( $k=30$ )를 계산하여 세포-세포 그래프를 구축한다. 이는 밀집된 모든 쌍 유사도 행렬 대신 유계 차수(bounded-degree)를 가진 대칭 그래프를 생성한다.
변분 그래프 인코더:
- 그래프 연결성을 재구성하는 전통적인 변분 그래프 오토인코더(VGAE)와 달리, scVGAE는 그래프 인코더를 사용하여 각 세포에 대한 가우시안 사후 분포(Gaussian posterior distribution)를 매개변수화한다.
- 인코더는 GCN 레이어와 함께 GraphNorm, ReLU, Dropout을 사용하여 입력을 128차원 은닉 공간으로 매핑한다.
- 두 개의 별도 GCN 헤드가 차원 $d=64$ 인 잠재 분포를 위한 평균( $\mu_z$ )과 로그 분산( $\log \sigma^2_z$ )을 출력한다.
- 훈련 중에는 재매개변수화 기법(reparameterization trick, $Z = \mu_z + \epsilon \odot \exp(\frac{1}{2}\log \sigma^2_z)$ )을 통해 잠재 샘플 $Z$ 를 얻는다. 추론 시에는 사후 평균 $\mu_z$ 를 사용한다.
디코딩 및 재구성:
- ZINB 디코더: 잠재 표현은 유전자별 ZINB 매개변수인 평균( $M$ ), 제로-팽창 확률( $\Pi$ ), 그리고 분산( $\Theta$ )으로 디코딩된다. 이를 통해 모델은 카운트 분포와 기술적 제로를 명시적으로 모델링할 수 있다.
- 발현 디코더: 별도의 디코더는 배치 정규화(BatchNorm)와 ReLU를 갖춘 완전 연결 네트워크를 사용하여 잠재 변수로부터 발현 행렬을 직접 재구성한다. 이 출력은 입력의 정규화된 뷰(normalized views)와 결합되어 재구성을 정교화한다.
훈련 목적 함수:
- 모델은 다음과 같은 복합 손실 함수를 공동으로 최적화하여 훈련된다:
  $\mathcal{L} = \alpha \mathcal{L}_{ZINB} + (1-\alpha) \mathcal{L}_{MSE} + \beta \mathcal{L}_{KL}$
- $\mathcal{L}_{ZINB}$ 는 ZINB 분포의 음의 로그 가능도(negative log-likelihood)이다.
- $\mathcal{L}_{MSE}$ 는 재구성된 발현 행렬과 원래의 발현 행렬 사이의 평균 제곱 오차(mean-squared error)이다.
- $\mathcal{L}_{KL}$ 은 사후 분포를 등방성 가우시안 사전 분포(isotropic Gaussian prior)로 정규화하는 쿨백-라이블러 발산(Kullback–Leibler divergence)이다.
- 하이퍼파라미터는 $\alpha = 0.05$ , $\beta = 10^{-4}$ 로 설정된다.

주요 기여

확률적 그래프 인코딩: 각 세포에 대한 가우시안 사후 분포를 매개변수화하는 그래프 합성곱 변분 인코더를 통해 확률적 재매개변수화와 불확실성 모델링을 가능하게 한다.
결합 목적 함수: 희소한 scRNA-seq 데이터를 처리하기 위해 ZINB 가능도(카운트 분포 모델링용)와 직접적인 발현 재구성(MSE)을 결합한 통합 프레임워크를 제공한다.
확장 가능한 그래프 구축: 세포 수에 따른 이차적 스케일링(quadratic scaling)을 피하는 PCA 기반 $k$ -최근접 이웃 그래프 접근 방식을 사용한다.
포괄적인 벤치마킹: 14개의 실제 데이터셋에 대해 5개의 기존 방법 및 원본 미임퓨테이션 데이터와 비교 평가를 수행하였다.

실험 결과
저자는 하위 클러스터링 성능에 대한 지표로서 조정 랜드 지수(Adjusted Rand Index, ARI)와 조정 상호 정보량(Adjusted Mutual Information, AMI)을 사용하여 14개의 다양한 scRNA-seq 데이터셋에 대해 scVGAE를 평가하였다.

전반적인 성능: scVGAE는 모든 방법 중 가장 높은 평균 ARI(0.4681)를 기록하며 MAGIC(0.4640)을 근소하게 앞질렀다. 또한 두 번째로 높은 평균 AMI(0.5729)를 달성하였으며, 이는 MAGIC(0.5822)에 뒤처지는 수치이다.
데이터셋별 세부 사항: 이 방법은 이질적인 데이터셋 전반에서 경쟁력 있는 성능을 보였으며, ARI의 경우 14개 중 10개, AMI의 경우 14개 중 11개 데이터셋에서 최상위 순위를 차지했다.
절제 연구(Ablation Study):
- ZINB 목적 함수를 제거했을 때 성능 저하가 가장 컸으며, 이는 분포 인지 모델링이 가장 중요한 구성 요소임을 나타낸다.
- 직접 발현 재구성(MSE)을 제거했을 때도 성능이 감소하였으며, 이는 상호 보완적인 감독(supervision) 역할을 함을 시사한다.
- 확률적 샘플링을 사후 평균(결정론적 변형)으로 대체하면 ARI는 크게 감소했으나 AMI는 거의 변하지 않았다.
- KL 정규화만을 제거했을 때는 영향이 미미했으며, 이는 현재의 가중치 하에서 변분 공식의 이점이 정규화 항 자체보다는 확률적 샘플링에서 기인함을 시사한다.

의의 및 주장
본 논문은 scVGAE가 압축된 변분 그래프 표현을 통해 이질적인 데이터셋 전반에서 세포 클래스 구조를 경쟁력 있게 보존하는 동시에 임퓨테이션된 발현 행렬을 생성할 수 있음을 보여준다고 주장한다. 저자는 그래프 인지 표현 학습과 분포 인지 발현 모델링(ZINB를 통한)의 통합이 단일 세포 분석을 위한 유망한 프레임워크임을 강조한다.

저자는 다음과 같은 점을 언급하며 자신의 주장에 대해 신중한 태도를 유지한다:

클러스터링 지표(ARI/AMI)는 특정 누락된 전사체 값의 직접적인 회복보다는 구조 보존을 평가한다.
성능은 데이터셋마다 다르며, 이는 임퓨테이션 품질이 데이터셋 특유의 기하학적 구조와 그래프 구축에 의존함을 나타낸다.
본 연구는 광범한 데이터셋별 최적화를 수행하기보다 하이퍼파라미터를 고정하여 진행되었다.
현재의 평가는 변분 사후 분포가 나타내는 불확실성의 교정(calibration) 또는 생물학적 의미를 평가하지 않는다.

향าท업무로는 직접적인 회복 평가를 위한 통제된 마스킹 실험, 하이퍼파라미터 민감도 분석, 그리고 불확실성 교정 등이 제안되었다.

유사한 논문