Conformal inference for cell type annotation with graph-structured constraints

기술 요약: 그래프 구조 제약 조건을 활용한 세포 유형 주석을 위한 컨포멀 추론 (Conformal Inference)

문제 정의
단일 세포 전사체학(Single-cell transcriptomics)은 특히 불확실성 정량화와 관련하여 세포 유형 예측에 있어 상당한 어려움에 직면해 있습니다. 전통적인 참조 기반 접근 방식은 종종 점 예측(가장 높은 확률을 가진 단일 레이블 할당)에 의존하며, 이는 여러 세포 유형이 유사한 확률을 가질 때 모델의 내재적 불확실성을 포착하지 못합니다. 컨포멀 예측(Conformal prediction)은 유한 샘플 보증을 갖는 예측 집합(Prediction sets)을 생성하는 프레임워크를 제공하지만, 단일 세포 유전체학에 대한 적용은 아직 미개척 분야로 남아 있습니다. 또한, 표준 컨포멀 방법은 종종 생물학적 계층 구조 내에서 의미적으로 멀거나 관련이 없는 레이블들을 예측 집합에 포함시키는 문제(예: 특정 T세포와 기질 세포를 동시에 예측하는 경우)를 일으켜 해석을 어렵게 만듭려. 추가적으로, 실제 응용 분야에서는 분포 변화, 특히 참조 데이터(훈련/교정)와 테스트 데이터 간의 세포 유형 구성이 달라지는 레이블 시프트(Label shift) 문제가 빈번하게 발생하며, 이는 표준 컨포멀 추론이 요구하는 교환 가능성(Exchangeability) 가정을 위반합니다.

방법론
저자들은 컨포멀 리스크 컨트롤(Conformal risk control)과 세포 온톨로지(Cell Ontology)의 그래프 구조 제약 조건을 통합하는 새로운 프레임워크를 제안합니다.

1. 그래프 구조 컨포멀 리스크 컨트롤:

   • 온톨로지 통합: 이 방법은 세포 온톨로지를 리프 노드(Leaf nodes)는 특정 세포 유형을 나타내고 내부 노드는 더 넓은 범주를 나타내는 유향 비순환 그래프(DAG)로 활용합니다.
   • 점수 구축: 예측된 클래스 $\hat{y}(x)$에 대해, 알고리즘은 조상 노드 $v$에 대한 점수 $g(v, x)$를 계산합니다. 이는 $v$의 모든 리프 자손들의 예측 확률의 합으로 정의됩니다.
   • 예측 집합 구축: 흩어진 리프 노드들을 반환하는 대신, 알고리즘은 예측된 클래스의 가장 구체적인 조상 $v$를 식별하며, 이때 $v$의 누적 점수는 임계값 $\lambda$를 초과해야 합니다. 예측 집합 $C_\lambda(x)$는 이 조상의 모든 리프 자손들과, (리스크 컨트롤에 필요한 중첩 성질을 보장하기 위해) 점수가 $\lambda$보다 엄격히 낮은 다른 조상들의 리프 자손들로 구성됩니다.
   • 손실 함수: 이 방법은 미커버리지 손실 함수(Miscoverage loss function)를 사용하여, 예측 집합 밖에 실제 레이블이 존재할 확률이 사용자가 지정한 오차율 $\alpha$ 이하가 되도록 보장합니다.

2. 분포 변화(레이블 시프트) 해결:

   • 세포 유형 구성이 참조 데이터와 테스트 데이터 간에 다를 수 있음을 인식하여, 저자들은 두 단계 접근 방식을 제안합니다. 첫째, 기술적 및 생물학적 공변량 변화는 기존 통합 방법(예: Harmony, LIGER)을 통해 완화된다고 가정합니다.
   • 둘째, 레이블 시프트(세포 유형 빈도의 차이)를 해결하기 위해 리샘플링 전략을 도입합니다. 테스트 데이터를 두 개의 서브셋($S_1, S_2$)으로 나눕니다. 참조 데이터로 모델을 학습시키고 $S_1$에서 확률을 추정합니다. 그 후, 이 추정된 확률에 따라 교정 세트(Calibration set)를 리샘플링하여 테스트 분포와 일치하도록 만듭니다. 이 리샘플링된 세트를 사용하여 $S_2$에 대한 예측 집합을 교정합니다. 이 과정은 역할을 바꾸어 반복됩니다. 이 전략은 테스트 분포에 대한 사전 지식 없이도 유효한 커버리지를 위해 필요한 중요도 가중 기대값(Importance-weighted expectation)을 근사합니다.

주요 기여

• 그래프 제약 예측 집합: 본 논문은 세포 온톨로지의 계층 구조를 활용하여 의미적으로 일관된 예측 집합을 생성하는 컨포멀 알고리즘을 소개합니다. 분절된 레이블 대신, 이 방법은 특정 조상과 그 자손들에 해당하는 집합을 출력함으로써 불확실성을 요약하는 하나의 해석 가능한 레이블을 제공합니다.
• 레이블 시프트 교정: 저자들은 참조 데이터와 테스트 데이터의 세포 유형 구성이 다를 때 유효한 커버리지를 복구할 수 있는 실용적인 리샘플링 기법을 제공합니다.
• 구현: 이 방법은 오픈 소스 R 패키지인 scConform(Bioconductor를 통해 사용 가능)으로 구현되어 유전체학 커뮤니티에서 접근 가능하도록 제작되었습니다.

결과
저자들은 두 가지 데이터셋을 사용하여 방법을 평가했습니다:

1. Merfish 마우스 회장(Ileum) 데이터셋:
   • 표준 분할 컨포멀 추론(Split conformal inference)과 비교했을 때, 그래프 구조 방법은 **집합 내 거리(Intra-set distances)**가 더 낮았습니다(평균 거리 1.148 vs 1.616). 이는 더 높은 의미적 일관성을 나타냅니다.
   • 그래프 기반 집합이 평균적으로 약간 더 크긴 했지만, 신뢰도가 높을 때는 빈번하게 단일 레이블 예측을 생성했습니다.
   • 결정적으로, 참조 데이터에 존재하지 않는 범주(예: "Myenteric Plexus")에 속하는 세포들에 대해, 그래프 기반 방법은 (15개의 모든 레이블을 포함하는) "결론 불능(Inconclusive)" 집합을 올바르게 생성한 반면, 표준 컨포멀 추론은 특정 참조 레이블을 잘못 할당하여 데이터의 분포 외(Out-of-distribution) 특성을 알리는 데 실패했습니다.
2. COVID-19 환자 데이터셋:
   • 불균형한 세포 유형 분포를 가진 실제 임상 환경에서, 제안된 리샘플링 전략은 언더커버리지(Under-coverage) 문제를 성공적으로 교정했습니다.
   • 리샘플링이 없으면 경험적 커버리지가 명목 수준을 초과(오버커버리지)했습니다. 리샘플링 교정(오라클 및 추정 모두 적용)을 거친 후에는 커버리지가 목표치인 0.9에 더 가깝게 수렴했습니다.
   • 이 방법은 미세한 예측들을 생물학적으로 의미 있는 조상으로 성공적으로 통합했습니다(예: plasma cell 하위 유형들을 "antibody secreting cell"으로 그룹화). 이는 해석력을 향상시켰음을 보여줍니다.

의의 및 주장
본 논문은 세포 온톨로지의 그래프 구조 제약을 컨포멀 추론에 통합하는 것이 단일 세포 데이터의 세포 유형 예측에 대한 해석력을 크게 향고시킨다고 주장합니다. 예측 집합을 생물학적 계층 구조와 일치시킴으로써, 이 방법은 분절된 레이블의 모호함을 피하고 모델의 불확실성을 더욱 직관적으로 요약합니다.

저자들은 이 접근 방식이 기본 분류기의 정확도와 관계없이 **유한 샘플 유효성 보증(Finite-sample validity guarantees)**을 제공한다는 점을 강조합니다. 커버리지 보증 없이 트리를 따라 에러를 전파하는 계층적 분류 방법과 달리, 이 방법은 보고된 집합이 정해진 확률($1-\alpha$)로 실제 세포 유형을 포함하도록 보장합니다. 또한, 제안된 리샘플링 전략은 유전체학의 흔한 문제인 레이블 시프트에 대한 원칙적인 해결책을 제공하여, 참조 데이터셋과 테스트 데이터셋의 구성이 다를 때도 신뢰할 수 있는 불확실성 정량화를 가능하게 합니다. 이 연구는 컨포멀 추론을 다운스트림 분석을 위한 강력한 도구로 자리매김하며, 연구자들이 잠재적으로 오도될 수 있는 점 예측에 의존하는 대신 모델의 불확실성을 명시적으로 반영할 수 있도록 합니다.