Quantum Generative Modeling of Single-Cell transcriptomes: Capturing Gene-Gene and Cell-Cell Interactions

기술 요약: 단일 세포 전사체에 대한 양자 생성 모델링

문제 정의
단일 세포 RNA 시퀀싱(scRNA-seq) 데이터를 시뮬레이션하는 현재의 방법들은 선형 상관관계에 크게 의존하는 고전적 접근 방식에 의해 제약을 받고 있다. 이러한 방법들은 유전자 조절 네트워크(GRN)와 세포 간 통신을 특징짓는 내재적인 비선형 의존성을 포착하지 못한다. SERGIO 및 scMultiSim과 같은 기존 시뮬레이터들은 일반적으로 세포 내 조절과 세포 간 신호 전달을 별개의 모듈 또는 가산적 모듈로 모델링한다. 이들은 유전자-유전자 조절 상호작용과 세포-세포 통신을 하나의 통합된 생성 프레임워크 내에서 공동으로 모델링하는 데 어려움을 겪으며, 종종 메커니즘적 피드백이 결여된 정적 매핑이나 선형 상관관계 조정 방식에 의존한다. 결과적으로, 복잡한 구조적 의존성을 반영하는 알려진 프로그래밍 가능한 그라운드 트루스(ground truth)를 가진 고충실도 합성 데이터를 생성할 수 있는 플랫폼이 부족한 실정이다.

방법론: qSimCells
저자들은 양자 얽힘(entanglement)을 활용하여 현실적인 단일 세포 전사체 데이터를 생성하도록 설계된 하이브리드 양자-고전 시뮬레이터인 qSimCells를 소개한다. 이 프레임워크는 큐비트가 유전자 또는 분자 특성을 나타내는 매개변수화된 양자 회로(Parameterized Quantum Circuit, PQC)를 활용한다.

1. 상태 초기화: 프로세스는 $n$개의 큐비트를 바닥 상태 $|0\rangle$로 초기화하며 시작된다. 기저 유전자 활성화 확률($P_i = \sin^2(\theta_i/2)$)을 설정하기 위해 $Y$-축 회전 게이트($R_y$)를 통해 사용자 정의 회전 각도($\theta_i$)가 적용된다.
2. 세포 내 조절 (GRN): 세포 유형 내 유전자 간의 유향 인과 의존성은 제어-NOT (CX) 게이트를 사용하여 인코딩된다. 제어 큐비트와 대상 큐비트를 얽히게 하기 위해 일련의 CX 게이트가 적용되며, 이는 비선형 GRN 토폴로지를 모방하는 시간 순서에 따른 조절 폭포(cascade)를 구축한다.
3. 세포 간 통신: 서로 다른 세포 유형 간의 상호작용(예: 세포 유형 1과 세포 유형 2)을 모델링하기 위해, 프레임워크는 두 개의 독립적인 양자 상태(레지스터)를 준비하고 텐서 곱을 통해 복합 상태를 형성한다. 레지스터 간 통신은 한 세포 유형의 리간드 유전자와 다른 세포 유형의 수용체 유전자를 얽히게 하는 최종 CX 게이트 세트를 적용함으로써 시뮬레이션된다.
4. 데이터 생성: 최종 양자 상태는 유전자 활성화(ON/OFF)를 나타내는 이진 카운트 행렬을 생성하기 위해 측정된다. 실제 scRNA-seq 데이터의 과분산(overdispersed) 특성을 모방하기 위해, 이 이진 행렬은 음이항(Negative Binomial, NB) 분포를 사용하여 변환되며, "ON" 상태를 스케일링하여 연속적인 유전자 발현 카운트를 생성한다.

주요 기여

• 통합 생성 모델: qSimCells는 세포 내 GRN과 세포 간 리간드-수용체 신호 전달을 단일 프레임워크 내에서 자연스럽고 통합적으로 시뮬레이션하는 최초의 양자 기반 도구로 제시된다.
• 프로그래밍 가능한 그라운드 트루스: 얽힘 구조(CX 게이트 시퀀스)를 명시적으로 정의함으로써, 이 시뮬레이터는 조절 및 통신 경로 모두에 대해 알려진 인과적 그라운드 트루스를 확립한다. 이를 통해 수학적으로 정의된 의존성을 가진 데이터셋을 대상으로 추론 알고리즘에 대한 엄격한 벤치마킹이 가능하다.
• 비선형 의존성 인코딩: 이 프레임워크는 양자 얽힘이 고전적인 상관관계 기반 시뮬레이터에서는 자연스럽게 표현할 수 없는 복잡한 고차 의존성을 인코딩할 수 있음을 입증한다.

결과
연구는 세포 유형당 5개의 유전자로 구성된 시스템을 포함하는 두 가지 주요 실험을 통해 qSimCells를 검증한다.

1. GRN 추론 벤치마킹:

   • 저자들은 합성 데이터에 대해 네 가지 고전적 추론 방법(Pearson, Spearman, GRBNoost2, GENIE3)을 테스트했다.
   • 상관관계 기반 방법 (Pearson/Speman): 엄격한 임계값에서 프로그래밍된 CX 토폴로지를 복구하는 데 실패했다. 이들은 진정한 인과 구조보다는 높은 기저 유전자 발현 확률(예: 높은 $\theta$ 값을 가진 유전자)에 의해 유도된 허위 연관성을 생성했다.
   • 트리 기반 방법 (GRNBoost2/GENIE3): 이들은 특히 상호작용하지 않는 제어 사례에서 높은 빈도로 유향 에지를 복구하며 그라운드 트루스와 더 우수한 일치도를 보였다. 그러나 높은 발현 패턴에 의한 혼란 변수 때문에 복잡한 인터-스테이트 폭포 케이스에서는 어려움을 겪었으며, 이는 고차원 데이터에서 진정한 인과적 연결과 통계적 동시 발생을 구별하는 것이 어렵다는 점을 강조한다.

2. 세포-세포 통신 탐지:

   • 프레임워크는 표준적인 리간드-수용체 상호작용 추론 도구인 CellChat을 사용하여 테스트되었다.
   • 인터-스테이트 얽힘이 활성화되었을 때, CellChat은 프로그래밍된 진정한 리간드-수용체 쌍(예: $g_3 \to g_5$ 및 $g_7 \to g_0$)을 정확하게 식별하였으며, 상호작용하지 않는 제어군에 비해 추론된 통신 확률이 최대 98배까지 대폭 증가함을 보여주었다.
   • 반대로, 메커니즘적 연결이 없는 허위 제어 쌍들은 높은 절대적 신뢰 점수를 가졌음에도 불구하고 통신 확률의 변화가 미미했다. 이는 이는 조건 간의 상대적인 확률 변화가 절대적인 p-값보다 진정한 메커니즘적 신호의 더 신뢰할 수 있는 지표임을 시사한다.

3. 하드웨어 검증:

   • 저자들은 시뮬레이션 결과가 이상적인 노이즈리스 시뮬레이션, 노이즈 모델 시뮬레이션, 그리고 실제 IBM 퀀텀 하드웨어(127-큐비트 프로세서) 실행 간에 일관됨을 확인했다. 유전자 발현 확률의 순위 결정(rank ordering)이 모든 조건에서 보존되었으며, 이는 얕은 회로(shallow circuits)가 현재의 NISQ 장치에서도 견고함을 확인시켜 준다.

의의 및 주장
본 논문은 qSimCells가 얽힘에 의해 강제된 상관관계와 프로그래밍 가능한 인과적 토폴로지를 가진 벤치마크 데이터셋을 생성하는 플랫폼을 제공함으로써 합성 생물학에 중요한 진전을 이루었다고 주장한다.

• 고전적 추론의 한계: 결과는 유전자 발현 크기와 쌍방적 주변 분포(pairwise marginals)를 우선시하는 기존 상관관계 기반 추론 방법의 한계를 강조한다.
• 고급 접근법의 필요성: 연구는 고전적 시뮬레이터가 재현하지 못하는, 유전자 조절 및 세포 간 통신의 기저에 깔린 복잡한 구조적 의존성을 포착할 수 있는 분석적 접근법의 개발을 촉구한다.
• 아키텍처적 이점: 사용된 특정 회로 패밀리는 고전적으로 시뮬레이션 가능하지만, 저자들은 양자 프레임워크가 이러한 의존성을 인코딩하기 위한 자연스러운 인터페이스로서 아키텍처적 이점을 제공한다는 점을 강조한다. 이는 고전적 확률 모델에서는 구축하기 어려운 생성적 그라운드 트루스를 정의하는 압축적이고 원칙적인 방법을 제공한다.
• 향향 방향: 이 연구는 양자 생성 모델링을 단일 세포 분석의 필수적인 패러다임으로 위치시키며, 미래의 알고리즘이 선형 상관관계를 넘어 세포 시스템의 메커니즘적이고 비선형적인 본질을 포착해야 한다고 제안한다. 저자들은 전체 게놈 시뮬레이션이 현재 큐비트 수에 의해 제한되어 있지만, 하이브리드 전략(핵심 경로를 위한 양자 코어 + 고전적 배경)이 즉각적이고 실용적인 응용 방안이라고 언급한다.