기술 요약: 클러스터 정규화 최적 수송을 통한 패치 기반 결손 단일 세포 데이터의 효율적 결측치 보간

1. 문제 정의

단일 세포 시퀀싱 기술은 '드롭아웃'(technical zeros) 사건과 생물학적 발현 부재로 인해 악명 높은 고차원 데이터를 생성합니다. 수많은 결측치 보간 방법이 존재하지만, 대부분 균일한 결손이나 데이터 완전성을 가정합니다. 이러한 방법들은 종종 패치 기반 결손 데이터(dataset 의 일부에 대해 전체 특징 블록이 결손된 상황, 예: CITE-seq 배치의 모든 단백질 측정값 또는 특정 모달리티의 모든 유전자 발현 값) 처리에 어려움을 겪습니다.

기존 방법들은 종종 국소적 유사성에 의존하거나 데이터 완전성에 대한 강한 가정을 전제로 하여, 과도한 평활화 (생물학적 구별의 흐림) 또는 구조화된 결손의 복원 실패를 초래합니다. 또한 많은 접근 방식은 대규모 데이터셋에 필요한 계산 효율성이 부족하여, 보간에 수 분에서 수 시간이 소요됩니다.

2. 방법론: CROT

저자들은 불완전한 데이터셋 ($X_2$) 을 완전한 참조 데이터셋 ($X_1$) 과 정렬함으로써 표 형식 단일 세포 데이터의 결손 값을 보간하도록 설계된 클러스터 정규화 최적 수송 (Cluster-Regularized Optimal Transport, CROT) 알고리즘을 제안합니다.

핵심 메커니즘

CROT 은 불완전 데이터와 완전 데이터의 분포 간 거리를 최소화하면서 생물학적 구조를 보존하는 최적화 문제로 결측치 보간을 공식화합니다. 이 방법은 $X_1$의 특징을 $X_2$로 매핑하는 수송 계획을 계산하기 위해 **엔트로피 최적 수송 (Entropic Optimal Transport, OT)**을 활용합니다.

총 손실 함수 $L_{CROT}$는 두 가지 항으로 구성됩니다:

1. 데이터 수준 정렬: $X_1$과 $X_2$의 원시 데이터 분포 간의 Sinkhorn 발산 ($S^\epsilon_p$). 이는 보간된 값이 관측된 분포와 정렬되도록 보장합니다.
2. 클러스터 정규화: $X_1$과 $X_2$의 클러스터 중심 (cluster centroids) 간 Sinkhorn 발산을 최소화하는 정규화 항 ($\alpha S^\epsilon_p$).

알고리즘 워크플로우

1. 초기화: $X_2$의 결손 항목은 $X_1$의 열 평균에 가우스 노이즈를 더하여 초기화됩니다.
2. 클러스터 결정: Elbow 방법을 사용하여 참조 데이터 $X_1$에 대한 최적의 클러스터 수 ($k$) 를 결정하고 이를 $X_2$에 적용합니다.
3. 교차 최적화:
   • 클러스터링 단계: $X_1$의 샘플링된 부분집합과 $X_2$의 현재 추정치에 대해 K-means 클러스터링을 수행하여 클러스터 라벨을 할당하고 중심 ($C_1, C_2$) 을 계산합니다. 이산 할당 단계는 미분 불가능하므로, 그래디언트 업데이트 중 할당은 고정됩니다.
   • 수송 단계: 데이터 샘플과 클러스터 중심 모두에 대해 Sinkhorn 발산을 계산합니다.
   • 업데이트: $X_2$의 결손 항목은 Adam 옵티마이저를 사용한 그래디언트 하강을 통해 결합된 손실을 최소화하도록 업데이트됩니다.
4. 수렴: 손실이 수렴할 때까지 (일반적으로 150 회 이내) 이 과정이 반복됩니다.

복잡도

이 알고리즘은 확장성을 보장하기 위해 미니배칭 (l 행 샘플링) 을 사용합니다. 전체 시간 복잡도는 $O(m_1 \cdot n + T \cdot l^2)$이며, 여기서 $m_1$은 참조 데이터의 세포 수, $n$은 특징 수, $T$는 외부 반복 횟수, $l$은 배치 크기입니다. 데이터셋 크기에 대한 선형 의존성은 전체 행렬 OT 접근법과 비교하여 상당한 속도 향상을 가능하게 합니다.

3. 주요 기여

• 새로운 프레임워크: 단일 세포 데이터에서 패치 기반 결손(전체 모달리티 블록) 을 처리하도록 특별히 설계된 최초의 최적 수송 기반 결측치 보간 방법인 CROT 의 도입.
• 구조 보존: 클러스터 정규화 항의 통합은 보간된 데이터가 참조 데이터의 세포 유형 구조 (중심) 를 재현하도록 보장하여, 뚜렷한 세포 정체성의 붕괴를 방지합니다.
• 효율성: 엔트로피 정규화와 미니배치 최적화를 활용하여 기준선 방법 (수 분~수 시간) 대비 수 초 만에 보간을 완료함으로써 압도적인 보간 정확도와 극적으로 단축된 실행 시간을 달성합니다.
• 강건한 평가: 시뮬레이션된 패치 기반 드롭아웃 시나리오 하에서 세 가지 실제 데이터셋 (CITE-seq, Multiome, PBMC) 에 대한 포괄적인 평가.

4. 실험 결과

저자들은 CROT 을 MAGIC, scImpute, DeepImpute, totalVI, MultiVI, SCOTv2 를 포함한 최신 기준선 방법들과 비교 평가했습니다.

• 수치적 복원: CROT 은 세 가지 데이터셋 전반에 걸쳐 가장 높은 피어슨 상관계수 (PCC) 와 가장 낮은 평균 절대 오차 (MAE) 및 제곱근 평균 제곱 오차 (RMSE) 를 달성했습니다. 예를 들어, CITE-seq 데이터셋에서 CROT 은 PCC $0.76 \pm 0.04$와 MAE $0.47 \pm 0.02$를 기록하여 다음으로 좋은 방법 (totalVI) 을 능가했습니다.
• 클러스터링 성능: 세포 유형 클러스터링 (조정된 랜 지수, NMI, 순도 측정) 측면에서 CROT 은 다른 방법들보다 일관되게 우수한 성과를 보였습니다. CITE-seq 에서 ARI $0.83$과 순도$0.93$을 달성하여 원시 데이터나 다른 보간 방법보다 훨씬 높았습니다.
• 생물학적 충실도: 시각화 (UMAP) 및 마커 단백질 발현 분석 (예: CD3, CD14, CD19) 은 CROT 이 종종 마커 특이성이 약화된 경쟁사들보다 생물학적 이질성과 세포 유형별 시그니처를 더 잘 보존함을 확인시켜 주었습니다.
• 계산 효율성: CROT 은 CITE-seq, Multiome, PBMC 데이터셋에 대해 각각 5 초, 12 초, 39 초 만에 보간을 완료하여 탁월한 속도를 입증했습니다. 이는 평균 기준선 방법이 요구하는 실행 시간의 약 1~2% 수준입니다.
• 절차 제거 및 강건성:
  • 절차 제거 (Ablation) 연구는 최적의 성능을 위해 데이터 수준 손실과 클러스터 정규화 항 모두 필요함을 확인했습니다.
  • 민감도 분석은 이 방법이 정규화 강도 ($\alpha$) 와 클러스터 수 ($k$) 의 변화에 강건함을 보여주었습니다.
  • 강건성 테스트는 부분 무작위 결손 (50-75% 마스킹) 과 불일치하는 클러스터 구성 (결손 세포 유형) 하에서도 성능이 우아하게 저하되지만 여전히 경쟁력 있음을 나타냈으나, 이 방법은 참조와 대상 간 유사한 생물학적 구성을 가정한다는 점을 지적했습니다.

5. 중요성 및 주장

이 논문은 CROT 이 구조화된 데이터 부재가 있는 이질적이고 고차원적인 데이터셋의 결측치 보간을 위한 강건한 솔루션을 제공한다고 주장하며, 전통적인 드롭아웃 중심 알고리즘이 실패하는 중요한 간극을 해소합니다.

저자들은 최적 수송과 클러스터 수준 정규화를 결합함으로써 CROT 이 수치적 정확도와 생물학적 구조 보존 사이의 균형을 효과적으로 맞춘다고 강조합니다. 이 방법은 대규모 다중 모달 단일 세포 분석을 위한 실용적이고 확장 가능한 도구로 제시되며, 종종 노이즈나 결손 데이터에 의해 가려지는 의미 있는 생물학적 신호 (희귀 세포 아집단 및 발달 궤적 등) 를 복원할 수 있습니다. 저자들은 명시적인 배치 보정 및 참조 데이터가 유사한 생물학적 구성을 공유해야 한다는 의존성에 대한 한계를 인정하며, 이를 향후 개선 과제로 제시합니다.