기술 요약: Chreode – 한 단계 시간 역동성 및 교란 예측을 위한 세포 세계 모델

문제 제기

발달 신호 또는 유전적 교란 하에서 세포의 전사 상태가 어떻게 변화하는지 예측하는 것은 in-silico 생물학과 AI 가상 세포 프로그램의 핵심입니다. 기존 접근법은 네 가지 치명적인 한계에 직면해 있습니다:

1. 시간 데이터의 미활용: 대부분의 방법은 파괴적인 scRNA-seq 스냅샷을 정적인 대조군에서 처리군으로의 매핑으로 축소하여, 시계열 데이터에 내재된 변화율 정보를 폐기합니다.
2. 부적절한 작용 모델링: 많은 모델은 개입 (약물, 녹아웃) 을 연결할 잠재적 문맥으로 취급할 뿐, 인과적 do-계산 개입으로 다루지 않아 구성적 또는 궤적 의존적 교란을 해결하지 못합니다.
3. 높은 추론 비용: 다단계 솔버 (ODE, 슈뢰딩거 브리지) 는 모든 쿼리에 대해 반복적 통합을 요구합니다. 스크린 수준 쿼리 ($10^8$ 튜플) 로 확장할 경우 prohibitive 한 계산 비용 ($10^{10}$ 순전파) 이 발생합니다.
4. 생물학적 귀납 편향의 부재: 현재 흐름 매칭 및 최적 수송 방법은 속도장을 일반적인 신경망으로 매개변수화하여, 워딩턴의 풍경 (내리막 포텐셜 흐름, 회전 전류, 확산적 확산) 의 생물학적 구조를 무시합니다.

방법론: Chreode

Chreode 는 구조화된 잔차 전이 연산자를 통해 작용 조건부 세포 상태 전이 $p(z_{t+\Delta} | z_t, \text{do}(a))$를 예측하는 한 단계 세포 세계 모델로 소개됩니다.

1. 핵심 아키텍처: 워딩턴 잔차

반복적 롤아웃 대신, Chreode 는 입력 상태 $z_t$에 학습된 잔차 $R_\theta$를 추가하여 단일 순전파로 미래 잠재 상태 $\hat{z}_{t+\Delta}$를 예측합니다:
$$\hat{z}_{t+\Delta} = z_t + \alpha(\Delta) \cdot R_\theta(z_t, \Delta, a, \epsilon)$$
여기서 $\alpha(\Delta) = 1 - e^{-\Delta/\tau}$는 $\Delta=0$에서 변화가 없음을 보장하는 학습 가능한 시간 게이트입니다. 잔차 $R_\theta$는 세 가지 생물학적 해석 가능한 구성 요소로 분해됩니다:

• 내리막 포텐셜 흐름 ($-\nabla_z U_\theta$): 학습된 포텐셜 함수 $U_\theta$의 음의 기울기로, 세포를 낮은 포텐셜 운명 분지로 유도합니다.
• 반대칭 흐름 ($S_\theta z_t$): 비평형 전류 (예: 세포 주기) 를 모델링하는 회전 성분입니다. $S_\theta$는 정확한 반대칭성 ($S_\theta^\top = -S_\theta$) 을 보장하기 위해 $P_\theta Q_\theta^\top - Q_\theta P_\theta^\top$로 매개변수화됩니다.
• 확산적 확산 ($\sigma_\theta \odot \epsilon$): 고유의 생물학적 변이를 포착하기 위한 요소별 노이즈 스케일링입니다.

2. 훈련 파이프라인

Chreode 는 240 만 세포 마우스 배아 어틀라스 (7 개 데이터셋, 88 개 시점) 에서 2 단계 사전 훈련 레시피를 사용합니다:

• 1 단계 (인코더): 고정된 종간 직렬어휘 (16,520 개 마우스 - 인간 1:1 직렬어) 를 통해 공유 scVI 인코더를 훈련하여 고정된 잠재 표현을 생성합니다.
• 2 단계 (역동성 백본): DiT 기반 (확산 트랜스포머) 백본이 한 단계 전이 연산자를 학습합니다. 이는 Deng et al. [2026] 에서 적응된 개체군 수준의 드리프트 필드 손실을 사용하며, 다음을 결합합니다:
  • 분포 매칭을 위한 커널 MMD 및 Sinkhorn $W_2$.
  • 평형 일관성을 강제하는 드리프트 필드 항 ($L_{drift}$).
  • uphill 이동을 방지하는 내리막 정규화 항 ($L_{down}$).
• 시간 임베딩 분리: 장기 예측 중 안정성을 보장하기 위해, 포텐셜 분기는 유연한 Time2Vec 임베딩을 사용하고, 반대칭 분기는 회전 속도가 보이지 않는 주파수로 드리프트하는 것을 방지하기 위해 경계된 저주파 푸리에 코드를 사용합니다.

3. 전이 모드

사전 훈련된 백본은 두 가지 고유한 하류 전이 모드를 지원합니다:

1. 파인튜닝 초기화: 백본은 홀드아웃 데이터셋 (예: Weinreb 조혈, Veres 이자 분화) 에 대한 시간 전이 예측 모델을 초기화합니다.
2. 유전 - 상태 임베딩 주입: 사전 훈련된 역동성 표현은 GEARS 교란 예측기의 기존 유전 - 상태 임베딩으로 주입되며, GEARS 의 훈련 절차를 수정하지 않습니다.

주요 결과

시간 역동성 예측

• Weinreb 조혈: 파인튜닝된 Chreode 는 매칭된 스크래치 모델, PI-SDE, PRESCIENT 와 비교하여 4 일 및 6 일에서 가장 낮은 Sinkhorn $W_2$ 거리를 달성합니다.
• Veres 이자 분화: Chreode 는 모든 7 개 목표 시점 ($t=1$부터 $7$) 에서 모든 베이스라인 (PI-SDE 및 PRESCIENT 포함) 을 능가합니다.
• Zero-Shot 클론 운명: 파인튜닝 없이 고정된 백본을 사용하여 Chreode 는 강력한 동적-OT 베이스라인 (moscot, WOT) 및 신경-SDE 베이스라인 (scDiffEq) 과 경쟁력 있는 클론 운명 점수 (피어슨 상관관계 $r=0.468$) 를 생성합니다.

교란 예측

• Norman Perturb-seq: GEARS 내에서 유전 - 상태 임베딩으로 사용될 때, 사전 훈련된 역동성 표현은 공유 어휘 DE20 평균 제곱 오차 (MSE) 를 0.2121 에서 0.1858 로 감소시켜 12.4% 상대적 개선을 보입니다. 이는 발달 궤적 역동성이 CRISPR 유도 상태 변화로 이전 가능한 원시들을 인코딩함을 시사합니다.

효율성

• 추론 속도: Chreode 는 **단일 순전파 (1 NFE)**로 쿼리를 해결하여, 단일 NVIDIA A100 에서 PRESCIENT 보다 약 3.0$\times$ 빠르고 CellFlow 보다 6.3$\times$ 빠릅니다. 이 비용 분산은 $10^8$ 쿼리 스크린으로 확장하는 데 필수적입니다.

중요성 및 주장

이 논문은 Chreode 가 다음을 결합한 최초의 세포 기초 모델이라고 주장합니다:

1. 단일 단계 추론 (전이 비용의 비용 분산).
2. 하류 데이터셋 간 공유되는 사전 훈련된 백본.
3. 시간 및 작용 조건부 결합.
4. 속도를 포텐셜 기울기, 반대칭 흐름, 확산적 확산으로 명시적으로 분해하는 구조화된 잔차 사전.

저자들은 발달 역동성의 교란 예측으로의 성공적인 전이를 두 과정이 일관된 궤적을 따라 세포 상태 다양체를 관통한다는 증거로 해석합니다. 분포 진화를 추론 시간에서 훈련 시간으로 이동시킴으로써, Chreode 는 워딩턴에서 영감을 받은 분해를 유지하면서 단일 통과 생성을 가능하게 합니다. 이 작업은 다단계 솔버 및 정적 교란 매핑에 대한 확장 가능하고 생물학적으로 근거 있는 대안을 제공하여 "AI 가상 세포" 의제에 구조적 기여로 자리매김합니다.

저자가 지적한 한계:

• 사전 훈련은 마우스 배아 데이터로 제한되며, 종간 전이는 직렬어 매핑에만 의존합니다.
• 시간 전이 전이는 최적 성능을 위해 파인튜닝이 필요하며 (엄격한 Zero-Shot 아님).
• 교란 전이는 GEARS 아키텍처를 재사용하며, 독립적인 교란 연산자를 제안하지 않습니다.
• 규모 (240 만 세포) 는 독점 데이터로 훈련된 동시 대규모 세포 세계 모델보다 작습니다.