🧬 biology

CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

CellBRIDGE는 리간드-수용체 매개 세포 간 통신 비용을 최적 운송(Optimal Transport)에 통합함으로써 단일 세포 RNA 시퀀싱의 궤적 추론을 향상시키고, 이를 통해 세포 역학 재구성의 정확도를 높이며 기계론적으로 해석 가능한 인 실리코(in silico) 섭동을 가능하게 하는 새로운 프레임워크이다.

원저자: Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

게시일 2026-06-01

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van der Schaar

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

당신이 사람들의 군중 속에서 그들의 인생 이야기를 알아내려 한다고 상상해 보십시오. 하지만 당신에게는 서로 다른 시간에 찍힌 몇 장의 흐릿한 스냅샷뿐입니다. 이 실험에서는 사진을 찍는 행위 자체가 사람을 파괴하기 때문에(이는 단일 세포 RNA 시퀀싱이 작동하는 방식입니다. 유전자를 읽기 위해서는 세포를 죽여야 합니다), 당신은 한 사람이 다음 사진으로 어떻게 움직이는지 관찰할 수 없습니다.

당신의 목표는 점들을 연결하는 것입니다: "첫 번째 사진 속의 저 사람은 누구였나? 그들은 어디로 갔나? 그리고 어떤 경로를 거쳐갔나?"

이것이 바로 CellBRIDGE가 해결하고자 하는 과제입니다. 논문은 이를 쉬운 비유를 사용하여 다음과 같이 설명합니다.

문제점: "최소 작용(Least Action)"의 실수

전통적으로 과학자들은 사람들이(세포들이) 사진 사이를 이동할 때 가장 짧고 매끄러운 경로를 택한다고 가정하여 이 문제를 해결하려 했습니다. 만약 어떤 사람이 다음 사진에 있는 누군가와 조금 닮았다면, 그 사람이 그곳으로 이동했을 것이라고 보는 것입니다. 이는 마치 모든 사람이 목적지를 향해 직선으로 걷는다고 가정하는 것과 같습니다.

결함: 이는 사람들이 실제로 어떻게 상호작용하는지를 무시합니다. 실제 군중 속에서 사람들은 단순히 무작위로 걷는 것이 아닙니다. 그들은 서로 대화를 나누고, 서로를 밀치거나, 리더를 따릅니다. 생물학에서도 세포들은 **리간드-수용체 쌍(ligand-receptor pairs)**이라고 불리는 화학적 "악수"를 통해 서로 대화합니다. 한 세포가 신호(리간드)를 보내면, 그와 일치하는 수용체를 가진 다른 세포의 행동을 변화시킬 수 있습니다.

만약 이러한 대화를 무시한다면, 엉뚱한 사람들을 연결하게 될 수도 있습니다. 단순히 외형이 비슷하다는 이유로 세포 A가 위치 B로 이동했다고 생각할 수 있지만, 실제로는 세포 A가 세포 C로부터 온 신호에 의해 그곳으로 밀려난 것일 수도 있습니다.

해결책: CellBRIDGE ("대화 지도")

저자들은 CellBRIDGE라는 새로운 도구를 만들었습니다. CellBRIDGE는 단순히 두 세포가 얼마나 닮았는지(그들의 "얼굴")만 보는 것이 아니라, 그들이 누구와 대화하고 있는지도 함께 봅니다.

이것은 무도회장 댄스 장면을 찍은 두 장의 사진에서 무용수들을 맞추는 것과 같습니다:

기존 방식 (특징 중심): 의상을 기준으로 무용수를 맞춥니다. "사진 1의 빨간 슈트를 입은 남자는 사진 2의 빨간 슈트를 입은 남자임에 틀림없다."
CellBRIDGE: 의상뿐만 아니라 누구와 손을 잡고 있는지를 기준으로 맞춥니다. "사진 1의 빨간 슈트를 입은 남자는 파란 드레스를 입은 여성과 손을 잡고 있었다. 사진 2에서도 빨간 슈트를 입은 남자는 여전히 파란 드레스를 입은 여성과 손을 잡고 있다. 그러므로 이들은 확실히 같은 커플이다."

CellBRIDGE는 모든 스냅샷에 대해 "대화 지도"를 구축합니다. 이 도구는 어떤 세포가 어떤 세포에게 신호를 보내는지 파악합니다. 그런 다음, 한 시점의 세포를 다음 시점과 연결할 때, 그 대화 패턴이 일관되게 유지되는지 확인합니다. 만약 사진 1에서 세포 A가 세포 B와 대화하고 있었다면, 이 도구는 사진 2에서 새로운 세포 A가 여전히 새로운 세포 B와 대화하고 있는 매칭을 찾습니다.

작동 원리 ("다리")

이 논문은 **최적 운송(Optimal Transport)**이라는 수학적 개념을 사용합니다(이는 기본적으로 한 곳에서 다른 곳으로 모래 더미를 옮기는 가장 효율적인 방법을 찾는 것입니다).

"모래": 세포들.
"비용": 한 상태에서 다른 상태로 세포를 이동시키는 데 드는 노력.
"다리": CellBRIDGE는 이 비용에 새로운 규칙을 추가합니다. 즉, "세포가 유사해 보이면 이동 비용이 저렴하지만, 그들의 대화 네트워크를 깨뜨린다면 매우 비싸진다(나쁜 매칭이 된다)"라고 규정합니다.

이 두 가지 규칙(외형의 유사성 + 대화 유지) 사이의 균형을 맞춤으로써, 이 도구는 스냅샷들을 연결하는 훨씬 더 정확한 "다리"를 건설합니다.

연구 결과

연구진은 가짜 데이터(정답을 알고 있는 데이터)와 실제 생물학적 데이터(폐암 및 면역 세포) 모두에서 이 도구를 테스트했습니다.

더 나은 지도: CellBRIDGE를 사용했을 때, 단순히 외형만을 고려했을 때보다 세포 간의 연결이 훨씬 더 정확했습니다.
가상 시뮬레이션 (In Silico): 도구가 통신의 메커니즘(누가 누구와 대화하는지)을 이해하고 있기 때문에, "만약"의 상황을 시뮬레이션할 수 있었습니다.
- 실험: 컴퓨터에게 "세포 A가 세포 B에게 신호를 보내는 것을 멈춘다고 가정하라"고 명령했습니다.
- 결과: 컴퓨터는 세포들이 경로를 바꿀 것이라고 예측했습니다.
- 검증: 실제 폐암 데이터를 살펴보았을 때, 시뮬레이션에서 특정 신호(예: EGFR 또는 ALK 경로)를 차단하자 세포들이 방향을 바꾸는 현상이 나타났으며, 이는 해당 경로를 차단하는 약물이 작동하는 방식에 대한 실제 의학적 지식과 일치했습니다.

핵심 요약

CellBRIDGE는 세포의 인생 이야기를 재구성하는 새로운 방법입니다. 이 도구는 세포가 고립되어 진화하는 것이 아니라, 서로 대화하며 진화한다는 사실을 인지합니다. 이러한 대화에 귀를 기울임으로써, 우리는 암과 같은 질병이 어떻게 발전하는지, 그리고 세포가 치료에 어떻게 반응할지에 대한 훨씬 더 명확한 그림을 그릴 수 있습니다.

중요 참고 사항: 이 논문은 이 방법이 "대화 패턴"이 연구되는 기간 동안 어느 정도 안정적으로 유지될 때 가장 잘 작동한다고 명시합니다. 만약 세포들이 너무 빠르게 변하여 사회적 네트워크가 즉각적으로 붕러지고 재건된다면(매우 빠른 배아 발달 과정처럼), 도로가 매 초마다 사라졌다 나타나는 지도처럼 이 도구도 혼란을 겪을 수 있습니다.

기술 요약: CellBRIDGE

문제 정의

인구 집단의 스냅샷으로부터 세포 역학을 추론하는 것은 단일 세포 RNA 시퀀싱(scRNA-seq)의 근본적인 과제입니다. scRNA-seq 측정은 파괴적이기 때문에, 개별 세포를 시간의 흐름에 따라 추적할 수 없으며, 이로 인해 궤적 추론은 미결정 문제(underdetermined problem)가 됩니다. 최적 운송(Optimal Transport, OT)은 시점 간 분포를 정렬하는 원칙적인 프레임워크를 제공하지만, 표준적인 접근 방식은 오직 유전자 발현 거리에만 의존합니다. 이러한 방법들은 세포를 독립적인 입자로 암묵적으로 취급하며, 발달과 질병을 주도하는 것으로 알려진 리간드-수용체(ligand-receptor, LR) 신호 전달에 의한 구조화된 세포-세포 통신(CCI)을 간과합니다. 결과적으로, OT에서 비용 함수(cost function)를 선택하는 문제는 생물학적으로 의미 있는 결합(coupling)을 생성하는 데 있어 병목 현상으로 작용합니다.

방법론: CellBRIDGE

저자들은 LR 활성에서 유도된 방향성을 가진 유형화된 상호작용 비용(directed, typed interaction cost)을 통해 특징 기반 OT를 확장한 프레임워크인 CellBRIDGE(Cell-Based Regularized Interaction-Driven Gene Expression)를 소개합니다.

1. 상호작용 인지형 비용 구축 (Interaction-Aware Cost Construction)

공간 좌표(해리된 scRNA-seq에서는 사용 불가능)에 의존하는 대신, CellBRIDGE는 각 스냅샷 내에서 대리(proxy) 통신 네트워크를 구축합니다:

전처리: 유전자 발현 카운트를 정규화하고, 수용체 점유 효과를 포착하기 위해 힐 포화 함수(Hill saturation function)를 사용하여 $[0, 1]$ 범위로 매핑합니다.
스코어링: $P$ 개의 리간드-수용체 쌍에 대해, 방향성을 가진 비음수 CCI 텐서 $G \in \mathbb{R}^{n \times n \times P}_{\geq 0}$ 를 구축합니다. 송신 세포 $i$ 와 수신 세포 $j$ 사이의 상호작용 점수는 $i$ 에서의 리간드 발현량과 $j$ 에서의 수용체 발현량의 곱으로 계산됩니다.
구조: 이는 다채널의 방향성 세포-세포 통신 표현을 생성합니다.

2. 융합 그로모프-와서스타인 (Fused Gromov–Wasserstein, FGW) 공식화

CellBRIDGE는 정렬 문제를 FGW 최적화 문제로 구성합니다. 이 모델은 다음 두 항의 가중 합을 최소화하는 결합 $\Gamma$ 를 찾습니다:

특징 비용 ( $F$ ): 유전자 발현 공간에서의 표준 운송 비용(예: 제곱 유클리드 거리)으로, 전사 상태의 매끄러운 진화를 강제합니다.
구조 비용 ( $S$ ): 소스 및 타겟 세포 쌍 간의 방향성, 다채널 상호작용 프로파일의 불일치를 측정하는 왜곡 항입니다.

목적 함수는 다음과 같습니다:
$\min_{\Gamma \in \Pi(a,b)} (1-\alpha) \langle \Gamma, C \rangle_F + \alpha \sum_{i,k,j,l} \phi(g^{(0)}_{i \to k}, g^{(1)}_{j \to l}) \Gamma_{ij} \Gamma_{kl}$
여기서 $\alpha \in [0, 1]$ 은 특징 유사성과 구조 보존 사이의 균형을 조절하며, $\phi$ 는 LR 채널 벡터 간의 유사도 메트릭(기본값: 제곱 유클리드 거리)입니다.

3. 모듈성 및 다운스트림 통합

핵심 설계 원칙은 상호작용 사전 정보(prior)가 결합 단계에서만 주입된다는 것입니다. 결과물인 결합 $\Gamma^*$ 는 다음과 같은 다양한 연속 시간 궤적 모델의 플러그 앤 플레이 입력으로 사용될 수 있습니다:

조건부 흐름 매칭 (Conditional Flow Matching, CFM): 결정론적 속도장을 학습합니다.
메트릭 흐름 매칭 (Metric Flow Matching, MFM): 데이터 의존적 리만 다양체 상의 흐름을 학습합니다.
확률적 슈뢰딩거 브리지 (Stochastic Schrödinger Bridges, SF2M): 확률적 역학을 모델링합니다.
불균형 OT (Unbalanced OT): 인구 질량 변화(증식/사멸)를 고려합니다.

이 프레임워크는 맞춤형 조건부 경사(conditional-gradient, Frank-Wolfe) 루틴을 사용하여 비볼록(non-convex) FGW 문제를 해결하며, 특징 항과 구조 항이 비교 가능한 규모가 되도록 정규화 기법을 사용합니다.

주요 기여

비용 함수 관점: 본 논문은 OT 비용 설계가 스냅샷 정렬의 핵심 레버임을 식별하고, 리간드-수용체 통신의 매끄러운 진화를 유전자 발현의 최소 작용 원리와 직교하는 생물학적 근거를 가진 사전 정보로 제안합니다.
유형화된 방향성 FGW: 저자들은 LR 신호 전달에서 유도된 다중 관계(벡터 값) 방향성 상호작용 구조를 처리할 수 있도록 FGW를 일반화하여 상호작용을 인지하는 결합을 생성합니다.
광범위한 적용 가능성: 이 방법은 다양한 프레임워크(CFM, MFM, SF2M, UOT) 전반에서 상호작용 인지 결합이 궤적 추론을 개선함을 입증함으로써, CCI 구조가 범용적인 사전 정보임을 확립했습니다.
기계론적 해석 가능성: LR 카탈로그를 통해 작동하는 CellBRIDGE는 in silico 섭동(perturbation)을 가능하게 합니다. 카탈로그에서 특정 LR 쌍을 억제하면 경로 억제의 예상되는 생물학적 효과를 재현하는 궤적 변화가 유도됩니다.

실험 결과

저자들은 합성 데이터와 6개의 실제 scRNA-seq 데이터셋(폐 종양, V1 피질, 수지상 세포 자극, 마우스 배아 발달 포함)을 통해 CellBRIDGE를 평가했습니다.

결합 품질: 알려진 ground-truth 운송 맵이 있는 합성 데이터에서, 상호작용 구조를 포함하는 것( $\alpha > 0$ )은 진정한 운송 맵을 유의미하게 회복시킨 반면, 특징 전용 OT( $\alpha=0$ )는 유사한 발현을 가졌으나 신호 전달 역할이 다른 클러스터들로 인해 정렬에 실패했습니다.
궤적 추론: 실제 데이터셋 전반에서, CellBRIDGE는 최신 베이스라인(예: TrajectoryNet, DSB, Moscot, OT-CFM)에 비해 일관되게 낮은 보간 오차(Wasserstein-1 및 Wasserstein-2 거리)를 보였습니다. 최적의 성능은 일반적으로 균형 잡힌 설정( $\alpha \approx 0.5$ )에서 나타났으나, 일부 데이터셋(예: 수지상 세포 자극)은 구조 전용 설정( $\alpha=1$ )을 선호했습니다.
생물학적 근거: 절제 연구(Ablation studies)를 통해 성능 향상이 일관된 LR 구조에 의해 구동됨을 확인했습니다. LR 카탈로그를 무작위화하거나 CCI 텐서 항목을 섞으면 성능이 저하되었습니다.
In Silico 섭동: 폐암 데이터에서 특정 LR 쌍(EGFR, ALK, MET)을 억제하면 알려진 치료 경로 억제와 일치하는 궤적 변화가 유도되었으며, 관련 없는 심장-신장 경로를 편집했을 때는 영향이 미미했습니다.
한계점: 이 방법은 상호작용 기하학이 스냅십 간에 대략적으로 지속된다는 가정에 의존합니다. 급격히 재구성되는 시스템(예: 6일에 걸친 마우스 배아 발달)에서 큰 시간 간격이 존재할 경우, 상호작용 사전 정보가 정보를 제공하지 못하게 되어 특징 전용 OT보다 성능이 개선되지 않았습니다.

의의 및 주장

본 논문은 리간드-수용체 통신의 매끄러운 진화라는 생물학적 유도 편향(inductive bias)을 주입함으로써 궤적 추론의 미결정성을 해결한다고 주장합니다. 구조적 사전 정보를 역학 모델로부터 분리함으로써, CellBRIDGE는 정렬 충실도를 높이고 메커니즘 특이적 반사실적 분석(counterfactual analysis)을 가능하게 하는 모듈식의 해석 가능한 접근 방식을 제공합니다. 저자들은 이 방법이 공간 데이터 없이도 적용 가능하여 표준 해리 scRNA-seq에 적합하며, 하류 아키텍처를 변경하지 않고도 종단 대응 문제(endpoint correspondence problem)를 정교화함으로써 기존 생성 모델의 발전에 보완 역할을 한다고 강조합니다.