기술 요약: Chem-PerturBridge

문제 정의

대규모 섭동 모델(perturbation models)은 세포 반응을 효과적으로 예측하고, 다양한 맥락에 걸쳐 일반화하며, 재사용 가능한 표현형(representations)을 학습하기 위해 다양한 화학적, 세포적, 분석 조건(assay conditions)을 포괄하는 훈련 데이터를 필요로 한다. 그러나 기존의 전사체 자원들은 소분자 모델링을 위한 데이터가 파편화되어 있다. 공개 및 준공개 데이터셋들은 프로파일링 기술(예: bulk RNA-seq, LINCS L1000, DRUG-seq, 단일 세포 데이터), 측정된 유전자, 대조군 설계, 용량 범위, 타임포인트, 반복 실험 구조, 메타데이터 관례, 그리고 전처리 파이프라인 측면에서 크게 상이하다.

이러한 파편화는 두 가지 주요 과제를 발생시킨다:

1. 진단적 과제: 조화(harmonization) 과정을 거친 후, 동일한 화합물과 동일한 세포 맥락 내에서 측정된 전사체 효과가 서로 다른 데이터셋 간에 일치하는지 여부가 불분명하다.
2. 구축적 과제: 다중 데이터셋 및 이질적인 데이터로 모델을 훈련하는 것이 하위 예측 성능을 향상시키는 신호를 추출할 수 있는지, 아니면 분석 차이로 인한 노이즈가 규모의 이점보다 더 큰 영향을 미칠지 불확실하다.

방법론

저자들은 소분자 전사체 섭동 모델의 훈련 및 평가를 용이하게 하기 위해 설계된 조화된 다중 데이터셋 자원인 Chem-PerturBridge를 소개한다.

자원 구축

Chem-PerturBridge는 bulk RNA-seq, LINCS L1000, DRUG-seq, 표적 카운트 분석(targeted count assays), pseudobulked 단일 세포 데이터를 포함한 8가지 분석 유형에 걸쳐 37,000개 이상의 화합물, 136개 세포 맥락, 125만 개의 전사체 샘플을 통합한다. 조화 파이프라인은 네 가지 설계 원칙을 따른다:

• 명시적 식별자: 화합물은 PubChem CID로, 세포 맥락은 Cellosaurus 또는 Cell Ontology ID로, 유전자는 Ensembl 115 식별자로 매핑되며, 용량과 타임포인트는 각각 마이크로몰($\mu M$)과 시간(hours) 단위로 표준화된다.
• 반복 실험 인지 효과(Replicate-Aware Effects): 이 자원은 모든 처리 및 대조군 반복 실험을 집계하는 세트와 개별 반복 실험 프로파일을 보존하여 일관성을 연구하는 세트, 두 가지 형태의 시그니처를 생성한다.
• 분석별 처리:
  • 카운트 기반 데이터(예: DRUG-seq, 단일 세포 pseudobulks)는 품질 관리, TMM 정규화, voom 변환을 거치며, limma를 사용하여 차등 발현 분석(differential expression analysis)을 수행한다.
  • 정규화된 L1000 프로파일(Level 3)은 카운트 기반 정규화 단계 없이 limma를 사용하여 직접 처리된다.
• 보정된 평가: 일치도 지표는 공유된 생물학적 또는 기술적 구조를 고려하기 위해 "동일 맥락, 다른 화합물" 베이스라인과 비교하여 해석된다.

평가 프레임워크

본 논문은 두 가지 상호 보완적인 평가 전략을 사용한다:

1. 시그니처 일치도:
   • 교차 데이터셋(Cross-Dataset): 서로 다른 데이터셋에서 동일한 화합물/동일한 맥락 간의 일치도를 측정한다.
   • 데이터셋 내(Within-Dataset): 동일한 조건의 기술적/생물학적 반복 실험 간의 일치도를 측정한다.
   • 지표: 로그 폴드 변화(logFC)의 Spearman 상관계수, 방향 일치성(logFC의 부호), 그리고 검색 점수(방해 요소들 사이에서 실제 동일 화합물 파트너를 식별하는 능력)를 사용한다.
2. 표현 학습(Representation Learning):
   • OP3 벤치마크: Chem-PerturBridge에서 사전 훈련된 화합물 임베딩을 미보유 화합물(unseen-compound) 과업인 OP3 데이터셋에서 평가한다. 모델은 L1000 전용 임베딩, Morgan fingerprints, 그리고 디스크립터가 없는(descriptor-free) 베이스라인과 비교된다.
   • 분자 홀드아웃 LPM (Molecule-Holdout LPM): Chem-PerturBridge 상에서 다중 출력 대규모 섭동 모델(LPM)을 훈련시키고, 직접적인 전이 가능성을 테스트하기 위해 11개 소스 데이터셋에 대해 홀드아웃 분자에 대해 평가한다.

주요 결과

1. 미세한 지표에서의 시그니처 일치도는 약함

• LogFC 크기: 미세한 logFC 순위와 크기는 대부분의 데이터셋 쌍에서 일치도가 낮게 나타난다. 많은 경우, 서로 다른 데이터셋에서의 동일 화합물 간 일치도는 동일 맥락 내의 다른 화합물 간의 베이스라인 일치도보다 낮다.
• 방향 일치성: 반면, logFC의 방향(상향 조절 vs 하향 조절) 일치성은 상당히 안정적이며 일반적으로 다른 화합물 베이스라인을 상회한다.
• 검색(Retrieval): 동일 화합물 파트너를 교차 데이터셋에서 검색하는 성능은 무작위보다는 낫지만, 동일 맥락 내 다른 화합물 베이스라인이 실제 매칭 대상보다 더 높게 나타나는 경우가 많으며, 이는 맥락 수준 및 분석 수준의 구조가 강력한 혼란 변수(confounder)임을 나타낸다.
• 반복 실험 일관성: DEG 제한 logFC Spearman 상관관계에 대한 데이터셋 내 반복 실험 일치도는 베이스라인 조정 후 종종 음수 값을 보이는데, 이는 기술적 반복 실험이 동일 맥락 내의 다른 화합물보다 때때로 덜 유사함을 시사한다. 그러나 방향 일치성은 반복 실험 전반에 걸쳐 높고 안정적으로 유지된다.

2. 표현 학습은 조화된 데이터로부터 이득을 얻음

직접적인 시그니처 일치도는 약함에도 불구하고, Chem-PerturBridge를 통한 통합 훈련은 전이 가능한 화합물 표현을 생성한다:

• OP3 평가: Chem-PerturBridge에서 사전 훈련된 임베딩은 미보유 OP3 화합물에 대한 Spearman 상관계수, Cosine 유사도, MRRMSE, MAE 지표에서 L1000 전용 임베딩, Morgan fingerprints, 디스크립터가 없는 베이스라인보다 우수한 성능을 보인다.
• 분자 홀드아웃 평가: 전체 Chem-PerturBridge 코퍼스에서 훈련된 모델, 특히 Morgan fingerprints로 초기화되고 고정된 분자 임베딩을 사용하여 타겟 데이터셋에 미세 조정된 모델이 11개 평가 데이터셋 중 10개에서 가장 낮거나 공동으로 가장 낮은 테스트 RMSE를 달ach했다. 이는 직접적인 시그니처 매칭이 저조하더라도 이질적인 데이터가 전이 가능한 화합물 수준의 신호를 복구할 수 있음을 시사한다.

의의 및 주장

본 논문은 Chem-PerturBridge가 다음과 같은 이중 목적을 수행한다고 주장한다:

1. 진단적 벤치마크: 가공되지 않은 섭동 시그니처가 분석 가족(assay families) 간에 직접적으로 호환 가능하지 않음을 입증하는 엄격한 프레임워크를 제공한다. 미세한 logFC 일치도는 약한 반면, 방향 일치성은 더 견고하다. 이러한 차이는 교차 데이터셋 비교를 해석하고 평가 지표를 설계하는 데 매우 중요하다.
2. 모델 준비가 된 기질(Model-Ready Substrate): 이질적인 데이터의 조화된 콤펜디움(compendium)이 재사용 가능한 화합물 표현을 학습하는 모델을 사전 훈련하는 데 사용될 수 있음을 검증한다. 본 연구는 "약한 직접적 logFC 일치도가 이질적인 자원으로부터의 표현 학습 가능성을 배제하지 않는다"는 점을 보여준다.

저자들은 분석, 배치(batch), 처리 효과가 미세한 시그니처 일치도를 지배하지만, 잘 주석 처리된 다양한 데이터를 통해 훈련된 모델은 여전히 화합물 수준의 신호를 복구할 수 있다고 결론짓는다. 특히 분자 사전 지식(molecular priors) 및 타겟 도메인 적응(target-domain adaptation)과 결 결합될 때 그 효과가 두드러진다. 이 자원은 교차 데이터셋 일치도에 대한 진단적 평가와 전사체 섭동을 위한 파운데이션 모델 개발을 모두 지원한다.