Single-Cell Cross-Modal Transfer by Adversarial Fine-Tuning of Foundation Models

기술 요약: 적대적 미세 조정을 통한 파운데이션 모델 기반 단일 세포 교차 모달리티 전이

문제 정의
공간 전사체학(Spatial Transcriptomics, ST)은 공간적 해상도를 갖춘 유전자 발현 판독을 제공하지만, 전사체 범위나 세포 내 소기관 수준의 척도 측면에서 제한적인 경우가 많습니다. 반대로, 단일 세포 RNA 시퀀싱(scRNA-seq)은 전전사체 데이터를 제공하지만 조직 해리 과정으로 인해 공간적 맥락이 결여되어 있습니다. 이러한 두 양식(modality)은 상호 보완적이지만, 동일한 샘플로부터 쌍을 이루는(paired) ST 및 scRNA-seq 데이터를 획득하는 것은 비용이 매우 많이 들거나 불가능한 경우가 많습니다. 결과적으로, unpaired scRNA-seq 데이터를 공간적 맥락 특징으로 변환할 수 있는 계산 방법론에 대한 필요성이 제기됩니다. 핵심 과제는 두 양식이 모두 카운트 데이터(count data)로서 나타난다는 사실을 활용하면서, 완전히 unpaired된 데이터(각 양식의 세포가 서로 다른 조직 샘플 또는 환자에서 유래한 경우)로부터 이 변환을 학습하는 것입니다.

방법론: SCXM
저자들은 사전 학습된 단일 세포 파운데이션 모델의 적대적 미세 조정(adversarial fine-tuning)을 활용하여 scRNA-seq 유전자 발현을 공간적으로 벌크화된(bulked) 발현 특징으로 변환하는 프레임워크인 SCXM(Single-Cell Cross-Modal)을 제안합니다.

• 파운데이션 모델 백본: 인코더($G_E$)는 사전 학습된 GeneformerV2 트랜스포머를 기반으로 구축되었습니다. 이 파운데이션 모델을 적응시키기 위해 저자들은 마지막 4개의 셀프 어텐션 블록을 제외한 모든 부분을 동결(freeze)하는 "미세 조정" 전략을 채택했습니다. <cls> 토큰에 2층 MLP를 부착하여 표현형을 타겟 공간 차원으로 투영합니다.
• 공간 맥락 정의: 공간 맥락($Z$)은 ST 데이터로부터 유도된 공간 그래프 상의 그래프 컨볼루션(graph convolution)을 통해 정의됩니다. 특정 세포 $i$와 유전자 $g$에 대해, 맥락은 가우시안 커널(Gaussian kernel)과 25µm 반경을 사용하여 이웃 세포들의 발현 값의 가중 합($z_{ig} = \sum_{j \in N(i)} k_{ij} y_{jg}$)으로 계산됩니다.
• 학습 프레임워크 (WGAN-GP): 학습에는 Wasserstein GAN with Gradient Penalty (WGAN-GP)가 사용됩니다.
  • 생성기 ($G_E$): scRNA-seq 입력($X$)을 잠재 공간 표현($Z$)으로 매핑합니다.
  • 판별기 ($D$): 생성된 분포와 실제 공간 분포 사이의 Earth Mover's Distance (EMD)를 추정하도록 학습되며, 그래디언트 페널티를 통해 $K$-립시츠 연속성(Lipschitz continuity)을 강제합니다.
  • 디코더 ($G_D$): 사전 계산된 공간 특징 $Z$로부터 ST 유전자 발현을 재구성하도록 고정(frozen)된 디코더입니다.
• 목적 함수: 모델은 다음 네 가지 항을 결합한 준지도 학습(semi-supervised) 방식으로 학습됩니다:
  1. WGAN 손실 ($L_{WGAN}$): 분포를 정렬하기 위한 적대적 손실.
  2. 그래디언트 페널티 ($L_{GP}$): 립시츠 연속성을 강제함.
  3. ST 재구성 손실 ($L_{ST}$): 디코더가 자체 공간 특징 $Z$로부터 ST 데이터를 재구성할 수 있는지 확인함.
  4. 공간 일관성 손실 ($L_{SC}$): scRNA-seq 데이터에 대한 인코더의 예측이 고정된 디코더에 의해 디코딩되어 원래의 scRNA-seq 입력(공간 유전자 패널으로 슬라이싱됨)과 비교되는 일관성 페널티입니다. 이는 양식 간의 카운트 데이터 상호 교환성을 활용합니다.

주요 기여

1. Unpaired 변환: 단일 세포 파운데이션 모델이 완전히 unpaired된 데이터를 사용하여 scRNA-seq로부터 ST 맥락 특징으로의 교차 모달리티 변환을 수행할 수 있음을 입증했습니다.
2. 적대적 미세 조정: 오믹스 도메인의 파운데이션 모델을 위한 특정 적대적 미세 조정 프로토콜을 도입하였으며, 일관성 페널티를 사용하여 인코더가 일관된 사후 분포(posterior)를 갖도록 유도했습니다.
3. 생물학적 검증: 해리된 세포들이 과거의 공간적 이웃에 대한 단서를 보유하고 있음을 보여주었으며, 이를 통해 모델이 공간적으로 벌크화된 발현 패턴(예: 클러스터링된 발현 vs 고립된 발현 구분)을 추론할 수 있음을 입증했습니다.

결과
방법론은 Human Lung, Mouse Brain, Human Breast Cancer의 세 가지 데이터셋에 대해 평가되었으며, Xenium Prime 데이터를 고다중(high-plex) 쌍 데이터 검증 세트로 사용했습니다.

• 성능: SCXM은 모든 데이터셋에서 기존의 unpaired 변환 방법(scConfluence 및 scACT)보다 우수한 성능을 보였습니다.
  • Lung: 중앙값 피어슨 상관계수(PCC)가 0.4291 (SCXM)로, 0.1750 (scConfluence) 및 0.0065 (scACT)보다 높았습니다.
  • Breast: 중앙값 PCC가 0.4551 (SCXM)로, 0.1964 (scConfluence) 및 0.0284 (scACT)보다 높았습니다.
  • Brain: 중앙값 PCC가 0.1700 (SCXM)으로, 0.0573 (scConfluence) 및 0.0151 (scACT)보다 높았습니다. 저자들은 브레인 데이터셋이 더 작아 성능이 낮았음을 언급했으나, 가장 성능이 좋은 유전자는 0.7085의 PCC를 달성했음을 강조했습니다.
• 니치(Niche) 특성 분석: 모델은 높은 공간적 벌크 발현(예: CXCR4) 영역을 성공적으로 식별하였으며, 이는 특정 세포 유형(B 세포)의 농축과 상관관계가 있었고, 고립된 B 세포와 클러스터링된 B 세포를 구분할 수 있게 해주었습니다. 차등 분석 결과, 니치 관련 유전자(예: POU2AF1, MS4A1)가 클러스터 그룹에서 유의미하게 상향 조절됨을 밝혔습니다.
• 경로 풍부성(Pathway Enrichment): Lung 데이터셋에 대한 GSEA 결과, SCXM 예측은 폐 계통 정체성(lung lineage identity) 및 혈관 형성(angiogenesis)(대규모 공간 생물학)과 관련된 경로를 가장 잘 재현하였으며, 면역 반응 경로가 그 뒤를 이었습니다. 세포 간 신호 전달 및 세포 주기와 관련된 경로는 재현 성공도가 상대적으로 낮았습니다.

의의 및 주장
본 논문은 SCXM이 완전히 unpaired된 소스로부터 scRNA-seq와 ST 사이의 변환을 수행하는 데 있어 예비적인 성공을 보여준다고 주장합니다. 저자들은 SCXM의 우수한 성능이 일관성 페널티(식 3 및 4)의 사용 덕분이라고 상정하며, 이것이 카운트 데이터 간의 관계를 활용하여 준지도 학습을 효과적으로 도입함으로써 다른 방법들의 순수 비지도 학습 방식(cycle consistency 또는 optimal transport plan)과 차별화된다고 설명합니다.

이 연구는 SCXM의 주요 강점이 미세한 국소 신호 전달 프로세스보다는 주요한 공간적 맥락(예: 조직 계통 및 혈관 형성)을 포착하는 데 있다고 시사합니다. 저자들은 이 방법이 유망하지만, 서로 다른 조직 유형 및 기술 간의 도메인 변화(domain shifts)에 대한 한계를 이해하고, 공간 생물학의 보편적 표현을 위해 공간적 세포 구성의 통합을 탐구하는 후속 연구가 필요하다는 점을 들어 겸허하게 결론지었습니다.