기술 요약: 감독된 얽힘 해제(Supervised Disentanglement)를 통한 조직 그래프상의 역사실적 질문(Querying Counterfactuals)

문제 정의

단일 세포 생물학은 섭동(perturbation)에 대한 세포의 반응을 예측하는 것을 목표로 한다. 그러나 기존 방법론들은 조직의 특성을 위배하는 두 가지 가정을 전제로 한다: (i) 섭동은 균일하게 적용되는 공유된 자극으로 작용한다, (ii) 세포들은 조건부 독립(i.i.d.)이다. 살아있는 조직 내에서 세포의 전사 상태는 고유한 국소적 이웃(local neighborhood)에 의해 형성되며, 이는 모든 세포마다 고유하게 달라진다.

저자들은 **조직 그래프 역사실(tissue graph counterfactuals)**을 다음과 같은 공간적 개입에 대한 질문으로 정형화한다: 만약 세포의 고유한 정체성은 고정된 채 주변 맥락(neighborhood context)이 변경된다면, 그 세포는 어떤 유전자를 발현할 것인가? 이러한 개입은 조직 그래프의 두 가지 가변적 구성 요소를 대상으로 한다:

1. 에지 섭동(Edge Perturbation): 세포의 이웃 연결을 재배선(rewiring)함 (이웃을 교체).
2. 노드 섭동(Node Perturbation): 그래프 토폴로지는 유지하면서 기존 이웃의 유전자 발현 특징을 수정함.

현재의 방법들은 이러한 질의를 처리할 수 있는 통합된 프레임워크가 부족하며, 종종 세포를 i.i.d.로 취급하거나 고유한 세포 정체성과 외부 미세환경의 영향을 분리하지 못한 채 특정 개입 유형만을 목표로 한다.

방법론: Cellina

본 논문은 **감독된 얽힘 해제(supervised disentanglement)**를 통해 조직 그래프 역사실을 다루기 용이하게 설계된 그래프 변이형 오토인코더(VAE)인 Cellina를 소개한다.

모델 아키텍처

Cellina는 세포의 유전자 발현 $x$를 두 가지 잠재 구성 요소로 분해한다:

• 내재적 표현(Intrinsic Representation, $z$): 공간적 맥락과 독립적인 세포의 정체성(세포 유형)을 인코딩한다.
• 외재적 표현(Extrinsic Representation, $s$): 공간적 미세환경(이웃)의 효과를 인코딩한다.

생성 모델은 $z$와 $s$에 대해 표준 정규 사전 분포(standard normal priors)를 가정하며, $p(x|z, s)$의 우도(likelihood)는 디코더 $Dec([z; s])$에 의해 매개변수화된 음이항 분포(Negative Binomial distribution)로 모델링된다.

추론 변형(Inference Variants)

공간적 표현 $s$를 인코딩하기 위해 두 가지 변형이 제안된다:

1. Cellina (Base): 로그 정규화된 이웃 발현 $\phi(v)$의 차수 정규화된 집계(degree-normalized aggregation)를 사용하며, 이를 MLP를 통해 인코딩한다.
2. Cellina-GAT: 고정된 집계기 대신 로컬 서브그래프에서 작동하는 다층 그래프 어텐션 네트워크(GATv2)를 사용한다. 이 변형은 초점 세포(focal cell)의 발현이 오직 $z$에 의해서만 포착되도록 자기 루프(self-loops)를 제외한다.

감독된 얽힘 해제(Supervised Disentanglement)

순수하게 비지도 방식으로 학습된 인자 분해는 귀납적 편향(inductive bias) 없이는 식별 가능하지 않다. Cellina는 $z$를 세포 유형 정체성에 고정하고 공간적 변이를 $s$로 유도하기 위해 생물학적 감독(biological supervision)을 주입한다:

• 세포 유형 분류기($L_{clf}$): $z$를 알려진 세포 유형 레이블에 고정한다.
• 적대적 도메인 판별기($L_{adv}$): 판별기가 $z$로부터 공간적 도메인을 예측하려고 시도하는 2단계 교차 최적화 과정이다. 인코더는 이 예측을 최소화(엔트로피 최대화)하도록 학습되어, $z$에서 공간적 도메인 정보를 제거하고 이를 $s$로 강제한다.
• 대조 손실($L_{spatial}$): Cellina-GAT에만 적용되며, 공간적 이웃 간의 유사성을 장려하는 동시에 서로 다른 도메인 영역을 분리함으로써 생물학적으로 근거 있는 귀납적 편향 역할을 한다.

전체 학습 목적 함수는 다음과 같다:
$$\mathcal{L} = \mathcal{L}_{VAE} + \alpha_{clf} \mathcal{L}_{clf} + \alpha_{spatial} \mathcal{L}_{spatial} - \alpha_{adv} \mathcal{L}_{adv}$$

역사실 시뮬레이션

• 에지 섭동: 초점 세포의 이웃을 타겟 도메인의 세포로 교체한다 (예: 건강한 이웃을 암 이웃으로 교체). 이때 보수적인 평가를 위해 초점 세포 자신의 유형은 제외한다.
• 노드 섭동: 그래프 토폴로지는 고정되지만, 이웃의 유전자 발현 벡터가 유전자별 변환(예: 도메인 간 로그 폴드 변화에 기반한 곱셈 스케일링)에 의해 수정된다.

주요 기여

1. 정형화: 저자들은 에지(토폴로지) 및 노드(특징) 섭동을 모두 포함하는 통합된 클래스로서 조직 그래프 역사실을 정의한다.
2. Cellina 프레임워크: 내재적 정체성과 공간적 맥락을 분리하는 감독된 얽힘 해제를 갖춘 듀얼 인코더 그래프 VAE를 도입한다.
3. 성능: Cellina는 250만 개 이상의 세포를 포함하는 데이터셋 전반에서 역사실 예측, 얽힘 해제 및 확장성 측면에서 공간 정보 기반 모델 및 비공간 모델(scGen, CPA, MintFlow, SpatialProp 포함)을 능가한다.
4. 생물학적 발견: 이 프레임워크는 생물학적으로 구별되는 암 서브도메인을 비지도 방식으로 식별하고, 표적 경로별 이웃 섭동 시뮬레이션을 용이하게 한다.

실험 결과

모델은 두 개의 대규모 공간 전사체 데이터셋에서 평가되었다:

1. 대장암 (CRC): 6개의 슬라이드에 걸친 약 240만 개의 세포. 과업은 건강한 대장 세포(REF)가 종양 영역(CRC)에 놓였을 때의 발현을 예측하는 것이었다.

   • 결과: Cellina 변형 모델들이 모든 베이스라인을 유의미하게 앞질렀다. 기본 Cellina는 가장 강력한 비-Cellina 베이스라인보다 피어슨 상관계수를 +0.14, 부호 정밀도(Signed Precision)를 +0.17 개선했다. Cellina-GAT는 가장 높은 피어슨 점수(0.85)와 가장 낮은 RMSE(1.14)를 달성했다.
   • 절제 연구(Ablation): 감독(supervision)이 없는 "Cellina (ablated)" 변형조차 비공간 베이스라인보다 우수한 성능을 보였으나, 감독된 얽힘 해제가 추가적인 이득(+0.12 Pearson)을 제공함으로써 분리 전략의 효용성을 확인했다.

2. 전체 마우스 뇌: 3개의 슬라이드(MERFISH)에 걸친 약 14.6만 개의 세포. 과업은 공간적 도메인 간(시상에서 대뇌 피질/섬유 경로로) 예측을 전이하는 것이었다.

   • 결과: Cellina 변형 모델들은 4가지 지표 중 3가지에서 우위를 점하며, 다양한 조직과 종에 걸친 일반화 능력을 입증했다.

생물학적 통찰

• 서브도메인 발견: 잠재 공간 표현 $s$를 클러스터링한 결과, 직접적인 감독 없이도 서로 다른 신호 프로파일(TGF$\beta$ 우세 vs NF$\kappa$B/MAPK 우세)을 가진 뚜렷한 CRC 서브도메인(CRC1 및 CRC2)을 발견했다.
• 경로 섭동: PROGENy 경로 가중치를 사용하여 노드 섭동을 시뮬레이션한 결과, 알려진 섬유아세포 프로그램과 일치하는 핵심 유전자(예: FN1, MMP3)를 식별하며 서브도메인의 생물학적 반응을 성공적으로 재현했다.

의의 및 주장

본 논문은 Cellina가 독립적인 세포라는 가정을 넘어, 이웃에 의한 세포 반응을 연구하기 위한 원칙적인 프레임워크를 제공한다고 주장한다. 내재적 상태와 외재적 영향력을 명시적으로 분리함으로써, 모델은 다음을 가능하게 한다:

• 맥락적 예측: 고립된 상태가 아닌 특정 공간적 맥락 내에서의 세포 행동 예측.
• 실험 탐색 공간 축소: 변경된 이웃에 대한 "가상" 세포 반응을 생성하여 습식 실험(wet-lab) 검증을 가이드함.
• 확장성: 기본 Cellina 모델은 이웃 구축을 훈련과 분리함으로써, 비용이 많이 드는 메시 전달(message passing)이 필요한 그래프 어텐션 기반 경쟁 모델들과 달리 비공간 모델(scVI 등)과 유사한 효율적인 훈련 시간을 갖는다.

저자들은 현재의 역사실 모델이 실험적 검증이 필요한 생성적 가설이라는 점과, 공간 데이터의 세그멘테이션 오류 가능성을 언급하며, 향후 연구에서 원시 이미징 신호를 통합하여 이러한 입력을 노이즈 제거할 수 있음을 시사했다.