기술 요약: DevoTG – C. elegans 발달 커넥토믹스 모델링을 위한 시공간 그래프 신경망

1. 문제 정의

출생부터 성체에 이르기까지 신경 회로 형성을 지배하는 규칙을 이해하는 것은 발달 신경과학의 핵심 과제이다. Caenorhabditis elegans의 커넥톰은 광범위하게 매핑되어 왔으나, 기존의 계산적 접근 방식은 대부분 발달 단계를 독립적이고 정적인 그래프로 취급해 왔다. 이러한 정적 프레임링은 발달적 변화를 주도하는 시간적 순서와 연속적인 역학을 간과한다. 구체적으로, 두 가지 상호 보완적인 C. elegans 발달 측면을 동시에 모델링할 필요가 있다:

1. 세포 계보(Cell Lineage): 세포 분열 이벤트의 시간적 순서.
2. 시냅스 커넥톰(Synaptic Connectome): 발달 단계에 따른 시냅스 연결의 진화.

기존의 정적 그래프 신경망(GNN)은 미래의 발달 상태를 예측하는 데 필수적인 상호작용의 "이력(history)"을 포착하지 못한다. 또한, 최근의 연구(예: Witvliet et al., 2021)는 발달 과정 중 상당한 개체 간 변이와 재배선(rewiring)이 일어남을 밝혀냈으나, 이러한 역학을 분석하기 위한 통합된 시공간 그래프 프레임워크는 부재했다.

2. 방법론

저자들은 DevoTG(Developmental Temporal Graph)를 제안한다. 이는 시공간 그래프 신경망(TGN)을 C. elegans 데이터에서 유도된 두 가지 뚜렷한 데이터 표현과 통합한 프레임워크이다.

2.1 데이터 소스

• 세포 계보 데이터: WormAtlas에서 유도된 642개의 세포 분열 이벤트(1,203개의 고유한 세포 상태)로 구성된 큐레이션된 데이터셋. 각 이벤트는 부모/딸 세포의 정체성, 3D 공간 좌표, 탄생 타임스탬프(수정 후 0~600분)를 포함한다.
• 발달 커넥톰 데이터: L1 탄생부터 성체까지 8개의 서로 다른 시점을 다루는 Witvliet et al. (2021)의 8개 전자 현미경 데이터셋. 이 데이터셋은 225개의 뉴런과 화학적 시냅스 및 갭 결합(gap junctions)을 모두 포함한다.

2.2 그래프 표현

DevoTG는 두 가지 상호 보완적인 그래프 구조를 채택한다:

1. 계보를 위한 연속 시간 동적 그래프(CTDG):
   • 세포 분열을 타임스탬프가 찍힌 유향 에지($parent \to daughter$)로 모델링한다.
   • 노드 특징은 3D 위치, 탄생 시간, 세대 깊이를 인코딩한다.
   • 에지 특징은 세포 중심점 사이의 공간적 변위를 인코딩한다.
2. 커넥톰을 위한 이산 시간 동적 그래프(DTDG):
   • 시냅스 네트워크를 8개의 스냅샷($G_1, \dots, G_8$) 시퀀스로 표현한다.
   • 에지 가중치는 시냅스 수를 나타낸다.
   • 탄생 시 858개의 에지에서 성체 시 2,496개로 증가하는 연결의 성장을 포착한다.

2.3 시공간 그래프 신경망(TGN) 아키텍처

TGN 구현은 Rossi et al. (2020)의 모듈형 설계를 따르며 PyTorch Geometric을 기반으로 구축되었다. 이는 세 가지 핵심 구성 요소로 이루어진다:

• 메모리 모듈(Memory Module): 각 노드에 대해 100차원의 메모리 벡터($m_i$)를 유지하며, 상호작용 이벤트 발생 시 GRU 셀을 통해 업데이트된다. 이 모듈은 각 세포의 상호작용 이력을 축적하여 시간적 예측을 위한 주요 귀납적 편향(inductive bias) 역할을 한다.
• 그래프 어텐션 임베딩(Graph Attention Embedding): 노드의 시간적 이웃으로부터 정보를 집계하기 위해 2-헤드 TransformerConv 레이어를 사용한다. 이는 상대적 시간 인코딩($\Delta t_{ij}$)과 에지 특징을 통합한다.
• 링크 예측기(Link Predictor): 소스 노드와 타겟 노드의 임베딩을 기반으로 후보 에지에 대한 예측 점수를 계산하는 피드 포워드 네트워크이다.

훈련 프로토콜:

• 태스크: 세포 분열 링크 예측(어떤 부모가 어떤 딸 세포로 분열하는지 예측).
• 분할: 엄격히 미래의 이벤트에 대한 평가를 보장하기 위해 시간적 분할(7로 훈련, 15% 검증, 15% 테스트)을 수행한다.
• 베이스라인: Random 베이스라인, 차수 휴리스틱(Degree Heuristic, 선호 부착 모델), 그리고 정적 GNN(메모리 모듈이 없는 동일한 아키텍처)과 비교한다.

2.4 분석 파이프라인

커넥톰 DTDG를 위해 저자들은 연결 안정성(Connection Stability) 분류 파이프라인을 개발하였다:

• Stable (안정): 8개 시점 중 6개 이상에서 존재.
• Developmental (발달적): 2~5개 시점에서 존재.
• Variable (변이): 정확히 1개 시점에서 존재.
  또한, 허브 뉴런(특히 AVA, AVB, AVE)을 분석하기 위해 모든 시점에 걸쳐 표준 네트워크 지표(차수, 매개 중심성, 밀도)를 계산하였다.

3. 주요 결과

3.1 세포 분열 예측 성능

TGN은 세포 분열 이벤트를 예측하는 데 있어 모든 베이스라인을 유의미하게 능가했다:

• DevoTG TGN: 테스트 AUC 0.839 ± 0.007 (5개 시드 평균).
• Static GNN: 테스트 AUC 0.577 ± 0.080.
• Random Baseline: 0.539.
• Degree Heuristic: 0.463 (Random보다 낮은 성능).

TGN과 Static GNN 사이의 26포인트 AUC 격차는 시간적 메모리가 결정적인 요소임을 입증한다. Static GNN의 높은 분산(±0.080)은 초기화에 민감하며 발달적 예측에 필요한 구조적 귀납 편향이 부족함을 시사한다. 차수 휴리스틱의 저조한 성능은 C. elegans의 계보가 활동 기반의 선호 부착 규칙이 아닌 고정된 발달 프로그램을 따른다는 것을 나타낸다.

3.2 연결 안정성 및 토폴로지

• 안정성 클래스: 커넥톰 DTDG 분석 결과:
  • Variable (변이): 56.8%의 연결 (단 1개 시점에서만 나타남).
  • Developmental (발달적): 28.1% (2~5개 시점에 걸쳐 일시적 존재).
  • Stable (안정): 15.1% (지속적인 핵심 구조).
• Witvliet et al.과의 비교: DevoTG의 시간적 분류는 Witvliet의 개체 간 변이 분류를 보완한다. Witvliet가 약 43%의 연결이 개체 간에 변한다고 밝힌 반면, DevoTG는 시간적으로 변이하는 연결의 비율이 더 높게 나타났는데, 이는 갭 결합 및 탐지 임계값 근처에서 변동하는 약한 연결들이 포함되었기 때문으로 보인다.
• 시냅스 성장: 화학적 시냅스는 단조롭게 증가한 반면, 전기적 연결(갭 결합)은 비단조적 궤적을 보이며 L1-16시간에서 정점을 찍은 후 정체되었다.

3.3 허브 뉴런 분석

명령 인터뉴런(AVA, AVB, AVE) 분석 결과:

• 지속적 핵심(Persistent Core): 이들 인터뉴런 사이의 핵심 연결성은 탄생(L1) 시점부터 존재한다.
• 점진적 강화(Progressive Reinforcement): 성체가 될 때까지 이 허브들은 감각 및 운동 뉴런으로부터 상당한 새로운 연결을 축적한다.
• 중심성: 주요 노드(예: AVAL)의 매개 중심성이 눈에 띄게 증가하며, 이는 의사결정 아키텍처가 단순히 보존되는 것이 아니라 성숙함에 따라 더 많은 입력을 통합하도록 점진적으로 강화됨을 의미한다.

3.4 시각화

본 프레임워크는 연구자들이 커넥톰의 "단계적" 진화를 시각화하고 계보 정체성을 공간적 위치와 상관시킬 수 있도록 대화형 도구(3D 애니메이션 네트워크, 중심성 히트맵, 시공간 계보 그래프)를 포함한다.

4. 의의 및 주장

본 논문은 DevoTG가 정적 네트워크 분석과 본질적으로 역동적인 발달 과정 사이의 간극을 메우는 **시공간 커넥토믹스(temporal connectomics)**의 기초적인 프레임워크를 제공한다고 주장한다.

• 귀납적 편향: 주요 과학적 주장은 시간적 메모리가 발달 시스템을 모델링하는 데 필수적인 귀납적 편향이라는 것이다. 이벤트의 순서(세포 분열 또는 시냅스 형성)는 정적 그래프 방법으로는 포착할 수 없는 중요한 정보를 인코딩한다.
• 상호 보완적 관점: DevoTG는 기존의 개체 간 변이 분류에 대한 시계열 기반의 보완책을 제공하며, 단일 유기체 내에서 시간이 흐름에 따라 연결성이 어떻게 진화하는지에 대한 더 세밀한 뷰를 제공한다.
• 생물학적 통찰: 이 프레임키는 "안에서 밖으로(inside-out)" 패턴의 배아 발생 및 명령 인터뉴런 허브의 점진적 강화와 같은 생물학적 가설을 검증하고 확장하며, 이는 운동 조정 능력의 향상이라는 행동 관찰과 일치한다.
• 재현성 및 확장성: 본 작업은 오픈 소스이며, 다른 발달 중인 신경계로 확장 가능하도록 설계되었으며, 종단적 커넥톰 데이터셋을 통합할 수 있는 모듈형 파이프라인을 제공한다.

저자들은 TGN 훈련 시 연속적인 생물학적 과정(예: 축삭 성장)을 현재 제외하고 있다는 점과 안정성 분류를 위한 고정된 임계값에 의존한다는 점 등 한계를 인정하며 신중한 입장을 유지한다. 이들은 DevoTG를 신경계가 탄생부터 성숙까지 스스로 어떻게 배선되는지에 대한 보다 포괄적이고 데이터 중심적인 연구를 향한 단계로 규정한다.