SVC-Probe: A Framework for Evaluating Perturbation Generalization in Spatial Foundation-Model Embeddings

기술 요약: SVC-Probe: 공간적 파운데이션 모델 임베딩의 섭동 일반화 평가를 위한 프레임워크

문제 정의
공간적 파운데이션 모델이 대규모 현미경 데이터로부터 단백질 구조에 대한 간결한 표현을 획득하는 데 진전이 있었으나, 이들의 평가는 여전히 제한적이다. 현재의 벤치마크는 주로 기저 국소화(baseline localization), 검색(retrieval), 또는 관찰된 실험 조건 간의 식별 능력에 중점을 두고 있다. 그러나 개입(intervention) 하에서도 지속되는 기전적 구조(mechanistic structures)를 학습된 표현이 포착하고 있는지 평가하는 데에는 결정적인 공백이 존재한다. 즉, 공간적 임베딩이 샘플 외 섭동 반응(out-of-sample perturbation responses)을 예측하거나, 서로 다른 화학적 작용제 간에 전이 가능한 약물 유도 재구축 패턴을 회복할 수 있는지 여부는 불분ồng명하다. 공간 단백체학에서 이러한 요구사항은 매우 엄격한데, 처치 효과는 단순히 단백질의 변위뿐만 아니라 조정된 세포 내 소기관의 리모델링 및 근접 영역(neighborhood)의 재구축을 포함하기 때문이다.

방법론: SVC-Probe 프레임워크
저자들은 공간적 파운데이션 모델 임베딩의 섭동 일반화 능력을 진단하기 위해 설계된 진단 프레임워크인 SVC-Probe를 소개한다. 이 프레임워크는 CM4AI MDA-MB-468 화학적 섭동 아틀라스(462개 항체 라벨, 대조군, paclitaxel, vorinostat 조건)에 적용된 1536차원의 SubCell 임베딩을 통합하며, 세 가지 상호 보완적인 모듈로 구성된다:

1. 세포 내 임베딩 아틀라스 안정성 (SEAS): 이 모듈은 섭동 하에서의 개별 단백질 임베딩 안정성을 정량화한다. 측지 중심 드리프트(geodesic centroid drift)와 세포당 임베딩 클라우드의 확산 비율을 기반으로 안정성 점수 $S(P) \in (0, 1]$를 계산한다. 단백질은 붓스트랩 신뢰 구간에 따라 안정적(stable), 가소적(plastic), 또는 중간 단계(mid-tier)로 분류된다.
2. Mondrian 근접 그래프 (MNG): 이 모듈은 국소적 공국소화(co-localization) 근접 영역의 재구축을 분석한다. 라벨별 코사인 유사도 행렬을 구축하여 상호 상위-$k$ 이웃을 식별하고, 처리에 의해 손실되거나 획득된 이웃의 비율을 나타내는 전환 지표 $R(P)$를 계산한다. 기능적 하위 시스템을 획정하기 위해 Leiden 커뮤니티 탐지 알고리즘이 사용되며, 이는 Mondrian 스타일의 레이아웃으로 시각화된다.
3. 파운데이션 모델 섭동 프로브 (FMP): 이 모듈은 잠재 공간(latent space)의 예측 능력을 테스트한다. 대조군 중심 $\mu(P,ctrl)$과 학습된 섭동 토큰을 사용하여 약물 조건 중심 $\hat{\mu}(P,c)$를 예측하도록 회귀 헤드를 학습시킨다. 프레임워크는 학습된 섭동 구조의 전이 가능성을 평가하기 위해 Leave-One-Drug-Out (LODO) 평가 전략을 채택하여, 인도메인(in-domain) 적합과 진정한 일반화(genuine generalization)를 구분한다. 또한, 일반적인 임베딩 기하학으로부터 약물 특이적 신호를 분리하기 위해 실제 약물 결합을 대조군 간 분할(control-vs-control splits)과 비교하는 "영 모델 보정(null calibration)" 접근법을 활용한다.

주요 결과

• 분류 vs. 일반화: SubCell 임베딩은 관찰된 세 가지 약물 조건을 구별하는 데 높은 정확도(98.6%)를 달성했으나, 이러한 성능이 섭동 일반화로 이어지지는 않았다. LODO 설정에서 학습된 섭동 프로브의 코사인 유사도는 인도메인에서의 0.944에서 0.30으로 급격히 떨어졌으며, 이는 학습된 섭동 구조가 보지 못한 약물로 전이되는 데 실패했음을 나타낸다. 반면, 단순한 베이스라인(항등 함수 및 전역 이동)은 안정적으로 유지되었는데, 이는 학습된 모델이 전이 가능한 기전보다는 약물 특이적 아티팩트를 포착하고 있음을 시사한다.
• 영 모델 보정 (Null Calibration): FMP 잔차와 근접 전환(neighborhood turnover) 사이의 원시 상관관계는 주로 일반적인 임베딩 구조에 의해 주도되었다 ($\rho \approx 0.21$, 영 분할 시). 영 모델 보정 후, vorinostat에 대해 드러난 약물 특이적 신호($\rho = -0.186$)는 염색질 관련 재구축과 일치하는 반면, paclitaxel의 경우 일관된 패턴이 관찰되지 않았는데, 이는 패널 내 미세소관 관련 단백질의 희소한 커버리지 때문인 것으로 보인다.
• 안정성 및 리와이어링: 33개 라벨 캘리브레이션 서브셋에서 SEAS는 염색질 조절 인자들을 vorinostat 하에서 "가소적"인 것으로 정확히 식별한 반면, 구조적 대조군은 안정적인 것으로 나타났다. 또한, 부분 스피어먼 상관관계 분석을 통해 근접 전환이 원시 중심 드리프트와 구별되는 리와이어링 축에 대한 정보를 제공함을 확인했다.

의의 및 주장
본 논문은 SVC-Probe가 공간적 가상 세포(spatial virtual-cell) 표현을 스트레스 테스트하기 위한 재사용 가능한 진단 워크플로우 역할을 한다고 주장한다. 주요 의의는 강력한 조건 식별 능력이 섭동 일반화를 의미하지 않는다는 점을 입증한 데 있다. 저자들은 섭동 일반화가 기초적인 조건 식별보다 더 엄격하고 정보 가치가 높은 벤치마크 역할을 해야 한다고 주장한다.

이 프레임워크는 현재의 공간적 파운데이션 모델이 관찰된 상태를 효과적으로 분리할 수는 있지만, 개입 하에서 생물학적으로 유의미한 구조를 보존하는 데는 실패할 수 있음을 강조한다. 결과는 임베딩이 (HDAC 억제 하의 염색질 축과 같은) 기전적 축을 포착하는지, 아니면 일반적인 기하학적 아티팩트를 포착하는지를 검증하기 위해 섭동 인지 분석(perturbation-aware analysis)이 필요함을 시사한다. 저자들은 관찰된 신호들이 더 넓은 약물 클래스 및 세포주에 걸친 추가 검증이 필요함을 언급하며, 이를 가설 생성적(hypothesis-generating) 연구로 규정한다.