PerturbMap: Cross-Context Transfer of Single-Cell Perturbation Responses

기술 요약: PerturbMap: 단일 세포 섭동 반응의 교차 컨텍스트 전이 (Cross-Context Transfer of Single-Cell Perturbation Responses)

1. 문제 정의

본 논문은 단일 세포 섭동 아틀라스(single-cell perturbation atlases)의 특정 공백인 "소스 관측, 수신자 미측정(source-observed, recipient-unmeasured)" 시나리오를 다룹니다. 많은 생물학적 스크리닝에서 유전적 섭동 $p$는 하나 이상의 소스 컨텍스트(예: 특정 세포 상태 또는 조건)에서는 측정되지만, 연구자가 그 효과를 이해해야 하는 타겟 "수신자(recipient)" 컨텍스트에서는 누락되어 있습니다.

핵심 과제는 **선택적 신뢰(selective trust)**입니다. 단순히 측정된 소스 반응을 수신자 컨텍스트로 복사하는 것은 전사 프로그램의 컨텍스트 특이적 재배선(context-specific rewiring)을 무시하게 됩니다. 반대로, 소스 데이터를 무시하는 것은 특정 쿼리 중재(query intervention)에 대한 귀중한 실험적 증거를 버리는 것입니다. 목표는 다음과 같은 정보가 주어졌을 때, 쿼리 섭동 $q$에 대한 수신자 컨텍스트 내의 컨트롤 대비 반응 벡터 $y_r(q)$를 예측하는 것입니다:

1. 동일한 $q$에 대해 소스 컨텍스트 $s$에서 측정된 소스 반응들 $\{y_s(q)\}$.
2. 소스와 수신자 컨텍스트 모두에서 관찰된 다른 섭동들의 쌍을 이룬 훈련 데이터.
3. 모델 훈련 및 추론 과정 동안 쿼리의 수신자 결과가 봉인되어(사용 불가능하여) 엄격한 제약이 따르는 상황.

이는 섭동 식별자로부터 일반화하는 표준적인 미관측 섭동 예측(예: scGen, GEARS)과는 다릅니다. 여기서의 입력에는 실제 측정된 쿼리 반응이 포함됩니다.

2. 방법론: PerturbMap

PerturbMap은 훈련 전용 신뢰도 가중치 반응 전송(train-only reliability-weighted response transport) 프레임워크입니다. 이 방법은 정체성 유지 분할(identity-held split)을 엄격히 준수하여, 테스트 정체성으로부터의 정보가 모델 피팅에 유출되지 않도록 합니다. 워크플로우는 네 가지 주요 모듈로 구성됩니다:

A. 훈련 전용 반응 좌표 (Train-Only Response Coordinates)
이 방법은 먼저 훈련용 섭동만을 사용하여 공유된 저차원 좌표계를 구축합니다. 수신자 행을 제외한 훈련 반응 행렬 $Y^{tr}$에 대해 rank-$K$ 기저(basis)를 적합시킵니다(QR 반복법 사용). 이 공유 기저는 베이스 예측기(base predictor), 소스 토큰, 그리고 경로 맵(route maps)을 위한 좌표계 역할을 합니다.
$$z_c(p) = (y_c(p) - \mu)U^\top$$

B. 수신자 로컬 베이스 예측기 (Recipient-Local Base Predictor)
로컬 베이스 예측기 $b_r(p)$는 섭동 기술자(perturbation descriptor, 예: 컨트롤 앵커 유전자와의 상관관계)와 공유된 저차원 기저만을 사용하여 수신자 컨텍스트에서 훈련됩니다. 결정적으로, 이 베이스 모델은 쿼리 특이적 소스 반응 토큰을 받지 않습니다. 이는 소스 전송이 신뢰할 수 없다고 판단될 경우를 대비한 폴백(fallback) 예측 역할을 합니다.

C. 소스-투-수신자 전문가 (Source-to-Recipient Experts)
각 관찰된 소스 컨텍스트 $s$에 대해, 쌍을 이룬 훈련 섭동을 사용하여 소스 좌표를 수신자 좌표로 변환하는 아핀 릿지 회귀(affine ridge regression) 맵이 적합됩니다.
$$A_{s \to r} = \arg \min_A \| \tilde{Z}_s A - \tilde{Z}_r \|_F^2 + \lambda \eta_s \|A\|_F^2$$
이를 통해 쿼리의 측정된 소스 반응 $y_s(q)$를 수신자 좌표 공간으로 투영할 수 있는 "전문가(expert)"가 생성됩니다.

D. 훈련 전용 신뢰도 교정 (Train-Only Reliability Calibration)
홀드아웃된 밸리데이션 앵커(검증을 위해 제외된 훈련 섭동)를 사용하여, 쿼리를 예측하기 전에 각 소스-투-수신자 경로의 신뢰도를 추정합니다.

1. 보간 계수 ($\alpha$): 전문가 예측과 베이스 예측을 얼마나 혼합할지 결정합니다.
2. 경로 점수 ($\rho$): 베이스 모델에 비해 경로가 달성한 검증 MSE(평균 제곱 오차)의 상대적 감소량을 계산합니다.
3. 해름-컨트롤 게이트 (Ablation): 보조적인 저용량 로지스틱 모델이 쿼리와의 거리(descriptor 기반) 및 경로 잔차(residual)와 같은 특징을 바탕으로, 특정 경로가 특정 쿼리에 대해 에러를 줄일 확률을 추정합니다.

최종 예측:
최종 예측은 베이스 예측기와 수용된 소스 전문가들의 가중 결합입니다. 가중치는 검증에서 도출된 경로 점수($\rho$)와 (Ablation 버전의 경우) 쿼리 적응형 해름-컨트롤 확률에 의해 결정됩니다.
$$\hat{y}_r(q) = \sum_{s} w_{s \to r}(q) \cdot c_{s \to r}(q)$$
여기서 $c_{s \to r}(q)$는 소스 $s$로부터의 혼합된 예측값입니다.

3. 주요 기여

1. 문제 공식화: "소스 관측, 수신자 미측정" 섭동 반응 예측을 정체성 유지 테스트(identity-held test)로 정의하여, 이를 표준적인 미관측 섭동 일반화와 구별했습니다.
2. PerturbMap 알고리즘: 훈련 전용 신뢰도 가중치를 사용하여 소스 반응 토큰을 수신자 좌표로 매핑하는 방법을 도입했습니다. 이 방법은 쿼리 정체성이 아닌 검증 잔차를 기반으로 어떤 경로가 쿼리에 영향을 미칠지 결정합니다.
3. 엄격한 평가: 다음을 포함하여 Frangieh et al.의 멜라노마 코호트(Perturb-CITE-seq)에서 방법론을 평가했습니다:
   • 정체성 유지 외부 폴드(identity-held outer folds, 폴드당 40개의 테스트 정체성).
   • 정보가 일치하는 대조군(zero-response, raw-copy, calibrated-copy, shuffled-affine).
   • 성능 상한 비교를 위한 강력한 중앙 집중식 참조 모델(TokPool).
   • "해름 비율(harm rates)"(방법론이 베이스라인보다 성능이 떨어지는 사례)의 명시적 보고.
4. Ablation 연구: 쿼리 적응형 해름 컨트롤 및 작동 지점(rank, anchor caps, aggregation rules)의 민감도를 조사했습니다.

4. 실험 결과

주요 평가는 세 가지 컨텍스트(Co-culture, Control, IFN$\gamma$)를 가진 Frangieh et al. 멜라노마 코호트에서 수행되었습니다.

• 성능 향상: PerturbMap-GR (Global Route reliability)은 수신자 로컬 LowRank 베이스 모델과 비교하여 전체 효과 MSE(Mean Squared Error)를 4.1% 감소시켰습니다 ($1.649 \times 10^{-3}$에서 $1.581 \times 10^{-3}$으로).
• 통계적 유의성: MSE 감소에 대한 쌍체 95% 신뢰 구간은 $[-1.16, -0.33] \times 10^{-4}$로, 0을 포함하지 않습니다. 이는 200개의 홀드된 정체성 중 161개에 대해 예측을 개선했습니다.
• 베이스라인과의 비교:
  • FedAvg, Zero-response, Raw-copy, Calibrated-copy보다 우수한 성능을 보였습니다.
  • Shuffled-affine 대조군보다 우수한 성능을 보여, 이 이득이 단순한 주변 교정(marginal calibration)이 아니라 정렬된 소스-수신자 쌍잉(pairing)에서 기인함을 확인했습니다.
  • 더 강력한 훈련 인터페이스를 가진 중앙 집중식 TokPool 참조 모델과 $2.82 \times 10^{-6}$ MSE 차이 이내를 유지했습니다.
• 보조 지표:
  • Top-20 절대 효과 MSE는 copy 대조군 대비 약 12% 개선되었습니다.
  • Cosine 기반 top-10 검색(LowRank 대비)은 74.5%에서 80.5%로 증가했습니다.
  • 해름 비율(LowRank 대비)은 19.5%로, raw copy의 49.5%보다 현저히 낮았습니다.
• 보조 검증: 별도의 Jiang et al. 멀티 소스 Perturb-seq 코호트에서, 신뢰도 가중치가 균등한 전문가 퓨전(uniform expert fusion)보다 작지만 유의미한 이득을 보임을 확인하여, 더 풍부한 소스 환경에서도 이 접근 방식이 유효함을 입증했습니다.

5. 의의 및 주장

본 논문은 측정된 소스 반응이 훈련 전용 신뢰도 추정을 통해 가이드될 때, 수신자 효과를 채우기 위한 쿼리 시점의 증거로 기능할 수 있다고 완곡하게 주장합니다.

• 핵심 주장: 정체성이 정렬된 소스 반응은 수신자 전용 행동, 직접 복사, 또는 주변 교정 이상의 예측 정보를 제공합니다.
• 한계점: 저자들은 PerturbMap이 부정적 전이(negative transfer)를 완전히 제거하지 못하며(베이스 대비 여전히 약 19.5%의 정체성에서 성능 저하 발생), 전체 분포적 카운터팩추얼(distributional counterfactuals)을 위한 최첨단 가상 세포 생성기가 아님을 명시합니다. 이 모델은 단일 세포 분포가 아닌 **컨디션 평균 효과(condition-mean effects)**를 예측합니다.
• 시사점: 이 방법은 선택적이고 검증 중심적인 전송을 통해 "컨텍스트를 지우지 않고 재사용하는 것"이 가능하다는 것을 보여주며, 중앙 집중식 풀링 훈련 인터페이스 없이도 불완전한 섭동 아틀라스를 위한 실용적인 해결책을 제시합니다.