🤖 AI

$D^{2}R^{2}$ : Discrete Diffusion with Regulation Reinforcement for Single-Cell Perturbation Prediction

이 논문은 전체 프로파일을 동시에 예측하는 대신 생물학적으로 정보가 담긴 순서에 따라 유전자 발현 반응을 점진적으로 생성함으로써 단일 세포 섭동 예측을 개선하는, 규제 강화 기능이 향상된 이산 확산 모델인 $D^{2}R^{2}$ 를 소개한다.

원저자: Ninghan Fan, Qi Liu, Xunuo Zhu, Yukai Sun, Luyuan Chen, Xuheng Zhou, Yuetian Du, Ming Kong, Xiaojun Zhu, Jie Liu, Zhan Zhou, Qiang Zhu

게시일 2026-08-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ninghan Fan, Qi Liu, Xunuo Zhu, Yukai Sun, Luyuan Chen, Xuheng Zhou, Yuetian Du, Ming Kong, Xiaojun Zhu, Jie Liu, Zhan Zhou, Qiang Zhu

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

세포는 생명의 근본적인 단위로, 각각이 수천 개의 유전자가 함께 작동하여 기능을 유지하고 변화에 대응하는 복잡한 공장처럼 기능합니다. 과학자들이 약물이나 유전적 변화와 같은 특정 스트레스 요인에 세포가 어떻게 반응하는지 이해하고자 할 때, 그들은 종종 모든 개별 유전자의 활동이 어떻게 변화하는지 파악해야 합니다. 기능 유전체학(functional genomics)이라 불리는 이 분야는 모든 가능한 시나리오에 대해 비용이 많이 들고 시간이 오래 걸리는 실험을 매번 수행하지 않고도 이러한 변화를 예측하는 것을 목표로 합니다. 수년 동안 연구자들은 세포의 유전적 활동을 한 번에 생성되는 하나의 통합된 그림으로 취급하여 세포의 반응을 시뮬레이션하는 컴퓨터 모델을 구축해 왔습니다. 그러나 이러한 접근 방식은 중요한 생물학적 실체를 간과하고 있습니다. 즉, 유전자는 고립되어 있거나 동시에 반응하지 않는다는 것입니다. 대신, 유전자는 명령 체계 내에서 작동하며, 한 유전자의 반응이 종종 다른 유전자의 반응을 유발하거나 영향을 미치며 시간이 흐름에 따라 전개되는 특정한 사건의 순서를 만들어냅니다.

새로운 연구는 이러한 자연스러운 질서를 존중함으로써 예측이 이루어지는 방식을 바꾸는 D2R2라는 방법론을 소개합니다. 전체 유전적 프로필을 한 번에 추측하는 대신, 연구진은 유전자를 하나씩, 단계별로 예측을 구축하는 시스템을 설계했습니다. 핵심 아이디어는 유전자를 예측하는 순서가 예측 자체만큼이나 중요하다는 것입니다. 이를 달성하기 위해 연구팀은 두 가지 별개의 도구를 결합했습니다. 첫째, 그들은 실제 유전적 값을 생성하는 모델을 사용했는데, 이는 유전적 값을 연속적인 흐림 현상이 아닌 일련의 이산적인 단계로 취급합니다. 둘째, 더 중요한 것은, 생물학적 규칙에 기반하여 다음에 어떤 유전자를 예측할지 결정하는 가이드 역할을 하는 '조절 정책(regulatory policy)' 모듈을 추가했다는 점입니다. 이 가이드는 비섭동 상태(unperturbed state)의 세포에서 유전자들이 서로를 어떻게 조절하는지에 대한 지도로 시작하지만, 특정 변화가 발생했을 때 그 지도를 적응시켜 새로운 조건 하에서 어떤 유전자를 먼저 예측하는 것이 가장 중요한지를 학습할 만큼 영리합니다.

연구진은 인간 세포의 실제 데이터를 포함하는 두 개의 대규모 데이터셋을 통해 이 접근 방식을 테스트했습니다. 한 데이터셋은 특정 유형의 혈구 세포에서 발생한 천 개 이상의 다양한 유전적 변화를 다루었고, 다른 하나는 배아 줄기세포에서의 수백 가지 유전적 개입에 초점을 맞추었습니다. 이 테스트에서 새로운 방법은 측정된 모든 지표에 걸쳐 기존의 모든 모델을 능가했습니다. 이 방법은 특히 이전 모델들이 어려움을 겪었던 과제인, 서로 다른 유형의 변화에 대해 세포가 어떻게 반응하는지에 대한 미세한 차이를 포착하는 데 탁 되어 있었습니다. 연구는 이 방법의 성공이 데이터를 생성하는 순서에 크게 의존한다는 것을 보여주었습니다. 연구진이 시스템이 유전자를 무작위로 선택하도록 강제했을 때 결과는 좋지 않았습니다. 모델 자체의 불확실성을 사용하여 순서를 결정하려고 했을 때도 결과는 일관되지 않았으며 무작위보다 나쁜 경우가 많았습니다. 그러나 시스템이 생물학적 조절 지도를 따랐을 때 예측은 크게 향arly되었습니다. 더욱 의미 있는 것은, 연구진이 생물학적 순서를 의도적으로 뒤집어 마지막에 와야 할 유전자를 먼저 예측하게 했을 때, 성능이 심지어 무작위 시도보다도 낮게 떨어졌다는 점이며, 이는 생물학적 영향의 자연스러운 방향을 따르는 것이 필수적임을 입증합니다.

추가 분석 결과, 시스템은 적절한 시기에 적절한 유전자를 우선시하는 법을 배웠음을 드러냈습니다. 시스템은 하위 유전자를 제어하는 마스터 스위치 역할을 하는 조절 유전자의 활동을 예측하기 전에, 이들을 일관되게 먼저 예측했습니다. 이는 실제 세포가 정보를 처리하는 방식, 즉 하위의 세부 사항을 채우기 전에 상류(upstream)의 맥락을 확립하는 방식을 모방합니다. 또한 시스템은 특정 조건에서만 활성화되는 특정 유전자를 식별하고, 해당 유전자가 관련될 때 예측 순서의 앞쪽으로 가져오는 법을 배웠습니다. 세포의 유전적 반응 생성을 단일한 스냅샷이 아닌 유도된 순차적 과정으로 취급함으로써, 이 연구는 세포 행동을 모델링하는 새로운 방법을 제시합니다. 이는 예측이 거치는 경로가 목적지만큼이나 중요하다는 것을 입증하며, 세포가 주변 세계에 어떻게 반응하는지 이해하기 위한 더 정확하고 생물학적 근거를 갖춘 방법을 제공합니다.

기술 요약: D2R2 – 단일 세포 섭동 예측을 위한 조절 강화 기반 이산 확산 모델

문제 정의

유전적 섭동(perturbation)에 대한 단일 세포 전사체 반응을 정확하게 예측하는 것은 기능 유전학 및 신약 개발의 핵심 과제이다. 고처리량 실험 데이터가 존재함에도 불구하고, 이를 생성하는 데는 여전히 많은 비용이 들기 때문에 in silico 가상 세포 모델의 개발이 요구된다. 트랜스포머 기반의 싱글 패스 예측기, 변이형 오토인코더(VAE), 확산 모델(diffusion models)을 포함한 기존 방식들은 주로 프로파일 수준 생성 패러다임을 따른다. 전체 발현 프로파일을 한 번에 생성하든, 전체 프로파일을 반복적으로 디노이징(denoising)하든, 이러한 방법들은 개별 유전자 반응이 생성되는 순서를 모델링하지 않는다. 이러한 누락은 매우 치명적인데, 왜냐นั้น 유전자 반응은 상호 의존적이기 때문이다. 즉, 구조화된 순서로 유전자를 예측한다면 초기 예측값이 후속 단계의 정보가 될 수 있는 맥락(context)을 제공할 수 있다. 또한, 단순한 순서 전략(예: 무작위 선택 또는 모델 불확실성)은 기저의 유전자 조절 구조를 활용하지 못하며, 제어 세포(control cells)에서 유도된 고정된 조절 사전 지식(prior)은 특정 섭동이나 진화하는 생성 상태에 적응할 수 없다.

방법론: D2R2 프레임워크

저자들은 **D2R2 (Discrete Diffusion with Regulation Reinforcement)**를 제안하며, 이를 조절 가이드 기반의 유전자 단위 점진적 생성 작업으로 재정의한다. 이 프레임워크는 두 가지 주요 구성 요소로 이루어진다.

1. 마스크된 이산 확산 모델 (Masked Discrete Diffusion Model, MDDM)

D2R2는 연속적인 발현 값을 등빈도 빈닝(equal-frequency bining)을 통해 **서수적 이산 토큰(ordinal discrete tokens)**으로 표현한다.

생성 과정: 모델은 완전히 마스킹된 프로파일에서 시작하여 단계별로 이를 재구성한다. 각 단계에서, 아직 해결되지 않은(마스킹된) 유전자의 부분 집합이 선택되며, MDDM은 해당 유전자들의 발현 토큰을 예측한다.
맥락적 조건화 (Contextual Conditioning): 일단 토큰이 예측되면, 이는 고정되어 이후 단계들을 위한 명시적인 맥락 역할을 한다. 이를 통해 생성된 유전자 반응이 마스킹된 상태로 남아있는 유전자들에 조건을 부여할 수 있게 한다.
학습: MDDM은 무작위로 마스킹된 위치에 대해 $x_0$ -예측 목적 함수를 사용하여 학습되며, 제어 프로파일, 섭동 조건 및 세포 공변량(cellular covariates)에 조건화되어 부분적으로 마스킹된 프로파일로부터 원래의 이산 토큰을 재구성하는 법을 배운다.

2. 조절 정책 모듈 (Regulatory Policy Module, RPM)

다음에 어떤 유전자를 생성할지 결정하기 위해, D2R2는 적응형 생성 정책을 학습하는 RPM을 도입한다.

생물학적 초기화: 정책은 미변형 제어 세포에서 추론된 유전자 조절 네트워크(GRN, DeepSEM 사용)로부터 유도된 생물학적 사전 지식을 사용하여 초기화된다. 유전자들은 GRN 상의 PageRank 점수에 따라 정렬되며, 영향력이 큰 상위 조절자(upstream regulators)를 우선순위에 둔다.
GRPO를 통한 적응적 정교화: RPM은 이 정적인 사전 지식을 상태 및 섭동 특화 정책으로 변환한다. **그룹 상대 정책 최적화(Group-Relative Policy Optimization, GRPO)**를 사용하여, MDDM 생성기가 고정된 상태에서 RPM을 정교화한다.
- 보상 신호: 보상은 예측된 섭동 효과와 실제 값 사이의 최종 일치도(차이 발현의 상관관계로 측정)를 기반으로 한다.
- 메커니즘: 정책은 마스킹을 해제할 유전자의 부분 집합을 샘플링한다. 이 최적화는 유전자를 해결했을 때 남은 유전자들에 대해 가장 정보가 풍부한 맥락을 제공하여 최종 예측 품질을 향상시키는 방향으로 정책을 유도한다.

학습 및 추론

학습은 두 단계로 진행된다:

MDDM 학습: 마스킹된 입력을 통해 발현 토큰을 재구성하는 법을 배운다.
RPM 정교화: RPM이 생물학적 사전 지식을 재현하도록 초기화한 후, 최종 섭동 효과 일치도를 보상으로 하여 GRPO를 통해 MDDM 생성기는 고정한 채 순서 정책을 정교화한다.
추론 시에는 MDDM이 각 단계에서 RPM에 의해 선택된 유전자 집합에 대해 토큰을 예측하며, 전체 프로파일이 생성될 때까지 반복한다.

주요 기여

유전자 단위 점진적 공식화: 본 논문은 단일 세포 섭동 예측을 마스크된 이산 확산 모델(MDDM)을 사용하는 유전자 단위 점진적 생성 작업으로 공식화하여, 생성 순서를 명시적으로 만들고 해결된 유전자가 마스킹된 유전자에 조건을 부여할 수 있도록 하였다.
조절 정책 모듈 (RPM): 저자들은 제어 세포에서 유도된 생물학적 사전 지식으로부터 순서 정책을 초기화하고, 발현 생성기를 고정한 채 GRPO를 사용하여 이를 정교화하는 모듈을 도입하였다. 이를 통해 특정 섭동과 현재 생성 상태에 특화된 생성 순서를 도출한다.
생성 순서에 대한 통제된 분석: 통제된 절제 연구(ablation studies)를 통해, 저자들은 생성 순서와 그 방향성이 실질적인 설계 선택지임을 입증하였으며, 생물학적으로 근거 있는 순서 지정이 무작위 또는 불확실성 기반 전략보다 우수함을 보여주었다.

실험 결과

방법론은 Norman19(K562 세포, Perturb-seq)와 VCC-H1(H1 배아 줄기세포, CRISPRi)이라는 두 가지 벤치마크에서 평가되었다.

성능: D2R2는 Norman19 데이터셋의 5가지 모든 지표에서 최고의 성능을 달 기록하였으며, H1 데이터셋에서도 대부분의 지표에서 선두를 차지하며 경쟁력 있는 모습을 보였다. 특히 차이 발현 지표(Pearson $\Delta$ , Cos. LogFC, Cos. LogFC Rank)에서 최신 기술(SAMS-VAE, Cell Flow, Squidiff, scDFM 포함)들을 능가하였다.
절제 연구 (Ablation Studies):
- 순서 전략: MDDM이 고정되었을 때, 생물학적 사전 지식에 기반한 순서 지정이 무작위 순서 및 불확실성 기반 전략(신뢰도/엔트로피)보다 유의미하게 우수한 성능을 보였다.
- 방향성: 생물학적 사전 지식의 순서를 역전시키면 성능이 무작위 순서보다 낮아졌는데, 이는 규제 의존성을 올바른 방향으로 따르는 것이 필수적임을 나타낸다.
- RPM 효능: 무작위 초기화 상태에서도 RPM은 무작위 순서보다 개선된 지표를 보였다. 생물학적 초기화를 적용했을 때, 정교화된 RPM은 모든 섭동 효과 지표를 개선하였으며, 이는 강화 학습이 정적인 사전 지식을 특정 섭동에 맞게 성공적으로 적응시켰음을 입증한다.
생물학적 분석:
- 정교화된 정책은 생성 초기 단계에서 **규제 유전자(regulatory genes)**를 우선순위에 두어, 하위 반응을 생성하기 전에 상위 맥락을 구축하였다.
- RPM은 섭동 특이적 전사 인자(TF) 및 반응 유전자를 우선적으로 처리하여, 섭동에 의해 유도된 특정 규제 재배선(rewiring)을 포착하였다.
- RPM에 의해 촉진된 유전자들은 섭동 반응적 차이 발현(DE) 유전자 및 세포 주기 관련 경로에 풍부하게 분포되어 있었다.

의의 및 주장

본 논문은 D2R2가 단일 세포 섭동 예측에 있어 효과적이고 제어 가능하며 생물학적으로 해석 가능한 차원으로서 유전자 생성 순서를 확립했다고 주장한다. 생성 모델과 생성 순서 학습을 분리함으로써 다음과 같은 사실을 입증하였다:

구조의 중요성: 규제 생물학에 기반하여 생성 순서를 명시적으로 모델링하는 것은 프로파일 수준의 생성이나 구조화되지 않은 순서 지정보다 우수한 예측 성능을 제공한다.
적응성이 핵심이다: 정적인 생물학적 사전 지식만으로는 불충분하며, 강화 학습을 통해 특정 섭동과 진화하는 생성 상태에 순서 정책을 적응시키는 능력이 복잡하고 섭동 특이적인 의존성을 포착하는 데 중요하다.
해석 가능성: 생성 순서 자체가 생물학적 통찰을 제공하며, 모델이 자연스럽게 상위 조절자와 섭동 특이적 드라이버를 우선순위에 둠으로써 알려진 세포 반응의 생물학적 메커니즘과 일치함을 보여준다.

저자들은 이 접근 방식이 규제 구조를 단순히 표현(representation)을 위한 도구가 아니라, 생성 과정을 안내하는 동적인 가이드로 활용하는 새로운 가상 세포 모델링 패러다임을 제시한다고 결론짓는다.