기술 요약: DeMixPert

문제 정의

단일 세포 데이터에서 관찰되지 않은 유전적 섭동(perturbation)에 대한 전사체 전체의 반응을 예측하는 것은 여전히 중요한 계산적 과제로 남아 있습니다. 정확한 예측을 위해서는 **섭동 특이적 전사 변화(perturbation-specific transcriptional shifts)**와 **이질적인 세포 반응(heterogeneous cellular responses)**이라는 두 가지 뚜렷한 현상을 동시에 복구해야 합니다.

기존 방법론들은 결정론적 반응 구조와 확률적 인구 수준의 변이를 뒤섞어 놓는다는 점에서 한계를 보입니다. 이러한 엉킴은 지배적인 공유 패턴(기초 세포 상태에 의해 유도되는 체계적 변이)이 더 약한 섭동 특이적 신호를 가리게 만듭니다. 결과적으로, 표준 평가 지표들이 섭동의 특정 효과보다는 공유된 변이에 의해 좌우되어, 분포 외(Out-of-Distribution, OOD) 일반화 능력을 저해합니다. 또한, 실험적으로 관찰되지 않은 조건 하에서의 반응을 예측하기 위해서는 다음의 세 가지 얽힌 구성 요소를 분리해야 합니다:

1. 체계적 반응(Systematic Response): 모든 조건에서 공유되는 기초 상태 의존적 구조.
2. 섭동 특이적 반응(Perturbation-Specific Response): 특정 타겟에 의해 유도되는 고유한 전사 효과.
3. 인구 수준의 변이(Population-Level Variation): 조건별 하위 집단 및 그 상대적 풍부도.

현재의 접근 방식들은 대개 전체 섭동 반응을 단일한 타겟으로 모델링하며, 이 구성 요소들을 명시적으로 분리하거나 복잡하고 조건 의존적인 세포 이질성 분포를 모델링하는 데 실패합니다. 선행 연구들이 개별적인 측면을 다루기는 했으나, 대부분은 기초 상태 의존적 체계적 반응, 섭동 특이적 반응, 그리고 조건 의서적 인구 수준 변이를 **통합적으로 분리(jointly disentangle)**하지 못합니다.

방법론: DeMixPert

저자들은 이러한 구성 요소들을 분리하고 OOD 단일 세포 섭동 반응을 모델링하기 위해 설계된 프레임워크인 DeMixPert(가우시안 혼합을 이용한 분해된 반응 모델링)를 제안합니다. 이 아키텍처는 세 가지 주요 모듈로 구성됩니다:

1. 결정론적 반응 중심 학습 (Deterministic Response Center Learning)

체계적 변이가 섭동 특이적 효과를 가리는 것을 방-지하기 위해, DeMixPert는 별도로 학습된 두 구성 요소를 합산하여 결정론적 반응 중심($\bar{r}_i$)을 구축합니다:

• 체계적 반응 ($g_i$): 컨트롤 세포의 기초 상태($s_i$)로부터 도출됩니다. 이는 세포 맥락에 따라 달라지는, 섭동 조건 전반에 걸쳐 공유되는 패턴을 포착합니다.
• 섭동 특이적 반응 ($a_p$): scGPT로부터 도출된 사전 학습된 타겟 임베딩($e_p$)으로부터 추론됩니다. 이 구성 요소는 사전 학습 과정에서 학습된 생물학적 관계를 활용함으로써 모델이 미관찰 타겟으로 일반화할 수 있게 합니다.
• 정식화: $\bar{r}_i = g_i + a_p$. 이 중심점은 잠재적 반응 공간에서의 기대되는 결정론적 변화를 나타냅니다.

2. 가우시안 프로토타입 가역 네트워크 (Gaussian Prototype Invertible Network)

결정론적 중심 주변의 나머지 인구 수준 변이($\epsilon_i$)를 모델링하기 위해, DeMixPert는 가우시안 프로토타입 가역 네트워크를 채택합니다.

• 글로벌 프로토타입: EM(Expectation-Maximization) 알고리즘을 통해 훈련 잔차(residuals)로부터 전역적으로 학습된 $K$개의 대각 가우시안 프로토타입($\mathcal{N}(\mu_k, \text{diag}(\sigma_k^2))$) 세트입니다. 이는 재사용 가능한 변이 패턴을 나타냅니다.
• 적응형 가중치 (Adaptive Weighting): 고정된 가중치 대신, 모델은 기초 상태($s_i$)와 섭동 임베딩($a_p$)의 결합을 기반으로 조건 의존적 혼합 가중치($\alpha_i$)를 예측하는 다층 퍼셉트론(MLP)을 사용합니다.
• 가역 변환 (Invertible Transformation): 조건부 가역 네트워크($T_\theta$)는 적응형 가우시안 혼합에서 샘플링된 소스 변수를 최종 인구 수준 변이 분포로 매핑합니다. 이를 통해 변이의 순방향 생성과 관측된 변이의 역방향 투영을 통한 가능도(likelihood) 감독이 모두 가능해집니다.

3. 발현 재구성 (Expression Reconstruction)

최종 예측된 반응 잠재값은 $\hat{r}_i = \bar{r}_i + \epsilon_i$입니다. 이는 기초 상태 표현($s_i$)과 결합되어 발현 디코더($D_\psi$)에 의해 섭동 후 유전자 발현 프로파일($\hat{x}^p_i$)을 재구성합니다.

훈련 목적 함수 (Training Objective)

모델은 다음과 같은 복합 손실 함수를 사용하여 엔드투엔드(end-to-end)로 학습됩니다:

• 반응 정렬 손실 ($L_{align}$): 예측된 반응 잠재값과 타겟 반응 잠재값 사이의 MSE.
• 인구 변이 가능도 손실 ($L_{gm}$): 조건부 가우시안 혼합 하에서 타겟 변이의 음의 로그 가능도(negative log-likelihood)로, 혼합 가중치와 가역 변환을 모두 감독합니다.
• 유전자 발현 재구성 손실 ($L_{rec}$): 섭동된 발현과 컨트롤 발현을 재구성하기 위한 MSE.
• 분포 손실 ($L_{dist}$): 생성된 분포와 관측된 분포를 인구 수준에서 정렬하기 위한 에너지 거리(energy distance).

주요 기여

1. 분해된 반응 프레임워크: DeMixPert는 결정론적 반응 구조를 확률적 세포 이질성과 분리하고, 적응형 가우시안 혼합을 사용하여 조건 특이적 반응 분포를 포착하는 OOD 단일 세포 섭동 예측용 반응 모델을 제안합니다.
2. 가우시안 프로토타입 가역 네트워크: 저자들은 문맥 적응형 가중치를 가진 재사용 가능한 가우시안 프로토타입을 사용하여 인구 수준의 변이를 모델링하는 새로운 메커니즘을 도입했습니다. 이를 통해 모델은 단일 모드 분포를 가정하지 않고도 복잡하고 조건 특이적인 이질성을 포착할 수 있습니다.
3. 우수한 OOD 성능: 정량적 분석을 통해 DeMixPert가 섭동 특이적 반응을 효과적으로 복구하는 동시에 인구 수준의 분포적 충실도를 유지하며, 미관찰 섭동 설정에서 기존 방법론들을 능가함을 입증했습니다.

실험 결과

DeMixPert는 네 가지 널리 사용되는 단일 세포 유전적 섭동 데이터셋인 Adamson 및 Papalexi(단일 유전자 섭동)와 Norman 및 Replogle(조합 섭동)에 대해 평가되었습니다. 평가는 미관찰 타겟에 대한 일반화 능력을 테스트하기 위해 조건 불일치 분할(condition-disjoint splits)을 사용했습니다.

• 성능 지표: 모델은 차등 발현 복구(C-DEGs, DES), 분포 일치도(Energy Distance, Wasserstein Distance), 발현 오차(MSE), 섭동 식별력(PDS) 지표를 사용하여 평가되었습니다.
• 주요 결과:
  • 단일 유전자 데이터셋(Papalexi, Adamson)에서 DeMixPert는 가장 높은 C-DEGs 점수(22.000 및 10.733)와 가장 낮은 Energy Distance 값(0.171 및 0.448)을 기록하며 GEARS, scGPT, STATE와 같은 베이스라인을 크게 앞질렀습니다.
  • 조합 데이터셋(Norman, Replogle)에서 DeMixPert는 가장 높은 섭동 식별 점수(PDS)(0.981 및 0.938)와 가장 낮은 Energy Distance(0.374 및 0.155)를 달 기록했습니다.
  • 어블레이션 연구 (Ablation Studies): 분해 메커니즘을 제거하거나(w/o Decomp) 체계적 성분을 제거하면(w/o Sys) PDS와 중심점 정확도(Centroid Accuracy)가 크게 저하되었으며, 이는 두 성분을 분리하는 것이 섭동 특이적 신호를 구별하는 데 필수적임을 확인시켜 줍니다.
  • 해석 가능성: 시각화를 통해 반응 표현에서 체계적 성분($g_i$)을 제거했을 때 클러스터 순도(cluster purity)가 증가함을 확인하였으며, 이는 분해가 기초 상태 변이로부터 섭동 특이적 구조를 성공적으로 격리했음을 나타냅니다. 또한, 학습된 가우시안 프로토타입 가중치의 발산 정도와 인구 분포 간의 에너지 거리 사이에 유의미한 양의 상관관계가 발견되어, 혼합 구성 메커니즘의 해석 가능성을 검증했습니다.

의의

본 논문은 DeMixPert가 현재의 섭동 예측 방법론이 가진 핵심적인 한계, 즉 공유된 체계적 변이와 특정 섭동 효과의 엉킴 문제를 해결한다고 주장합니다. 반응을 명시적으로 분해하고 적응형 가우시안 혼합을 통해 인구 이질성을 모델링함으로써, DeMixPert는 미관찰 섭동에 대한 우수한 일반화 성능을 달성합니다. 이 프레임워크는 예측 정확도를 높일 뿐만 아니라, 전이 가능한 기초 상태 패턴과 고유한 섭동 시그니처를 분리함으로써 이질적인 세포 반응에 대한 구조적 해석을 제공합니다. 이러한 접근 방식은 전수 조사가 불가능한 실험 환경에서 세포 반응을 in silico로 추정하기 위한 더욱 견고한 토대를 제공합니다.