Universal Cell Embeddings: A Foundation Model for Cell Biology

이 논문은 다양한 종과 조직에 걸친 3 천 6 백만 개의 세포를 학습한 자기지도식 기초 모델인 '범용 세포 임베딩 (UCE)'을 제안하여, 추가적인 레이블링 없이도 세포의 보편적인 표현 공간을 구축하고 새로운 세포 유형의 기능 추론 및 발달 계통 분석 등 생물학적 통찰을 도출할 수 있음을 보여줍니다.

핵심

🌟 핵심 비유: "세포를 위한 구글 번역기이자 지도"

생각해 보세요. 지구에는 수천 개의 언어가 있고, 각 나라마다 다른 방언이 있습니다. 생물학자들도 마찬가지입니다. 사람, 쥐, 물고기, 개구리 등 종마다, 그리고 장기마다 세포의 언어 (유전자 발현) 가 다릅니다.

기존의 방법들은 각 나라마다 별도의 지도를 그려야 했습니다. 새로운 데이터를 분석하려면 그 나라의 언어를 배우고 지도를 다시 그려야 했죠. 시간도 많이 들고, 서로 다른 지도를 비교하기도 어려웠습니다.

하지만 **UCE(만능 세포 임베딩)**는 다릅니다.
UCE 는 **"세포의 보편적인 언어"**를 배운 초고성능 번역기이자 지도입니다. 이 지도 하나면, 사람 세포든, 쥐 세포든, 심지어 훈련 데이터에 없던 새로운 종의 세포든 어떤 곳에서도 즉시 위치를 파악하고 비교할 수 있습니다.

---

🔍 이 모델이 어떻게 작동할까요? (3 단계 과정)

UCE 는 세포를 분석할 때 다음과 같은 독특한 방식을 사용합니다.

1. 세포를 '주머니'로 만듭니다:
   세포 안에는 수만 개의 유전자가 있습니다. UCE 는 이를 마치 **"세포라는 주머니에 들어있는 RNA 알갱이들"**로 봅니다. 어떤 유전자가 많이 발현되었는지 (알갱이가 많은지) 에 따라 주머니의 무게와 구성을 파악합니다.

2. 단어를 '단어장'으로 바꿉니다:
   유전자는 단백질로 만들어집니다. UCE 는 유전자를 그대로 보지 않고, 그 유전자가 만드는 **단백질의 모양 (아미노산 서열)**을 먼저 분석합니다. 마치 외국어를 배울 때, 단어의 철자만 외우는 게 아니라 그 단어가 가진 '의미'와 '뉘앙스'를 먼저 이해하는 것과 같습니다. 이를 통해 사람과 쥐의 유전자가 비록 이름은 달라도, 만드는 단백질이 비슷하면 "비슷한 단어"로 인식합니다.

3. 거대한 도서관 (트랜스포머) 에 넣습니다:
   이렇게 정리된 정보를 거대한 인공지능 도서관 (Transformer 모델) 에 넣습니다. 이 도서관은 3600 만 개의 세포 데이터를 스스로 학습하며, "어떤 세포가 어떤 세포와 비슷할까?"를 스스로 찾아냅니다.

---

🚀 이 모델이 해낸 놀라운 일들

1. "지도 없이도 길을 찾을 수 있다" (Zero-shot 학습)

기존 모델은 새로운 데이터를 분석할 때마다 다시 학습해야 했습니다. 하지만 UCE 는 한 번 학습하면 끝입니다.

• 비유: 구글 지도 앱이 처음부터 전 세계 도로를 다 학습해 두었다면, 내가 가본 적 없는 새로운 도시 (새로운 실험 데이터) 에 가도 지도 앱이 바로 길을 안내해 주는 것과 같습니다. UCE 는 새로운 세포 데이터를 넣기만 해도, 기존에 학습된 거대한 지도에 바로 위치를 찍어줍니다.

2. "다른 종도 척척 알아맞힌다" (종 간 비교)

UCE 는 사람과 쥐뿐만 아니라, 훈련 데이터에 없던 **새로운 종 (예: 녹색 원숭이, 닭, 너구리 등)**의 세포도 완벽하게 분석합니다.

• 실제 사례: 훈련 데이터에 '닭'이 없었는데, UCE 에 닭의 세포 데이터를 넣자, 닭의 세포가 쥐나 사람의 어떤 세포와 가장 비슷한지 자동으로 찾아냈습니다. 마치 "닭의 눈 세포는 쥐의 뇌 세포와 비슷한 기능을 하네?"라고 찾아내는 것입니다.

3. "새로운 세포의 정체성을 찾아내다" (Norn 세포 사례)

연구진은 UCE 를 이용해 **신장에서 적혈구를 만드는 'Norn 세포'**라는 새로운 세포를 찾아냈습니다.

• 과정: UCE 는 신장 세포 데이터를 분석하다가, 기존에 알려지지 않은 독특한 세포 군집을 발견했습니다. 그리고 이 세포가 다른 장기 (심장, 폐) 에도 비슷한 형태로 존재할 수 있음을 찾아냈습니다.
• 의미: 이는 마치 새로운 별을 발견한 천문학자처럼, 기존에 몰랐던 세포의 존재와 기능을 찾아낸 것입니다. 특히 폐 질환 환자들 사이에서 이 세포가 어떻게 변하는지 분석하여 질병의 원인을 추측하는 데 도움을 주었습니다.

---

💡 왜 이것이 중요한가요?

• 시간과 비용 절감: 이제부터는 새로운 실험을 할 때마다 수개월씩 모델을 다시 훈련할 필요가 없습니다. UCE 를 바로 쓰면 됩니다.
• 새로운 발견: UCE 는 인간이 직접 레이블 (라벨) 을 붙이지 않아도, 세포들 사이의 숨겨진 관계를 스스로 찾아냅니다. 마치 **세포들의 관계를 스스로 이해하는 '생각하는 지도'**입니다.
• 보편적인 이해: 사람, 동물, 질병, 건강한 상태 등 모든 세포를 하나의 공통된 언어로 이해할 수 있게 되어, 의학 연구의 속도가 획기적으로 빨라질 것입니다.

📝 한 줄 요약

"UCE 는 세포라는 복잡한 우주 전체를 하나의 거대한 지도로 만들어, 어떤 세포든, 어떤 종이어도, 즉시 그 위치와 의미를 찾아주는 '만능 세포 번역기'입니다."

이 기술은 앞으로 신약 개발, 질병 치료, 그리고 생명 현상 이해에 있어 혁신적인 도구가 될 것으로 기대됩니다.

기술 요약

논문 개요: Universal Cell Embeddings (UCE)

이 논문은 단일 세포 유전자 발현 데이터를 위한 범용 기반 모델 (Foundation Model) 인 UCE(Universal Cell Embedding) 를 제안합니다. UCE 는 다양한 조직, 질병 상태, 그리고 종 (species) 에 걸쳐 3 천 6 백만 개의 세포를 학습하여, 세포의 상태를 표현하는 보편적인 잠재 공간 (latent space) 을 구축합니다. 이 모델은 추가적인 데이터 라벨링이나 모델 미세 조정 (fine-tuning) 없이도 새로운 세포 데이터를 직접 매핑할 수 있는 'Zero-shot' 능력을 갖추고 있습니다.

---

1. 문제 정의 (Problem)

• 데이터의 이질성과 배치 효과: 단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터는 실험마다 측정된 유전자가 다르고, 실험 조건에 따른 배치 효과 (batch effects) 가 심하여 데이터를 통합 분석하기 어렵습니다.
• 종 특이적 제약: 기존 통합 방법들은 특정 종에 국한되거나, 새로운 데이터셋을 분석할 때마다 모델 재학습이나 세포 유형 주석이 필요하여 비효율적입니다.
• 범용 표현의 부재: 세포의 생물학적 다양성을 포괄하는 보편적인 표현 공간이 부족하여, 새로운 세포 유형 발견이나 종 간 비교 연구에 한계가 있었습니다.

2. 방법론 (Methodology)

UCE 는 생물학적 지식을 반영한 독특한 아키텍처를 기반으로 합니다.

• 입력 표현 (Input Representation):

  • 단백질 언어 모델 활용: UCE 는 유전자 발현량을 직접 텍스트로 처리하는 대신, 각 유전자가 암호화하는 단백질의 아미노산 서열을 기반으로 합니다. 사전 학습된 단백질 언어 모델 (ESM2) 을 사용하여 각 유전자를 고차원의 단백질 임베딩 (Token) 으로 변환합니다. 이를 통해 훈련 데이터에 없던 종의 유전자라도 아미노산 서열만 있으면 표현이 가능합니다.
  • Bag-of-RNA 접근법: 세포의 유전자 발현 카운트 데이터를 기반으로, 발현된 유전자들을 발현량에 비례하여 확률적으로 샘플링 (중복 허용) 합니다.
  • 게놈 정보 통합: 샘플링된 유전자들을 염색체 위치 (Genomic location) 순서로 정렬하고, 염색체 시작/종료 토큰을 추가하여 시퀀스를 구성합니다.

• 모델 아키텍처:

  • Transformer 기반: 구성된 시퀀스를 33 레이어, 6 억 5 천만 파라미터 규모의 Transformer 모델에 입력합니다.
  • CLS 토큰: 시퀀스 시작에 붙는 'CLS' 토큰의 최종 레이어 출력을 해당 세포의 임베딩 벡터 (1280 차원) 로 사용합니다.

• 학습 전략 (Self-Supervised Learning):

  • 완전 자기지도 학습: 세포 유형 주석이나 데이터셋 라벨 없이 학습됩니다.
  • 마스킹 언어 모델링 (Masked Language Modeling): 훈련 시 발현된 유전자 중 20% 를 마스킹하고, 세포 임베딩과 나머지 유전자 정보를 바탕으로 마스킹된 유전자의 발현 유무를 예측하는 손실 함수 (Binary Cross-Entropy) 를 최소화합니다.

3. 주요 기여 (Key Contributions)

1. 범용 세포 임베딩 (Universal Cell Embedding): 8 종 (인간, 쥐, 제브라피시 등) 의 3600 만 개 세포, 1000 여 종의 세포 유형을 포함하는 통합 메가 스케일 아틀라스 (IMA) 를 구축했습니다.
2. Zero-shot 능력: 훈련 데이터에 포함되지 않은 새로운 데이터셋, 새로운 종, 새로운 실험 조건에 대해 모델 재학습 없이 직접 임베딩을 생성할 수 있습니다.
3. 종 간 보편성 (Species Agnostic): 유전자의 동源性 (Homology) 매핑 없이 단백질 서열 임베딩을 기반으로 하므로, 훈련에 사용되지 않은 종 (예: 닭, 거미원숭이) 의 데이터도 정확하게 매핑됩니다.
4. 새로운 발견 워크플로우: 기존 주석에 의존하지 않고, 새로운 세포 유형 (예: 신장의 Norn 세포) 을 발견하고 그 기능을 다른 조직이나 질병 상태에서 탐색할 수 있는 새로운 분석 패러다임을 제시했습니다.

4. 결과 (Results)

• 성능 평가:
  • Tabula Sapiens v2 (새로운 데이터셋): UCE 는 기존 기반 모델 (Geneformer, scGPT) 보다 세포 유형 분리 (13.9% 향상) 및 배치 효과 보정 성능이 월등히 뛰어났습니다.
  • Fine-tuning 방법 대비: 세포 유형 주석이 필요한 scVI, scArches 와 같은 파인튜닝 기반 방법들과 유사하거나 더 나은 성능을 보였습니다.
• 종 간 매핑:
  • 훈련에 포함되지 않은 녹색 원숭이 (Green Monkey), 맨체스터 (Naked Mole Rat), 닭의 데이터를 IMA 에 매핑했을 때, 세포 유형이 생물학적으로 올바른 군집을 형성했습니다.
  • 특히 녹색 원숭이 림프절 데이터에서 B 세포로 라벨링된 일부 세포 군집이 T 세포 마커를 발현하는 것을 발견하여, 기존 주석의 오류를 수정하거나 새로운 하위 유형을 식별할 수 있었습니다.
• 생물학적 구조 학습:
  • UCE 공간 내 세포 간 거리는 Cell Ontology(세포 분류 체계) 의 위계적 거리와 높은 상관관계를 보였습니다. 즉, 모델이 명시적으로 학습하지 않았음에도 생물학적으로 의미 있는 세포 계층 구조를 자발적으로 학습했습니다.
• Norn 세포 사례 연구:
  • 신장의 적혈구 생성 인자 (Epo) 를 생산하는 'Norn 세포'를 식별하고, 이 세포의 특징을 가진 유사 세포들을 폐와 심장 등 다른 조직에서도 발견했습니다.
  • IPF(특발성 폐섬유증) 와 COPD 환자 간의 Norn 유사 세포의 유전자 발현 차이를 분석하여, 질병 예후 차이의 생물학적 기전을 규명하는 데 기여했습니다.

5. 의의 및 결론 (Significance)

• 세포 생물학의 '바닐라 (Vanilla)' 모델: UCE 는 세포를 이해하기 위한 보편적인 언어를 제공하며, 연구자들이 새로운 실험 데이터를 즉시 기존 대규모 아틀라스와 비교 분석할 수 있게 합니다.
• 가상 세포 (Virtual Cell) 로의 진전: Sydney Brenner 가 제안한 '가상 세포' 개념을 실현하는 중요한 단계로, 세포의 상태와 유형을 포괄하는 보편적 표현을 학습함으로써 가설 생성, 주석, 분석의 효율성을 극대화합니다.
• 데이터 중심 발견: 작은 데이터셋에 의존하던 기존 방식에서 벗어나, 대규모 통합 데이터를 기반으로 새로운 세포 유형과 질병 메커니즘을 발견할 수 있는 강력한 도구를 제공합니다.

이 논문은 인공지능 기반의 기초 모델이 어떻게 복잡한 생물학적 데이터의 장벽을 허물고, 종과 조직을 초월한 통합적인 세포 이해를 가능하게 하는지를 보여주는 획기적인 연구입니다.