Finding stable clusterings of single-cell RNA-seq data

이 논문은 단일 세포 RNA 시퀀싱 데이터의 클러스터링 안정성을 평가하기 위해 분할 계층적 스펙트럼 클러스터링과 정규화 컷 기반의 트리 매핑을 활용하여, 데이터의 하위 샘플링을 통해 얻은 클러스터링이 전체 데이터와 일관성을 유지하는지 검증하는 방법을 제안합니다.

핵심

1. 핵심 아이디어: "반만 잘라내도 똑같을까?"

이 연구의 핵심은 아주 단순한 상식에서 나옵니다.
만약 여러분이 100 만 명의 사람들을 조사해서 "이 사람들은 A 그룹, 저 사람들은 B 그룹"이라고 분류했다고 칩시다. 그런데 만약 그중 절반만 (50 만 명) 무작위로 뽑아 다시 분류를 해본다면, 결과는 여전히 A 그룹과 B 그룹으로 나뉠까요?

• 안정된 결과: 절반만 뽑아도 여전히 똑같은 그룹으로 나뉜다면, 그 분류는 진짜일 가능성이 높습니다. (우리가 발견한 것은 우연이 아니라 실제 존재하는 패턴입니다.)
• 불안정한 결과: 절반만 뽑아도 그룹이 뭉개지거나 완전히 달라진다면, 그 분류는 우연이거나 데이터의 노이즈에 불과할 수 있습니다.

저자는 이 원리를 **"데이터를 반으로 나누어 테스트하는 방법"**으로 구체화했습니다. 전체 데이터로 분류를 하고, 그중 절반을 떼어내서 다시 분류한 뒤, 두 결과가 얼마나 일치하는지 비교하는 것입니다.

2. 방법론: "나무를 자르는 예술"

이 논문은 세포들을 그룹화하는 데 **분할 계층적 스펙트럼 클러스터링 (Divisive Hierarchical Spectral Clustering)**이라는 기술을 사용합니다. 이를 비유하자면 다음과 같습니다.

• 세포들 = 혼잡한 파티: 수만 명의 세포들이 한 방에 모여 있습니다. 서로 비슷한 세포들이 모여 있을 것 같지만, 누가 누구와 친한지 알 수 없습니다.
• 나무 (Tree) = 가족 관계도: 이 알고리즘은 파티를 두 개의 큰 방으로 나눕니다. 그리고 그 방을 다시 두 개로 나누고, 또 나누는 식으로 나무 가지처럼 세포들을 쪼개갑니다.
• 가지 치기 (Pruning): 이 나무의 가지가 얼마나 단단하게 연결되어 있는지 확인합니다. 만약 가지를 살짝만 흔들어도 (데이터를 조금만 바꿔도) 가지가 부러져서 그룹이 뒤죽박죽이 된다면, 그 가지는 불안정한 것입니다.

3. 주요 발견: "모든 그룹이 다 같은 건 아니다"

이 연구에서 가장 흥미로운 발견은 **"하나의 분류 결과 안에서도 어떤 그룹은 매우 튼튼하고, 어떤 그룹은 매우 약할 수 있다"**는 점입니다.

• 강철 같은 그룹: 어떤 세포 그룹은 데이터를 반으로 나누든, 10 번을 나누든 항상 똑같이 유지됩니다. 이는 진짜 생물학적 의미가 있는 세포 유형일 가능성이 매우 높습니다.
• 모래성 같은 그룹: 반면, 어떤 그룹은 조금만 데이터를 건드리면 바로 무너집니다. 이는 연구자가 "아, 이 세포들은 같은 종류구나!"라고 착각했을 뿐, 실제로는 우연히 모여 있거나 노이즈일 수 있습니다.

예시 (폐 데이터):
폐 세포 데이터를 분석했을 때, 19 개의 그룹으로 나뉘는 결과가 나왔습니다. 하지만 안정성 테스트를 해보니, 그중 17 개는 강철처럼 튼튼했지만, 2 개는 모래성처럼 무너졌습니다.

• 결론: 17 개의 튼튼한 그룹은 신뢰할 수 있지만, 2 개의 무너진 그룹은 무시하거나 더 자세히 살펴봐야 합니다.

4. 데이터 정제: "방해꾼 (Outlier) 제거하기"

데이터에는 때때로 **이상치 (Outlier)**라는 방해꾼들이 섞여 있습니다. 마치 파티에 갑자기 튀어나와 모든 사람의 대화를 방해하는 사람처럼요.

• 이 논문은 **Pearson 잔차 (Pearson Residuals)**라는 수학적 도구를 이용해, 데이터 전체의 흐름을 왜곡시키는 '이상한 세포'나 '이상한 유전자'를 찾아내어 제거했습니다.
• 이를 통해 더 깨끗한 데이터만 남기고 다시 그룹화를 시도했습니다. (예: 유방암 데이터에서는 '형질구 (Plasmablasts)'라는 세포가 필터링 과정에서 많이 사라져서, 결과에 큰 영향을 미쳤음을 발견했습니다.)

5. 결론: "신뢰할 수 있는 지도 만들기"

이 논문의 최종 메시지는 다음과 같습니다.

"단일 세포 데이터를 분석할 때, 단순히 "이렇게 그룹이 나뉘네!"라고 말하는 것은 충분하지 않습니다. **"이 그룹이 데이터를 조금만 바꿔도 여전히 유지될까?"**를 반드시 확인해야 합니다."

• 안정적인 그룹: 우리가 믿고 다음 연구 (예: 새로운 약물 개발) 에 활용할 수 있는 진짜 세포 유형입니다.
• 불안정한 그룹: 아직 증명되지 않았거나, 노이즈일 가능성이 높은 가짜 신호입니다.

저자는 이 방법을 통해 기존에 발표된 여러 연구 결과 (Zhengmix, PBMC, 폐, 유방암 데이터 등) 를 재검증했습니다. 일부는 기존 결과와 완벽하게 일치했고, 일부는 기존에 알려지지 않은 불안정한 부분들을 찾아내어 연구의 정확도를 높였습니다.

요약하자면

이 논문은 **"세포 분류 지도를 그릴 때, 그 지도가 비가 오거나 바람이 불어도 (데이터가 조금 변해도) 그대로 유지되는지 확인하는 방법"**을 제시합니다. 이를 통해 과학자들은 **"진짜 세포 유형"**과 **"우연의 산물"**을 구별할 수 있게 되어, 더 신뢰할 수 있는 의학 연구를 할 수 있게 됩니다.

기술 요약

1. 문제 정의 (Problem)

단일 세포 데이터 분석에서 클러스터링 (세포 유형 분류) 은 핵심 단계이지만, 동일한 데이터셋에 대해 다른 샘플을 사용하거나 데이터의 일부만 사용했을 때 결과가 크게 달라질 수 있습니다.

• 핵심 질문: "데이터가 두 배로 늘었을 때 클러스터링 결과가 변할까?"라는 물음은 알 수 없으므로, 이를 역으로 접근합니다. "세포의 절반만 사용했을 때 전체 데이터로 얻은 클러스터링과 일관된 결과를 얻을 수 있는가?"
• 목표: 임의의 샘플링에 의해 결과가 크게 흔들리지 않는 **안정된 클러스터링 **(Stable Clustering)을 찾고, 각 클러스터가 얼마나 안정적인지를 정량화하는 것입니다.

2. 방법론 (Methodology)

A. 데이터 전처리 및 변환

1. 필터링: 최소 50 개 이상의 세포에서 발현된 유전자만 선택하고, 미토콘드리아 유전자 비율이 높은 세포 (품질 저하 세포) 를 제거합니다.
2. **변량성 분석 **(Variability Analysis): 포아송 (Poisson) 모델을 기반으로 피어슨 잔차 (Pearson Residuals) 의 제곱합 (SSQ) 을 계산하여 고변이 유전자 (Highly Variable Genes) 를 선정합니다.
3. 차원 축소: 피어슨 잔차 행렬의 랭크 (Rank) 를 optht 프로그램을 통해 추정하고, 이를 통해 저차원 유클리드 공간 (Euclidean representation) 으로 매핑합니다.

B. 이상치 제거 (Outlier Exclusion)

• 유클리드 이상치: k-최근접 이웃 (kNN) 거리의 분포를 분석하여, 평균보다 3 표준편차 이상 떨어진 극단적으로 먼 거리를 가진 세포를 이상치로 간주하여 제거합니다.
• 반복적 정제: 세포와 유전자의 이상치를 반복적으로 제거하는 3 단계의 반복 분석 (Iterative Analysis) 을 수행하여 데이터의 품질을 높입니다.

C. 클러스터링 알고리즘 (Divisive Hierarchical Spectral Clustering)

• 분할 계층적 스펙트럴 클러스터링: Leiden 알고리즘 대신 Ng, Jordan, Weiss 의 알고리즘을 기반으로 한 분할 계층적 (Divisive Hierarchical) 방식을 사용합니다.
  • **친밀도 **(Affinity) 두 점 사이의 거리의 역수로 정의하며, k-최근접 이웃 (kNN) 관계가 있을 때만 비영 (Non-zero) 값을 가집니다.
  • 트리 생성: 정규화된 컷 (Normalized Cut) 을 기준으로 노드를 분할하여 계층적 트리 구조를 생성합니다.
• 중첩 클러스터링 매핑: 생성된 트리의 각 분기 길이를 정규화된 컷 값으로 설정하고, 루트로부터의 거리를 기준으로 2-클러스터링부터 최대 크기까지의 중첩된 클러스터링 집합을 추출합니다.

D. 안정성 평가 지표

1. 샘플링 전략: 전체 세포 집합을 무작위로 두 개의 보완적 샘플 (각각 50%) 로 나눕니다. 전체 데이터와 각 부분 샘플에 대해 클러스터링을 수행합니다.
2. **오분류 거리 **(MED, Misclassification Error Distance): 전체 데이터의 클러스터링을 부분 샘플에 제한한 결과와, 부분 샘플 자체의 클러스터링 결과를 비교합니다. MED 는 무작위 라벨링에 의한 기대값으로 정규화됩니다.
   • 안정성 기준: 40 개의 샘플 쌍에 대해 계산된 정규화 MED 의 90 백분위수가 0.10 이하이면 해당 클러스터링을 '안정적'으로 간주합니다.
3. **클러스터 오분류 오율 **(CMER, Cluster Misclassification Error Rate): 각 개별 클러스터의 안정성을 평가합니다.
   • 안정성 기준: 정규화 CMER 의 90 백분위수가 0.50 이하이면 해당 클러스터를 '안정적'으로 간주합니다.
   • 허용 조건: 전체 클러스터링이 안정적이라도, 불안정한 클러스터에 포함된 세포 수가 500 개 미만인 경우만 하위 분석에 허용합니다.

3. 주요 결과 (Results)

총 7 개의 공개 데이터셋 (Zhengmix4eq/8eq, 68k PBMC, CD14 Monocytes, 25k Retinal, 65k Lung, 100k Breast Cancer) 에 대해 분석을 수행했습니다.

• **Zhengmix4eq **(4 가지 세포 유형) 4-클러스터링 결과가 Ground Truth 와 거의 완벽하게 일치하며, 모든 클러스터가 극도로 안정적 (CMER < 0.02) 임을 확인했습니다.
• **Zhengmix8eq **(8 가지 세포 유형) T 세포 하위 유형 등 일부는 분리가 어렵지만, 전체적으로 안정된 클러스터링을 얻었습니다.
• CD14 Monocytes: 모든 세포가 동일한 유형으로 간주될 때, 어떤 클러스터링도 불안정하게 나타났습니다 (중립적 결과).
• 68k PBMC:
  • 12-클러스터링이 안정적이었으나, 일부 불안정 클러스터가 존재했습니다.
  • 9-클러스터링은 일부 샘플에서 큰 변동 (MED 0.21) 을 보였으며, 특히 Cluster 0 이 모든 샘플에서 완전히 불안정 (CMER=1) 임을 발견했습니다. 이는 기존 연구에서 발견된 클러스터가 실제 생물학적 의미보다는 인공적일 수 있음을 시사합니다.
• **25k Retinal **(망막) 11-클러스터링이 안정적이며, 기존 문헌의 39 개 클러스터 중 상당수와 일치했습니다. 특히 Rod 와 Cone 세포가 안정된 하위 클러스터로 나뉘는 현상을 발견했습니다.
• **65k Lung **(폐)
  • 16-클러스터링이 가장 안정적이었으며 (MED 90 백분위수 0.01), 10 개의 클러스터가 극도로 안정적이었습니다.
  • 기존 문헌의 57 개 세포 유형 중 상당수가 이 16 개 클러스터에 잘 매핑되었습니다.
• **100k Breast Cancer **(유방암)
  • 어떤 클러스터링도 엄격한 안정성 기준 (MED 90 백분위수 < 0.10) 을 충족하지 못했습니다.
  • 반복적 이상치 제거 과정에서 Plasmablasts 와 같은 특정 세포 유형이 과도하게 제거되는 문제가 발생했습니다. 이는 데이터의 불균형 (환자별 편차) 이 클러스터링 안정성에 큰 영향을 미칠 수 있음을 보여줍니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

1. 안정성 중심의 클러스터링 프레임워크: 단순히 최적의 클러스터 수를 찾는 것이 아니라, 샘플링 변동성에 견딜 수 있는 클러스터링을 찾는 새로운 기준을 제시했습니다.
2. 계층적 트리 기반 매핑: 스펙트럴 클러스터링의 분할 트리를 정규화된 컷 값을 기반으로 한 중첩 클러스터링 집합으로 매핑하는 새로운 기법을 개발했습니다. 이를 통해 다양한 클러스터 수에 대한 안정성을 한 번의 분석으로 평가할 수 있습니다.
3. 불안정 클러스터의 식별 및 제거: 전체 클러스터링이 '안정적'이라고 하더라도, 특정 클러스터가 불안정할 수 있음을 강조하고, 이를 정량화하여 하위 분석에서 제외할 수 있는 기준 (CMER 및 세포 수) 을 제시했습니다.
4. 실제 데이터 검증: 다양한 크기와 복잡성을 가진 실제 scRNA-seq 데이터셋을 통해 방법론의 유효성을 입증하고, 기존 문헌의 결과와 비교하여 일관성 있는 결과를 도출하거나 기존 결과의 불안정성을 지적했습니다.
5. 이상치 처리의 중요성: UMI 카운트 데이터의 이상치 (세포 및 유전자) 가 클러스터링 안정성에 미치는 부정적 영향을 규명하고, 이를 제거하는 반복적 프로세스의 필요성을 강조했습니다.

결론

이 연구는 scRNA-seq 데이터 분석에서 **재현성 **(Replicability)을 확보하기 위한 강력한 방법론을 제시합니다. 저자는 "안정적인 클러스터링만이 하위 분석 (예: 차등 발현 분석) 에 적합하다"고 주장하며, 제안된 프레임워크가 생물학적으로 의미 있는 세포 유형을 식별하고 인공적 아티팩트를 제거하는 데 유용한 도구임을 입증했습니다. 특히, 불안정한 클러스터가 포함된 경우 이를 식별하고 해석에 주의해야 함을 강조하는 점이 중요한 통찰입니다.