scDiagnostics: systematic assessment of cell type annotation in single-cell transcriptomics data

당신이 군중 속에서 용의자를 식별하려는 탐정이라고 상상해 보십시오. 당신에게는 이미 알려진 사람들(제빵사, 소방관, 교사, 의사)의 거대하고 완벽한 사진첩(참조 데이터셋)이 있습니다. 그리고 당신은 새로 나타난 군중(쿼리 데이터셋)의 라이브 비디오 피드를 가지고 있으며, 이들을 분류해야 합니다.

보통 과학자들은 비디오 속의 사람들을 사진첩의 인물과 매칭하기 위해 "레이블 전송(Label Transfer)" 도구를 사용합니다. 이것은 마치 "저 남자는 사진 속 제빵사와 99% 일치하므로, 제빵사입니다!"라고 말하는 초고속 로봇과 같습니다.

하지만 여기에 문제가 있습니다. 만약 비디오 속의 인물이 제빵사가 아니라면 어떻게 될까요? 만약 그가 파란 빛을 내뿜으며 이진수로 말하는 바이러스에 감염된 사이보그 제빵사라면 어떨까요? 로봇은 '제빵사'의 특징만을 보고 있기 때문에, 그 사람이 무엇인지 모르더라도 여전히 확신에 차서 "제빵사!"라고 외칠 것입니다. 로봇은 가장 가까운 기존의 틀에 그를 억지로 끼워 맞추려 합니다. 비록 그 틀이 잘못된 것이라 할지라도 말이죠. 이것이 단일 세포 생물학에서 연구자들이 건강한 사진첩을 사용하여 환자의 세포를 라벨링하려고 할 때 발생하는 현상입니다.

여기에 scDiagnostics가 등장합니다. scDiagnostics는 단순한 레이블러(명칭을 붙이는 도구)가 아니라, 의심 측정기라고 생각하십시오. 이 도구는 세포가 주어진 이름에 실제로 부합하는지를 확인하는 것이지, 세포의 이름을 추측하려고 하지 않습니다.

scDiagnostics의 세 가지 초능력

저자들은 이 도구가 세포가 속하지 않은 범주로 "강제로 밀어넣겨지는" 상황을 포착하도록 만들었습니다. 이를 위해 세 가지 영리한 기술을 사용합니다.

1. 마법의 거울 (투영, Projection): 비디오 속의 군중을 사진첩의 바닥 평면에 투영한다고 상상해 보십시오. 만약 비디오 속의 "제빵사들"이 사진첩의 "제빵사들" 바로 위에 안착한다면 모든 것이 괜찮습니다. 하지만 만약 한 그룹의 세포들이 자신들에게 할당된 그룹에서 멀리 떨어진, 엉뚱하고 빈 구석에 떨어졌다면, scDiagnostics는 적색 신호를 보냅니다.
2. 쌍둥이 테스트 (정렬, Alignment): 이것은 비디오 속의 "제빵사들"이 실제로 사진첩의 "제빵사들"과 닮았는지 확인합니다. 그들은 키, 몸무게, 스타일이 같습니까? 만약 비디오 속의 "제빵사들"이 갑자기 우주복을 입고 있다면(질병의 징후), 이 테스트는 그 불일치를 찾아냅니다.
3. 아웃라이어 레이더 (이상치 탐지, Anomaly Detection): 가장 흥키로운 부분입니다. 이 도구는 "이상한 사람들"을 찾기 위해 특별한 알고리즘(Isolation Forest)을 사용합니다. 이 레이더는 "누가 저 구석에 혼자 서 있는가?"라고 묻습니다. 논문의 테스트에서, 이 레이더는 표준 도구들이 놓친 세포들을 성공적으로 찾아냈습니다.

위대한 테스트: 시뮬레이션과 현실 세계

저자들은 단순히 이것이 작동할 것이라고 추측만 한 것이 아니라, 이 도구를 혹독하게 시험했습니다.

첫째, 그들은 가짜 데이터를 가지고 게임을 했습니다.
그들은 세 종류의 세포(A, B, C)가 있는 시뮬레이션 세계를 만들었습니다. 그런 다음, "사진첩"(참조 데이터)에서 세포 유형 C를 숨긴 채 "비디오"(쿼리 데이터)에는 포함시켰습니다. 표준 로봇이 비디오를 라벨링하려고 할 때, 그는 누락된 C 세포들을 A나 B인 척하도록 강요했습니다.

• 결과: scDiagnostics는 즉시 문제를 포착했습니다. 가짜 "C" 세포들은 어디에도 맞지 않았기 때문에 높은 "의심 점수"를 받았습니다. 논문은 이러한 시뮬레이션에서 이 도구가 실제 일치하는 것과 강제로 끼워 맞춰진 것을 명확하게 구분할 수 있음을 보여줍니다.

다음으로, 그들은 실제 세계의 미스터리인 COVID-19를 다루었습니다.
그들은 건강한 사람들의 혈액 세포(앨범)를 가져와 COVID-19 환자의 혈액 세포(비디오)와 비교했습니다.

• 미스터리: 표준 도구들은 특정 면역 세포 그룹(CD14+ 단핵구)을 "건강한 단핵구"로 라벨링했습니다.
• 반전: scDiagnostics는 이 세포 중 일부를 "이상치(anomalous)"로 분류했습니다. 저자들이 자세히 조사했을 때, 이 "이상한" 세포들은 실제로 인터페론(경고 신호)을 엄청나게 뿜어내는 과잉 활성화된 바이러스 격투 기계였습니다.
• 증거: 만약 scDiagnostics를 사용하지 않았다면, 당신은 이 현상을 놓쳤을 것입니다. 당신은 건강한 세포와 초강력 바이러스 세포를 평균화하여 신호를 희석시켰을 것입니다. 논문은 "이상한" 세포들이 IFI6라는 유전자에 대해 2.30의 log2-fold 변화를 보인 반면, "정상적으로 보이는" 세포들은 0.49의 변화만을 보였다는 것을 발견했습니다. 이 도구가 없었다면, 이 거대한 차이는 숨겨졌을 것입니다.

마지막으로, 그들은 배가 아픈 쥐(대장염, Colitis)를 살펴보았습니다.
세포의 위치를 볼 수 있는 고성능 현미경(MERFISH)을 사용하여, 염증이 생긴 장을 가진 쥐를 관찰했습니다.

• 발견: 표준 도구들은 많은 "섬유아세포(fibroblasts, 지지 세포)"를 보았습니다. scDiagnostics는 이상하게 행동하는 특정 섬유아세포 그룹을 포착했습니다.
• 맥락: 이 "이상한" 섬유아세포들은 침입하는 면역 세포(중성구) 및 손상된 조직 바로 옆에 머물고 있었습니다. 건강한 섬류아세포들은 그들이 원래 있어야 할 줄기세포 근처에 머물고 있었습니다.
• 영향: "아픈" 섬유아세포를 "건강한" 섬유아세포와 분리함으로써, 저자들은 아픈 세포들이 면역 세포에게 보내는 화학적 메시지(예: Il1b, Cxcl5)와 건강한 세포가 보내는 메시지(예: Wnt5a)가 다르다는 것을 볼 수 있었습니다. 이 이웃의 재편성은 scDiagnostics가 그룹을 나누기 전까지는 보이지 않았던 것이었습니다.

scDiagnostics가 아닌 것

이 도구가 무엇을 하지 않는지 아는 것도 중요합니다.

• 이 도구는 라벨을 부여하는 도구들(SingleR, Azimuth, CellTypist 등)을 대체하는 것이 아닙니다. 그것은 이들과 함께 작동합니다.
• 이 도구는 새로운 세포가 정확히 무엇인지 마법처럼 알지 못합니다. 단지 "이봐, 이 라벨은 맞지 않아!"라고 말할 뿐입니다.
• 논문은 표준 도구의 "신뢰도 점수(confidence score)"가 높다고 해서 그 라벨이 옳다는 생각에 명시적으로 반대합니다. COVID-19 예시에서, 표준 도구들은 세포들이 건강한 단핵구라고 매우 확신(높은 점수)했지만, 그들은 틀렸습니다. scDiagnostics는 신뢰도만으로는 충분하지 않다는 것을 증명했습니다.

결론

이 논문은 우리가 점점 더 많은 세포를 분석함에 따라, 로봇이 라벨을 붙이는 것을 맹목적으로 신뢰해서는 안 된다고 제안합니다. 때때로 세포들은 새로운 무언가, 병적인 무언가, 혹은 우리가 이전에 보지 못한 무언가를 하고 있을 수 있습니다.

scDiagnostics는 안전망과 같습니다. 잘못된 상자에 억지로 끼워 넣어지는 세포들을 잡아냅니다. 시뮬레이션에서 이 도구는 높은 민감도와 특이도를 보여주었습니다. 실제 COVID-19 및 대장염 데이터에서, 이 도구는 이전에 숨겨져 있던 질병 신호를 드러냈습니다. 저자들은 이 도구가 탐정의 도구 상치에 표준적인 구성 요소가 되어, 우리가 세포를 "유형 A"라고 말할 때, 단지 다른 옵션이 없어서가 아니라 실제로 그곳에 속해 있다는 확신을 가질 수 있게 되기를 바랍니다.

그리고 가장 좋은 점은 무엇일까요? 이 도구는 무료이며, 오픈 소스이고, 누구나 자신의 작업 내용을 확인하기 위해 사용할 준비가 되어 있습니다.