TwinCell: Large Causal Cell Model for Reliable and Interpretable Therapeutic Target Prioritisation

이 논문은 체외 실험 데이터로 학습된 대규모 인과적 세포 모델 'TwinCell'을 통해 질병과 건강 상태 간의 전환을 주도하는 상류 조절 인자를 식별하고, 이를 다양한 치료 영역에서 임상적으로 검증된 표적과 기작을 재현하는 데 성공하여 신약 개발의 전임상에서 임상으로의 간극을 해소함을 보여줍니다.

핵심

1. 문제: 왜 약 개발은 실패하기 쉬운 걸까요?

약 개발은 마치 우주선 설계와 비슷합니다.
과거에는 우주선을 만들 때, 실패할까 봐 두려워 수많은 실물 모형을 만들고 부수기를 반복했습니다. 하지만 모든 가능성을 다 테스트할 수는 없죠. 그래서 **디지털 트윈 (가상의 우주선)**을 만들어 컴퓨터 안에서 먼저 시험해 봅니다.

생물학에서도 마찬가지입니다. 실험실에서 세포를 실험하는 것은 시간과 돈이 많이 듭니다. 하지만 실험실 (In vitro) 에서 잘 작동하던 약이 실제 환자 (In vivo) 에게는 효과가 없거나 부작용이 생기는 경우가 많습니다. 기존 인공지능들은 "약이 세포에 어떤 변화를 일으킬까?"를 예측하려 했지만, 정작 **"어떤 약이 질병 세포를 건강한 세포로 되돌릴까?"**를 찾아내는 데는 서툴렀습니다.

2. 해결책: TwinCell(트윈셀) 이란 무엇인가요?

TwinCell 은 **질병의 원인을 찾아내는 '수사관'**이자 **가상 세포의 '디지털 트윈'**입니다.

• 기존 방식: "이 약을 주면 세포가 어떻게 변할까?" (미래를 예측)
• TwinCell 방식: "이 세포가 병들었는데, 어떤 약을 써야 다시 건강해질까?" (원인을 역추적)

마치 추리 소설을 읽는 것과 같습니다.

• 증거 (DEGs): 병든 세포에서 발견된 이상한 유전자들 (범인의 흔적).
• 목표: 이 흔적을 남긴 **범인 (질병을 일으키는 단백질)**을 찾아내서 체포 (약으로 치료) 하는 것.

3. 어떻게 작동할까요? (창의적인 비유)

A. 거대한 지도와 나침반 (Multiomics Interactome & Foundation Model)

TwinCell 은 두 가지 강력한 도구를 사용합니다.

1. 거대한 생물학 지도 (Interactome): 우리 몸속의 단백질과 유전자가 어떻게 서로 연결되어 있는지 그린 거대한 지하철 노선도 같은 것입니다.
2. 나침반 (Foundation Model Embeddings): 질병 세포와 건강한 세포의 상태를 파악하는 나침반입니다.

TwinCell 은 이 지도를 보며, "병든 세포 (A 지점) 에서 건강한 세포 (B 지점) 로 가려면, 지하철 노선도상에서 **어떤 역 (단백질)**을 먼저 내려야 할까?"를 계산합니다. 단순히 통계만 보는 게 아니라, 생물학적 연결 고리를 따라가며 논리적인 경로를 찾습니다.

B. TwinBench(트윈벤치): 시험지 채점 방식의 혁신

기존에는 AI 가 예측한 결과가 실제 결과와 얼마나 비슷한지 (숫자 차이) 로 점수를 매겼습니다. 하지만 이는 AI 가 "가장 흔한 답"만 외워서 맞추는 경우를 놓칠 수 있습니다.

TwinCell 연구팀은 TwinBench라는 새로운 채점 방식을 만들었습니다.

• 비유: 천 명의 학생 중에서 정답을 맞춘 학생을 찾아내는 추리 게임입니다.
• AI 가 "이 약이 정답이다!"라고 할 때, 단순히 점수가 높은 게 아니라, **"실제 데이터가 없으면 (무작위 섞기) 이 약을 정답으로 고르지 않았을 것"**인지 확인합니다.
• 만약 AI 가 입력 데이터와 상관없이 항상 같은 약을 추천한다면 (인기 있는 약만 고른다면), 그것은 **실패 (Mode Collapse)**로 간주합니다. TwinBench 는 AI 가 정말로 질병의 원인을 분석했는지, 아니면 그냥 외운 것인지 엄격하게 따집니다.

4. 실제 성과: 루푸스 (SLE) 를 치료하다

연구팀은 이 모델을 **전신성 홍반성 루푸스 (SLE)**라는 복잡한 자가면역 질환에 적용해 보았습니다.

• 결과: TwinCell 은 임상적으로 승인된 약들 (JAK 억제제 등) 을 높은 순위로 찾아냈습니다.
• 해석 가능성: 단순히 "이 약이 좋다"고만 말하지 않고, **"IL23R 이라는 수용체가 JAK/STAT 경로를 통해 BAFF 라는 물질을 자극해서 병을 일으켰다"**는 **논리적인 경로 (인과관계)**를 그림으로 보여주었습니다.
• 이는 마치 수사관이 범인의 동기와 행동 경로를 설명하는 것과 같습니다. 덕분에 의사들은 왜 이 약이 효과가 있을지 이해하고 더 확신을 가지고 사용할 수 있습니다.

5. 왜 이것이 중요한가요?

• 일반화 능력: 실험실에서 배양한 암세포 데이터로 학습했는데, 실제 환자의 혈액, 피부, 뇌 세포에서도 효과를 발휘했습니다. (다른 질병에도 적용 가능)
• 신약 개발 가속화: 실험실 실험을 줄이고 컴퓨터 시뮬레이션으로 가장 유망한 후보를 먼저 찾아냅니다.
• 이해 가능성: "왜 이 약인가?"에 대한 생물학적 이유를 설명해 주어, 맹목적인 실험을 줄여줍니다.

요약

TwinCell은 단순히 숫자를 맞추는 AI 가 아니라, **생물학적 연결 고리를 이해하고 질병의 원인을 논리적으로 추적하는 '가상 생물학 수사관'**입니다. 이 기술은 고비용, 고위험인 신약 개발 과정을 더 빠르고, 안전하며, 이해하기 쉽게 만들어 줄 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 신약 개발의 난제: 신약 개발 과정에서 전임상 모델 (in vitro) 에서 발견된 타겟을 실제 환자에게 적용하는 것은 매우 어렵고 비용이 많이 듭니다. 실패율이 높고 (임상 1 상에서 승인까지 약 10% 만 성공), 불확실성이 큰 상태에서 고비용의 임상 검증을 진행해야 하는 구조적 문제가 있습니다.
• 기존 가상 세포 모델 (Virtual Cell Models) 의 한계:
  • 기존 모델 (scGen, CPA, GEARS 등) 은 주로 특정 교란 (perturbation) 을 가했을 때의 **결과 (transcriptomic outcome)**를 예측하는 데 초점을 맞추었습니다.
  • 그러나 신약 개발의 실제 목표는 "질병 상태를 건강한 상태로 되돌릴 수 있는 **상위 조절 인자 (upstream regulator, 즉 타겟)**를 찾는 것"입니다.
  • 기존 평가 지표 (상관계수, MSE 등) 는 고차원 발현 데이터의 기본 상관관계로 인해 모델이 입력 신호를 무시하고 훈련 데이터의 분포만 반복하는 **모드 붕괴 (Mode Collapse)**나 **인기 편향 (Popularity Bias)**을 제대로 감지하지 못합니다.
  • 또한, 기존 딥러닝 모델은 훈련되지 않은 새로운 세포 유형이나 교란에 대해 일반화 (Generalization) 되지 못하며, 단순 선형 모델보다 성능이 떨어지는 경우가 많습니다.

2. 방법론 (Methodology)

A. TwinCell 모델 아키텍처

TwinCell 은 **대규모 인과 세포 모델 (Large Causal Cell Model, LCCM)**로, 교란의 결과를 예측하는 대신 **두 세포 상태 (예: 질병 vs 건강) 간의 전환을 주도할 가능성이 가장 높은 상위 조절 인자 (타겟)**를 식별하는 **역문제 (Inverse Problem)**를 해결합니다.

• 입력:
  • 두 세포 상태의 차이에서 도출된 차등 발현 유전자 (DEGs).
  • Geneformer와 같은 사전 학습된 파운데이션 모델을 통해 얻은 세포 상태 임베딩 ($x$).
• 핵심 원리:
  • 다중 오믹스 상호작용 네트워크 (Multiomics Interactome) 를 **유도적 편향 (Inductive Bias)**으로 사용합니다. 이는 예측을 생물학적으로 타당한 신호 전달 경로로 제한합니다.
  • 타겟 $t$가 관찰된 DEGs 를 유발할 확률 $P(t | DEGs, x)$를 계산합니다.
  • 이 확률은 상호작용 네트워크를 통한 **신호 전달 경로 (Signalling Paths)**를 따라 분해되어 계산됩니다:
    $$P(t | DEGs,x) \propto \prod_{k=1}^{K} \sum_{p_k: t \to d_k} P(p_k | x)$$
  • 모델은 in vitro 교란 데이터 (Tahoe-100M) 를 통해 학습하며, 세포 상태에 따라 엣지 가중치를 동적으로 조정하는 인과 그래프를 생성합니다.

B. TwinBench: 새로운 벤치마킹 프레임워크

기존의 유사도 기반 평가를 대체하기 위해 추천 시스템 (Recommendation System) 관점을 도입한 새로운 평가 프레임워크입니다.

• 평가 방식: 모델이 수천 개의 후보 타겟 중에서 실제 정답 타겟을 얼마나 높은 순위로 추천하는지 평가합니다.
• 편향 보정 (Empirical p-value):
  • 고정된 Top-K 컷오프 대신, **입력 데이터를 무작위 순열 (Permutation)**하여 얻은 점수와 실제 점수를 비교합니다.
  • 모델이 입력 신호에 의존하지 않고 훈련 데이터의 빈도수만 기억하는 경우 (Popularity Bias/Mode Collapse), 순열 데이터에서도 높은 점수가 나오게 되어 **통계적 유의성 (p-value)**이 낮아집니다.
  • 이를 통해 모델이 실제 생물학적 신호를 학습했는지 여부를 엄격하게 검증합니다.
• 지표: 역평균 정규화 순위 (IMNR), 재현율 (Recall), 그리고 p-value 임계값에 따른 F1-score 곡선 아래 면적 (AUC F1-score) 을 사용합니다.

3. 주요 결과 (Results)

A. In vitro 일반화 성능 (Zero-shot Scenarios)

• 비교 대상: STATE (최신 가상 세포 모델), Network Medicine (네트워크 기반 약물 재창출), 선형 회귀 (Ridge Regression) 등 5 가지 베이스라인.
• 결과: TwinCell 은 새로운 세포주 (held-out cell lines), 새로운 교란 (held-out perturbations), 그리고 둘 다 동시에 포함된 시나리오에서 모든 베이스라인을 압도적으로 능가했습니다.
  • 특히 STATE 모델은 새로운 교란에 대해 무작위 베이스라인과 유사한 성능을 보인 반면, TwinCell 은 높은 AUC F1 점수를 유지했습니다.
  • 이는 TwinCell 이 단순한 상관관계가 아닌 인과적 패턴을 학습했음을 시사합니다.

B. 임상 데이터 적용 (In Clinico Validation)

• **5 가지 치료 영역 (SLE, 건선, 크론병, 궤양성 대장염, 파킨슨병)**의 환자 유래 세포 데이터에 적용했습니다.
• 성공 사례 (SLE - 전신성 홍반성 루푸스):
  • 활성화된 CD4+ T 세포 데이터를 분석했을 때, TwinCell 은 OpenTargets에서 승인된 SLE 치료 타겟 (IFNAR1, JAK1/2/3, TYK2, PTGS2, NR3C1 등) 을 상위 5% 이내로 정확히 재현했습니다.
  • 해석 가능성: IL23R(인터루킨 -23 수용체) 을 타겟으로 지목하고, 이를 통해 JAK/STAT 경로를 거쳐 TNFRSF13B(BAFF) 로 이어지는 인과적 신호 전달 경로를 시각화했습니다. 이는 기존에 알려진 SLE 병리 기전 (I 형 인터페론 신호 전달) 을 복원하고, IL-23 억제제 (ustekinumab 등) 의 효능을 지지하는 새로운 통찰을 제공했습니다.
• 일반화 능력: 훈련 데이터에 포함되지 않은 타겟 (Out-of-train targets) 에 대해서도 Network Medicine 과 선형 모델보다 우수한 성능을 보이며, 새로운 타겟 발굴 (De novo target identification) 에도 유효함을 입증했습니다.

4. 주요 기여 (Key Contributions)

1. 문제 정의의 전환: "교란 결과 예측"에서 "상태 전환을 위한 최적 타겟 추천"으로 문제 정의를 변경하여 신약 개발의 실제 필요에 부합하는 모델을 제시했습니다.
2. 인과적 해석 가능성: 단순한 블랙박스 예측이 아닌, 다중 오믹스 상호작용 네트워크를 기반으로 **인과 그래프 (Causal Graph)**를 생성하여 각 타겟 추천의 생물학적 근거를 제공합니다.
3. TwinBench 프레임워크: 가상 세포 모델 평가를 위한 새로운 표준을 제시했습니다. 입력 신호 의존성을 검증하는 실증적 p-value를 도입하여 모델의 모드 붕괴와 인기 편향을 효과적으로 제거했습니다.
4. 범용성 입증: 단일 in vitro 데이터셋 (Tahoe-100M) 으로만 학습되었음에도 불구하고, 다양한 조직과 질병 (혈액, 뇌, 피부, 장 등) 에 걸친 환자 데이터에서 임상적으로 검증된 타겟을 성공적으로 복원했습니다.

5. 의의 및 결론 (Significance)

• 디지털 트윈의 실용화: TwinCell 은 물리적 시스템의 디지털 트윈 개념을 생물학적 시스템에 성공적으로 적용하여, 고비용의 실험 반복을 줄이고 in silico(컴퓨터 시뮬레이션) 단계에서 신뢰할 수 있는 가설을 생성할 수 있음을 보여줍니다.
• 기계 학습과 생물학 지식의 융합: 대규모 데이터 학습만으로는 일반화가 어렵다는 기존 통찰을 반박하며, **학습된 표현 (Foundation Model embeddings)**과 **고품질 생물학 지식 (Interactome)**을 결합하는 것이 신뢰할 수 있는 가상 세포 모델을 만드는 핵심임을 입증했습니다.
• 미래 전망: 이 연구는 고처리량 실험 데이터와 임상 통찰 사이의 간극을 메우는 교량 역할을 하며, 실험 피드백을 통해 반복적으로 개선되는 Lab-in-the-loop 패러다임의 기반을 마련했습니다.

이 논문은 신약 개발 파이프라인에서 타겟 식별의 정확성과 해석 가능성을 동시에 높일 수 있는 강력한 도구로서 TwinCell 의 잠재력을 입증했습니다.