Generating Joint Transcriptomic and Morphological Responses to Drug Perturbations via Rectified Flow

이 논문은 약물 처리에 따른 전사체 및 형태학적 변화를 동시에 예측하는 통합 컴퓨팅 프레임워크 'PertFlow'를 제안하고, 이를 통해 약물의 작용 기전과 생물학적 경로를 성공적으로 복원함을 입증했습니다.

핵심

🧪 핵심 아이디어: "약의 효과를 '글'과 '그림'으로 동시에 예측하다"

약이 세포에 들어오면 두 가지 일이 일어납니다.

1. 유전자 활동 변화 (전사체): 세포 안의 공장 기계들이 "이 약이 들어왔으니 A 기계는 멈추고, B 기계는 더 빠르게 돌리라!"라고 명령을 내립니다. (이건 데이터/글로 나타남)
2. 세포 모양 변화 (형태): 그 명령을 받은 세포는 실제로 모양이 변합니다. 둥글게 말리거나, 찌그러지거나, 핵이 쪼그라듭니다. (이건 사진/그림으로 나타남)

기존의 연구들은 이 두 가지를 따로따로 다뤘습니다. "유전자 데이터만 분석해서 약 효과를 예측"하거나, "세포 사진만 보고 모양을 예측"하는 식이었죠. 하지만 약은 이 두 가지를 동시에 일으키기 때문에, 둘을 따로 보는 건 마치 "소리의 진동수만 분석해서 악기의 모양을 예측하거나, 악기 모양만 보고 소리를 예측하는" 것과 비슷합니다.

PertFlow는 이 두 가지를 한 번에 해결하는 마법 같은 도구입니다.

---

🎨 비유: "약의 시나리오를 읽는 AI 감독"

이 모델을 이해하기 위해 영화 감독과 시나리오 작가의 비유를 들어볼까요?

• 상황: 새로운 약 (약속된 시나리오) 이 들어옵니다.
• 기존 모델 (단일 모드):
  • 유전자 예측기: 시나리오를 읽고 "대본에 따르면 주인공이 울어야 해"라고 텍스트로만 예측합니다. 하지만 울음소리가 어떤지, 표정은 어떤지는 모릅니다.
  • 이미지 생성기: "주인공이 울고 있는 장면"을 그릴 수는 있지만, 왜 우는지, 어떤 대본 (약) 때문인지 정확히 연결하지 못합니다.
• PertFlow (새로운 모델):
  • 이 모델은 한 명의 감독입니다.
  • 약 (시나리오) 을 받자마자, **"이 약 때문에 유전자 (대본) 는 이렇게 변하고, 그 결과 세포 (배우) 는 이렇게 울면서 표정이 변할 거야"**라고 텍스트와 영상을 동시에 만들어냅니다.

🚀 어떻게 작동할까요? (직관적인 설명)

1. 입력 (초기 상태): 약을 먹기 전의 건강한 세포 사진과 유전자 데이터를 봅니다.
2. 조건 (약 정보): 어떤 약을, 얼마나, 어떤 세포에 넣는지 정보를 줍니다.
3. 마법 (교차 주의 메커니즘):
   • AI 는 "유전자 데이터"와 "세포 사진"이라는 서로 다른 언어를 서로 연결합니다. 마치 통역사가 두 언어를 오가며 의미를 맞춰주는 것처럼, 유전자의 변화가 사진의 어떤 부분 (예: 핵의 모양) 에 영향을 줄지 학습합니다.
4. 생성 (결과):
   • 유전자 예측: 약을 먹은 후의 유전자 데이터를 숫자로 예측합니다.
   • 이미지 생성: **Rectified Flow(정류 흐름)**라는 기술을 써서, 흐트러진 점들을 일직선으로 빠르게 연결해 마치 약을 먹은 후의 세포 사진을 새로 그려냅니다. (기존의 확산 모델보다 훨씬 빠르고 선명합니다.)

📊 결과는 어떨까요? (실제 성과)

연구진은 3 가지 세포 종류와 40 가지 약을 사용해 이 모델을 시험했습니다.

• 유전자 예측: 실제 실험 결과와 78% 정도 일치했습니다. (기존 모델들보다 훨씬 정확합니다.)
• 이미지 생성: 생성된 세포 사진을 전문 병리학자 (의사) 들에게 보여줬더니, **"실제 약을 먹인 세포와 거의 구별이 안 간다"**며 10 점 만점에 7~8 점을 주었습니다.
• 약의 원리 파악: 이 모델은 단순히 그림만 그리는 게 아니라, 약이 실제로 어떤 작용을 하는지 (예: DNA 를 손상시키거나, 세포 분열을 막는 것) 도 정확히 알아맞혔습니다.

💡 왜 이것이 중요한가요?

이 기술은 가상 약물 개발의 문을 엽니다.
실제 실험실에서 약을 만들어 세포에 넣고, 기다리고, 현미경을 보는 데는 시간과 돈이 많이 듭니다. 하지만 PertFlow 같은 AI 가 있다면:

"이 약을 개발하면 세포 모양이 이렇게 변하고, 유전자는 이렇게 반응할 거야"라고 컴퓨터 안에서 미리 시뮬레이션할 수 있습니다.

이는 새로운 약을 더 빨리, 더 저렴하게 찾아내고, 약이 왜 효과가 있는지 그 원리를 이해하는 데 큰 도움을 줄 것입니다.

📝 한 줄 요약

"PertFlow 는 약이 세포에 들어왔을 때, 유전자 데이터 (글) 와 세포 사진 (그림) 을 동시에 예측하는 AI 로, 마치 약의 효과를 미리 시뮬레이션하는 '가상 실험실' 역할을 합니다."

기술 요약

논문 개요: PertFlow

이 논문은 약물 처리 (Drug Perturbation) 에 따른 세포의 반응으로서 **전사체 (Transcriptomic, RNA-seq)**와 형태학적 (Morphological, Cell Painting 이미지) 변화를 동시에 예측하고 생성하는 통합 컴퓨팅 프레임워크인 PertFlow를 제안합니다. 기존 연구들은 이 두 가지 모달리티를 별개로 다루거나 한쪽에서 다른 쪽을 예측하는 데 그쳤으나, PertFlow 는 화학적 자극에 대한 두 가지 반응의 상호 의존성을 포착하여 동시 생성을 가능하게 합니다.

1. 문제 정의 (Problem)

• 배경: 약물 발견 및 개인 맞춤 의학에서 약물이 세포 상태를 어떻게 변화시키는지 이해하는 것은 필수적입니다. 고처리량 프로파일링을 통해 RNA 시퀀싱 (분자 메커니즘) 과 이미징 (구조적/표현형 변화) 데이터를 동시에 얻을 수 있으나, 이 두 데이터는 본질적으로 서로 연결되어 있음에도 불구하고 기존 모델들은 대부분 이를 분리하여 처리했습니다.
• 한계:
  • 기존 전사체 예측 모델 (scGen, CPA, GEARS 등) 은 형태학적 변화를 모델링하지 못합니다.
  • 기존 이미지 생성 모델 (PhenDiff 등) 은 전사체 문맥 없이 이미지만을 변환합니다.
  • 화학적 처리에 대해 **전사체와 형태학을 동시에 생성 (Joint Generation)**하는 방법은 존재하지 않았습니다.
• 주요 과제:
  1. 서로 다른 표현 공간 (이산적인 유전자 발현 vs 연속적인 이미지) 간의 데이터 정렬.
  2. 화합물 구조, 농도, 세포주, 시간대 등 복잡한 약물 조건 (Conditioning) 의 통합.
  3. 생물학적 현실성과 모달리티 간 일관성을 유지하면서 두 가지 데이터를 동시에 예측.

2. 방법론 (Methodology)

PertFlow는 교차 모달 어텐션 (Cross-modal Attention) 과 정류 흐름 (Rectified Flow) 역학을 결합한 생성 모델입니다.

• 입력 데이터:
  • 대조군 (Control) RNA-seq 데이터 ($x_{ctrl}^{rna}$)
  • 대조군 세포 이미지 ($x_{ctrl}^{img}$)
  • 약물 조건 정보 ($c$): 화합물 ID, 세포주, 농도, 시간대
• 아키텍처:
  1. 모달리티 인코더: RNA-seq 은 멀티 레이어 셀프 어텐션 (Self-attention) 을, 이미지는 ResNet 스타일 합성곱 네트워크를 통해 인코딩합니다.
  2. 지식 그래프 통합 (PrimeKG): 단백질 - 단백질 상호작용, 약물 - 단백질 상호작용 등을 그래프 신경망 (GNN) 을 통해 인코딩하여 임베딩에 추가합니다 ($\alpha_{drug}=0.3, \alpha_{RNA}=0.3$).
  3. 교차 모달 어텐션 (Cross-modal Attention): RNA 토큰과 이미지 토큰이 서로를 주시하며 정보를 교환하고, 이를 통해 모달리티 간 정렬을 수행합니다.
  4. 공유 임베딩 공간: 모든 모달리티 (RNA, 이미지, 약물 조건) 가 하나의 공유 벡터 ($h_{shared}$) 로 융합됩니다.
  5. 생성 헤드 (Generation Heads):
     • 전사체 생성: 공유 임베딩을 기반으로 직접 회귀 (Regression) 를 수행하여 치료 후 RNA-seq 을 예측합니다.
     • 이미지 생성: Rectified Flow를 적용합니다. 노이즈 ($z_0$) 에서 실제 치료 이미지 ($x_{treat}^{img}$) 로 가는 직선 경로를 정의하고, UNet 이 속도장 (Velocity field) 을 예측하여 ODE 솔버 (DOPRI5) 를 통해 이미지를 생성합니다.
• 손실 함수 (Loss Function):
  • 전사체 손실: MSE 와 피어슨 상관관계 (Pearson Correlation) 손실의 가중 합.
  • 이미지 손실: Rectified Flow 의 속도 예측 손실.
  • 일관성 손실: 트립렛 컨트라스티브 (Triplet Contrastive) 손실을 사용하여 정렬된 RNA-이미지 쌍과 무작위로 섞인 쌍을 비교하여 모달리티 간 일관성을 강제합니다.

3. 주요 기여 (Key Contributions)

1. 최초의 통합 생성 프레임워크: 화학적 처리에 대해 전사체 (RNA-seq) 와 형태학 (Cell Painting 이미지) 을 동시에 생성하는 최초의 방법론을 제시합니다.
2. 교차 모달 학습 및 정류 흐름 적용: 서로 다른 데이터 유형 간의 정렬을 위한 교차 어텐션 메커니즘과 계산 효율성이 높은 Rectified Flow 를 생물학적 데이터 생성에 성공적으로 적용했습니다.
3. 지식 그래프 통합: PrimeKG 를 통해 생물학적 사전 지식 (Pathway, Interaction) 을 모델에 통합하여 예측의 생물학적 타당성을 높였습니다.
4. 단일/다중 모달리티 유연성: 완전한 다중 모달 입력뿐만 아니라 단일 모달리티 입력만으로도 처리가 가능합니다.

4. 실험 결과 (Results)

• 데이터셋: 3 개의 세포주, 40 개의 화합물, 총 17,242 개의 짝지어진 샘플 (RNA-seq + Cell Painting) 을 포함하는 Ginkgo Data Platform (GDP) 기반 데이터셋.
• 성능 지표:
  • 전사체 예측: 피어슨 상관관계 (Pearson Correlation) 0.780 ± 0.264, 스피어만 상관관계 0.792. 기존 단일 모달리티 모델 (PRNet, MLP) 보다 월등히 우수합니다.
  • 이미지 생성: FID(Fréchet Inception Distance) 24.06, SSIM 0.205. 기존 Diffusion 모델 (PhenDiff, FID 62.50) 보다 우수한 품질을 보입니다.
  • 전문가 평가: 인증된 병리학자 (Board-certified pathologists) 가 평가한 이미지 유사도 점수는 7.11~7.89/10으로, 베이스라인 (6.11~6.33) 보다 높았습니다.
• 생물학적 타당성 검증:
  • 약물 메커니즘 복원: 미세소관 파괴 (Cevipabulin, Podophyllotoxin), DNA 손상 (Camptothecin), MAPK 경로 억제 (Dabrafenib) 등 알려진 약물 작용 기전이 생성된 이미지와 유전자 발현에서 정확히 재현되었습니다.
  • 유전자 풍부 분석 (GSEA): EMT, p53, apoptosis 등 약물 처리에 기대되는 생물학적 경로가 활성화됨이 확인되었습니다.
  • UMAP/t-SNE 분석: 생성된 치료 샘플이 실제 치료 샘플과 클러스터링되어 있으며, 교차 어텐션이 모달리티 간 정렬을 효과적으로 수행함을 보여줍니다.

5. 의의 및 결론 (Significance)

• 가상 약물 스크리닝: 실제 실험 없이 약물의 분자 메커니즘과 세포 형태 변화를 동시에 예측할 수 있어, 약물 발견 과정의 비용과 시간을 단축할 수 있습니다.
• 메커니즘 발견: 전사체와 형태학의 상관관계를 분석함으로써 새로운 약물 작용 기전을 가설화하고 검증하는 데 기여합니다.
• 미래 전망: 이 연구는 약물 반응의 분자적 메커니즘과 관찰 가능한 표현형 사이의 간극을 메우는 통합적 생성 모델링의 기초를 마련했습니다. 향후 새로운 화합물이나 세포주로 일반화하기 위한 데이터 확보 및 세포 간 상호작용 모델링 등의 과제가 남아있으나, 다중 모달 생성 AI 의 새로운 지평을 열었다는 점에서 의의가 큽니다.

이 논문은 PertFlow를 통해 약물 처리에 대한 세포의 복합적인 반응을 통합적으로 이해하고 생성할 수 있는 강력한 도구를 제시하며, 계산 생물학과 생성 AI 의 융합을 한 단계 진전시켰습니다.