A latent space thermodynamic model of cell differentiation

이 논문은 단일 세포 데이터에서 세포 분화의 연속적인 궤적을 재구성하고 운명 결정 및 가소성을 정량화하기 위해 잠재 공간 역학 (LSD) 이라는 열역학 기반 프레임워크를 제안합니다.

핵심

1. 문제: 세포는 왜 변할까요? (등산과 지도의 부재)

세포 differentiation(분화) 은 마치 어린아이가 성장하여 성인이 되는 과정과 같습니다. 하지만 과학자들은 세포가 "어떤 길"을 통해 "어떤 직업 (세포 종류)"을 선택하는지 정확히 알지 못했습니다.

기존의 방법들은 마치 산의 지도가 없이, 등산객들이 어디에 있는지 찍은 사진만 보고 "아, 저 사람은 산 정상으로 가고 있겠지"라고 추측하는 것과 비슷했습니다. 하지만 이 추측은 종종 틀리거나, 세포가 왜 그 길을 선택했는지, 다른 길이 있는지 알려주지 못했습니다.

2. 해결책: LSD (가상 지도와 날씨 예보)

이 연구팀이 개발한 LSD는 세포의 변화를 **'에너지가 있는 산 (Waddington Landscape)'**으로 비유합니다.

• 산의 골짜기 (Potential): 세포가 안정적으로 머무는 곳입니다. 예를 들어, '간세포'나 '피부세포'가 되는 골짜기처럼 깊고 안정된 곳입니다.
• 언덕과 장벽: 세포가 한 종류에서 다른 종류로 넘어가려면 이 언덕을 넘어야 합니다.
• 날씨 (Entropy/무질서도): 세포가 길을 잃거나 여러 갈래로 갈라질 수 있는 '혼란스러운 상태'를 말합니다.

LSD 의 핵심 아이디어:
이 시스템은 세포들의 과거 데이터 (단일 세포 RNA 시퀀싱) 를 학습하여 가상의 3D 지도를 그립니다. 그리고 세포가 이 지도 위에서 **어디로 굴러갈지 (어떤 세포가 될지)**를 물리 법칙처럼 계산해냅니다.

3. LSD 가 할 수 있는 놀라운 일들

① 미래 예측 (내비게이션)

기존 방법들은 세포가 지금 어디에 있는지만 알려주었습니다. 하지만 LSD 는 **"이 세포가 계속 굴러가면 어디에 도착할까?"**를 예측합니다. 마치 내비게이션이 "지금 이 길로 가면 30 분 뒤에 목적지에 도착합니다"라고 알려주는 것처럼, 아직 분화되지 않은 세포가 나중에 어떤 세포가 될지 미리 알려줍니다.

• 실제 성과: 이 논문에서는 LSD 가 다른 기존 방법들보다 훨씬 정확하게 세포의 진화 방향을 예측했다고 합니다. 마치 나침반이 고장 난 기존 방법들과 달리, LSD 는 정확한 GPS 를 가진 것과 같습니다.

② 보지 못한 길도 예측 (일반화)

LSD 는 훈련 데이터에 없는 새로운 세포 종류도 이해할 수 있습니다.

• 비유: 마치 비행기 조종사가 비행기를 조종하는 법을 배웠을 때, 이전에 타보지 않은 새로운 공항에도 착륙할 수 있는 것과 같습니다.
• 실험: 연구팀은 훈련 데이터에서 특정 세포 종류를 뺐는데도, LSD 는 그 세포가 어떤 경로로 변할지 정확히 맞춰냈습니다.

③ 유전자 조작 시뮬레이션 (게임의 규칙 바꾸기)

LSD 는 컴퓨터 안에서 유전자를 끄거나 (Knockout) 켜는 시뮬레이션을 할 수 있습니다.

• 비유: 게임에서 특정 캐릭터의 능력을 변경했을 때, 게임의 전체 흐름이 어떻게 바뀌는지 미리 보는 것과 같습니다.
• 결과: 예를 들어, 'noto'라는 유전자를 끄자, 세포들이 원래 가려던 '척추' 길 대신 '뇌' 길로 갔습니다. 이는 실제 생물학 실험과 일치하는 결과로, LSD 가 세포의 '운명 결정'에 어떤 유전자가 중요한지 찾아낼 수 있음을 보여줍니다.

④ 혼란도 측정 (Plasticity/가소성)

가장 흥미로운 점은 **엔트로피 (Entropy)**를 측정한다는 것입니다.

• 비유: 세포가 여러 갈래로 갈라질지, 아니면 한 길로 확실히 결정될지를 나타내는 **'혼란도'**입니다.
  • 어린 세포 (줄기세포): 혼란도가 높음 (여러 길이 열려 있음 = 유연함).
  • 성숙한 세포: 혼란도가 낮음 (한 길로 확정됨 = 안정적).
• 암 연구: 흥미롭게도, 암세포는 정상적인 성장 과정과 달리 중간 단계에서 혼란도가 다시 높아지는 현상을 보였습니다. 이는 암세포가 다시 유연해져서 다른 조직으로 퍼지거나 (전이), 약에 저항하는 능력을 얻는다는 뜻입니다. LSD 는 이 '암의 변신 능력'을 수치로 잡아냅니다.

4. 요약: 왜 이 연구가 중요한가요?

이 논문은 세포가 어떻게 변하는지 단순히 사진을 찍는 것을 넘어, 동적인 지도와 물리 법칙으로 설명합니다.

• 기존: "저 세포는 A 에서 B 로 가는 것 같다." (추측)
• LSD: "A 에서 B 로 가는 이유는 에너지가 낮은 골짜기 때문이며, 만약 C 유전자를 끄면 D 로 갈 것이다. 그리고 이 세포는 아직 갈림길에 있어 유연성이 높다." (정확한 예측과 설명)

이 기술은 새로운 치료법 개발, 암의 전이 메커니즘 이해, 그리고 줄기세포를 원하는 세포로 변형시키는 방법을 찾는 데 큰 도움을 줄 것으로 기대됩니다. 마치 복잡한 미로에 갇힌 세포들에게 정확한 출구 지도를 쥐어주는 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 핵심 문제: 단일 세포 생물학에서 세포 분화의 역학을 지배하는 법칙을 추론하는 것은 여전히 큰 도전 과제입니다. 세포가 현재 상태에서 미래의 운명 (분화된 상태) 으로 어떻게 이동하는지를 설명하는 수학적 프레임워크가 부족합니다.
• 기존 방법의 한계:
  • 가상 시간 (Pseudo-temporal ordering): 세포를 연속체로 배열하지만, underlying process(근본적인 과정) 에 대한 통찰이 제한적입니다.
  • 최적 수송 (Optimal Transport): 이산적인 시간 스냅샷 간의 매핑은 가능하지만, 단일 스냅샷 내의 단기 역학을 포착하지 못합니다.
  • RNA Velocity: 유전자의 스플라이싱 동역학을 기반으로 하지만, 선형 ODE(상미분방정식) 기반의 1 차 근사를 사용하여 비선형 시스템의 특징인 다중 안정성 (multistability) 이나 메타안정성 (metastability) 을 포착하지 못합니다. 또한 유전자 간 결합이 분리되어 있어 일반적인 세포 상태와 역학 간의 매핑을 제공하지 못합니다.
• 목표: 생물학적 해석 가능성을 유지하면서도 분화 역학의 비선형적이고 고차원적인 특성을 포착할 수 있는 새로운 모델 개발.

2. 방법론 (Methodology): LSD (Latent Space Dynamics)

저자들은 세포 분화를 잠재 공간 (Latent Space) 에서 학습된 워딩턴 (Waddington) 풍경 (Energy Landscape) 상의 진화로 모델링하는 열역학 기반 프레임워크인 LSD를 제안했습니다.

• 열역학적 프레임워크:
  • 세포 분화를 에너지 우물 (attractor states) 사이를 넘나드는 확률적 전이로 간주합니다.
  • **과감쇠 랑주뱅 방정식 (Overdamped Langevin Equation)**을 사용하여 세포 상태의 시간적 진화를 모델링합니다:
    $$dz_t = -\nabla V(z_t)dt + \Sigma(z_t, t)dW_t$$
    • $-\nabla V(z_t)$: 워딩턴 잠재력 (Waddington potential) 의 기울기. 분화를 유도하는 드리프트 항.
    • $\Sigma dW_t$: 확률적 요동 (노이즈). 세포 운명의 다양성을 생성하는 열적 요동과 유사한 역할.
• 모델 아키텍처:
  • 잠재 상태 (Latent State): 고차원 유전자 발현 데이터를 저차원 연속적인 세포 상태 ($z$) 로 인코딩합니다.
  • 분화 상태 (Differentiation State): 세포 상태를 2 차원으로 압축하여 분화 경로를 시각화합니다.
  • 워딩턴 잠재력 (Potential Function): 양수 값을 갖는 MLP(다층 퍼셉트론) 로 파라미터화되어 안정성을 보장하며, 그 음의 기울기가 신경 ODE(Neural ODE) 를 정의합니다.
  • 발달 엔트로피 (Developmental Entropy): 주어진 세포 상태에서의 분화 상태 분포의 조건부 섀넌 엔트로피를 계산하여 세포의 가소성 (plasticity) 을 정량화합니다.
• 학습 과정:
  • 시간 순서가 있는 단일 세포 데이터 (또는 가상 시간을 기반으로 생성된 합성 시계열 데이터) 를 입력으로 받습니다.
  • **변분 추론 (Variational Inference, SVI)**을 통해 인코더, 디코더, 신경 ODE, 잠재력을 공동으로 학습합니다.
  • 정규화: 물리적으로 타당한 경로를 보장하기 위해 최적 수송 (Optimal Transport) 정규화 항을 추가하여 학습된 역학이 Wasserstein 측지선을 따르도록 제약합니다.

3. 주요 기여 및 결과 (Key Contributions & Results)

가. 역학 재구성 및 벤치마크 성능

• 안정적인 어트랙터: LSD 는 다양한 생물학적 시스템 (조혈, 적혈구 발생, 췌장 발달 등) 에서 학습된 워딩턴 잠재력이 분화 과정에서 감소함을 보여주며, 세포가 안정적인 어트랙터 상태 (최종 운명) 로 수렴함을 입증했습니다.
• 기존 방법 대비 우수성: CellRank 및 다양한 RNA Velocity 방법 (UniTVelo, scVelo 등) 과 비교한 결과, LSD 는 CBDir (Cross-Boundary Direction Correctness) 점수에서 일관되게 높은 정확도를 보였습니다. 특히 기존 방법들이 역방향 분화를 예측하거나 방향성을 잃었던 데이터셋에서도 LSD 는 생물학적으로 타당한 방향성을 복원했습니다.

나. 보이지 않는 세포 유형에 대한 일반화 (Generalization)

• 미시적 예측: 훈련 데이터에서 특정 세포 유형을 제외하고 학습한 후, 해당 세포 유형을 추론 단계에서만 입력하여 테스트했습니다.
• 결과: LSD 는 훈련 중 보지 못한 세포 유형 (예: 췌장 발달의 Fev+ Alpha/Beta 세포, 성숙한 뉴런) 에 대해서도 정확한 운명 분포와 분화 경로를 예측했습니다. 이는 LSD 가 단순한 보간 (interpolation) 을 넘어 외삽 (extrapolation) 이 가능한 역학 모델을 학습했음을 의미합니다.

다. 인실리코 (In silico) 유전자 교란 분석

• 메커니즘 규명: 학습된 잠재력 풍경에서 특정 유전자의 발현을 0 으로 설정 (Knockout) 하거나 변경하여 세포 운명에 미치는 영향을 시뮬레이션했습니다.
• 성공 사례:
  • 제브라피시 축 중배엽: noto 유전자 교란 시 초기 배아 세포가 전척판 (prechordal plate) 운명으로 재프로그래밍되는 것을 정확히 예측했습니다.
  • 마우스 대뇌 피질: Sox2, Pax6 등 잘 알려진 조절 인자를 교란했을 때 억제성/흥분성 뉴런 운명 전환이 예측되었으며, 이는 기존 문헌 및 실험적 데이터와 일치했습니다.
  • 상위 조절 인자 식별: 단순한 발현 차이를 기반으로 한 유전자 정렬보다 LSD 기반 교란 분석이 분화 조절 인자를 훨씬 정확하게 식별했습니다.

라. 발달 엔트로피를 통한 가소성 (Plasticity) 정량화

• 정상 발달: 조혈 및 발생 과정에서 엔트로피는 초기 전구 세포에서 높다가 분화가 진행됨에 따라 단조롭게 감소하여 가소성 상실을 반영했습니다.
• 암 진행 (폐 선암): 정상 발달과 달리, 암 진행 경로에서는 엔트로피가 중간 단계 (고 가소성 상태) 에서 증가하다가 전이성 상태로 안정화되면서 감소하는 비단조적 (non-monotonic) 패턴을 보였습니다.
• 통계적 유의성: LSD 가 추정한 엔트로피는 계통 추적 (lineage tracing) 기반의 실험적 가소성 측정치와 유의미한 상관관계 ($r=0.355$) 를 보였으며, 가상 시간 (pseudotime) 만을 사용한 모델보다 가소성 예측력이 뛰어났습니다.

4. 의의 및 결론 (Significance)

• 이론적 통합: 세포 분화를 열역학적 시스템 (에너지와 엔트로피의 경쟁) 으로 재해석하여, 워딩턴의 개념적 풍경에 수학적 엄밀함과 계산적 실현 가능성을 부여했습니다.
• 예측 능력: 단순한 데이터 묘사를 넘어, 보이지 않는 세포 유형에 대한 운명 예측, 유전자 교란에 따른 풍경 변화 시뮬레이션 등 예측적 (Predictive) 기능을 제공합니다.
• 암 연구 적용: 암세포의 비유전적 가소성 (non-genetic plasticity) 과 전이 메커니즘을 엔트로피를 통해 정량화함으로써, 암 치료 표적 발굴 및 내성 메커니즘 이해에 새로운 통찰을 제공합니다.
• 확장성: RNA 시퀀싱 데이터에 국한되지 않고, 다른 오믹스 데이터 모달리티 (후성유전학 등) 로 확장 가능한 유연한 프레임워크를 제시합니다.

이 연구는 단일 세포 역학 모델링에 있어 기존의 통계적 접근을 넘어, 물리학적 원리 (열역학) 와 딥러닝을 결합한 새로운 패러다임을 제시했다는 점에서 의의가 큽니다.