Classification with Missing Data - A NIFty Pipeline for Single-Cell Proteomics

이 논문은 단일 세포 프로테오믹스 데이터의 결측치 보정 없이도 배치 효과를 극복하고 순환 분석을 피하면서 세포 유형을 정확하게 분류할 수 있는 새로운 머신러닝 파이프라인 'NIFty'를 제안합니다.

핵심

🧩 핵심 문제: "세포 분류"라는 미션의 난관들

과학자들은 이제 한 번에 수천 개의 단백질을 측정하여 세포의 종류를 파악할 수 있게 되었습니다. 마치 수만 개의 조각이 있는 퍼즐을 맞추는 것과 같습니다. 하지만 기존 방법에는 세 가지 큰 문제가 있었습니다.

1. 누락된 조각 (Missing Data): 퍼즐 조각 중 일부가 사라져 있거나, 너무 작아서 보이지 않는 경우가 많습니다. 기존 프로그램은 이 '빈칸'을 채우기 위해 **가짜 조각 (Imputation)**을 만들어 넣어야만 퍼즐을 풀 수 있었습니다. 하지만 이 가짜 조각이 진짜 퍼즐의 그림을 왜곡할 위험이 있었습니다.
2. 이중 사용 (Double Dipping): 퍼즐을 맞추기 위해 조각을 비교하고, 그 결과로 퍼즐 그림을 완성한 뒤, 다시 그 같은 조각들을 가지고 "어떤 그림이 더 잘 그려졌을까?"라고 분석하는 모순이 발생했습니다. 이는 통계적으로 신뢰할 수 없는 결과를 낳습니다.
3. 다른 공장의 퍼즐 (Batch Effects): 퍼즐 조각을 만든 공장 (실험실) 이나 기계가 다르면, 조각의 색감이나 질감이 달라서 서로 비교하기 어렵습니다. A 공장의 퍼즐로 만든 모델을 B 공장의 퍼즐에 적용하면 엉뚱한 결과가 나옵니다.

---

🚀 해결책: NIFty (Never Impute Features, thank you)

이 문제를 해결하기 위해 연구팀이 개발한 **'NIFty'**라는 도구는 세 가지 혁신적인 아이디어를 사용합니다.

1. "절대 가짜 조각을 만들지 않는다" (Missing Data 해결)

기존 방식은 빈칸을 채우려고 애썼지만, NIFty 는 **"빈칸이 있어도 괜찮아"**라고 말합니다.

• 비유: 퍼즐을 풀 때 "이 조각이 저 조각보다 더 큰가?"를 비교하는 대신, "이 조각이 있고 저 조각이 없으면?" 혹은 **"이 조각이 저 조각보다 더 크다면?"**이라는 규칙을 세웁니다.
• 효과: 조각이 하나만 있어도 규칙을 적용할 수 있습니다. 가짜 조각을 만들어 넣을 필요가 없으므로, 데이터의 본래 모습을 해치지 않습니다.

2. "퍼즐 조각끼리만 대화하게 한다" (Double Dipping 해결)

기존 방식은 A 세포와 B 세포의 조각 크기를 비교했지만, NIFty 는 한 세포 안에서 두 조각을 비교합니다.

• 비유: "A 세포의 '빨간 조각'이 '파란 조각'보다 큰가?"를 묻는 것입니다.
• 효과: 세포 A 와 세포 B 를 직접 비교하지 않으므로, 나중에 세포 A 와 B 의 차이를 분석할 때 (예: 어떤 세포가 더 많이 변했는지) 같은 데이터를 두 번 쓰는 모순이 사라집니다.

3. "공장 차이는 무시한다" (Batch Effects 해결)

• 비유: A 공장 (실험실) 에서 만든 퍼즐 조각이 B 공장보다 전체적으로 10% 더 크다고 가정해 봅시다. 하지만 NIFty 는 "A 공장 조각끼리 비교"하므로, 전체 크기가 커지든 작아지든 **상대적인 크기 비교 (누가 더 큰가?)**는 변하지 않습니다.
• 효과: 실험실이나 기계가 달라도 분류 정확도가 떨어지지 않습니다. 별도의 보정 작업 없이도 다른 실험실 데이터를 그대로 쓸 수 있습니다.

---

📊 NIFty 가 얼마나 잘 작동할까? (실험 결과)

연구팀은 NIFty 를 다양한 상황에서 시험해 보았습니다.

• 누락된 데이터 vs 채워진 데이터: 가짜 조각을 넣은 데이터와 넣지 않은 데이터를 비교했을 때, NIFty 는 가짜 조각이 없는 원본 데이터에서 오히려 더 정확하거나 비슷한 성능을 냈습니다.
• 서로 다른 실험실 데이터: 서로 다른 실험실에서 나온 데이터를 섞어 사용해도, NIFty 는 보정 없이도 매우 정확하게 세포를 분류했습니다.
• 복잡한 세포 종류: 세포가 두 가지 종류가 아니라 여러 종류일 때도 잘 작동했습니다.

---

🌟 결론: 왜 이것이 중요한가?

NIFty 는 **"세포 지도 (Atlas)"**를 만드는 데 필수적인 도구입니다.

앞으로 전 세계의 과학자들이 각자 만든 세포 데이터를 하나로 모아서 거대한 세포 백과사전을 만들 계획입니다. 하지만 각자 다른 실험실에서, 다른 기계로, 다른 방법으로 데이터를 만들었기 때문에 이를 하나로 합치는 것은 매우 어려웠습니다.

NIFty 는 이 어려운 장벽을 허물어줍니다.

• 데이터가 불완전해도 상관없습니다.
• 실험실이 달라도 상관없습니다.
• 통계적인 오류를 범하지 않습니다.

결국 NIFty 는 과학자들이 더 빠르고, 더 정확하게, 더 신뢰할 수 있게 세포의 정체성을 파악하고, 새로운 질병 치료법을 찾는 데 도움을 줄 것입니다.

한 줄 요약:

"NIFty 는 가짜 데이터를 만들지 않고, 서로 다른 실험실의 데이터를 비교할 때 생기는 문제를 자연스럽게 해결하여, 세포를 분류하는 가장 똑똑하고 안전한 길잡이가 되어줍니다."

기술 요약

논문 요약: 단일 세포 프로테오믹스를 위한 결측 데이터 처리 및 분류 파이프라인 NIFty

1. 문제 정의 (Problem)

단일 세포 프로테오믹스 (SCP) 는 세포 유형 특성화, 궤적 추론, 미세 환경 매핑 등에 필수적이지만, 데이터derived 라벨링 (기계 학습을 통한 세포 식별) 에는 다음과 같은 세 가지 주요 통계적 및 계산적 한계가 존재합니다.

1. 이중 침범 (Double Dipping): 기존 분류기나 클러스터링 방법은 샘플 간 단백질 발현량을 비교하여 라벨을 지정합니다. 이후 하류 분석 (예: 차등 발현 분석) 에서 동일한 데이터를 다시 사용하면 통계적 유의성이 인위적으로 과대평가되어 유효하지 않은 결과가 나옵니다.
2. 결측값 보간 (Missing-value Imputation): SCP 데이터는 검출 한계 미만, 확률적 노이즈 등으로 인해 많은 결측값을 포함합니다. 기존 기계 학습 알고리즘은 완전한 데이터를 요구하므로, 분류 전 결측값을 보간해야 합니다. SCP 의 낮은 단백질 양으로 인해 보간 비율이 높으며, 이는 실제 생물학적 변이를 왜곡하거나 가릴 수 있습니다.
3. 배치 효과 (Batch Effects): 서로 다른 실험, 장비, 시료 준비 과정에서 발생하는 배치 효과로 인해 참조 데이터셋과 실험 데이터셋 간의 단백질 측정값을 직접 비교하기 어렵습니다. 이는 외부 데이터로 훈련된 분류기의 정확도를 크게 떨어뜨립니다.

2. 방법론 (Methodology: NIFty)

저자들은 위 세 가지 문제를 해결하기 위해 NIFty (Never Impute Features, thank you) 라는 새로운 분류 파이프라인을 제안했습니다. NIFty 는 '최고 점수 쌍 (Top-Scoring Pairs, TSP)' 개념을 프로테오믹스에 맞게 개선하여 구현했습니다.

• 핵심 아이디어: 샘플 내 단백질 쌍 비교

  • 기존 방법: 샘플 간 단백질 A 의 발현량 비교 (배치 효과에 민감, 이중 침범 유발).
  • NIFty 접근법: 동일한 샘플 내에서 두 단백질 (Protein 1 vs Protein 2) 의 관계를 규칙으로 정의합니다.
    • 규칙 예시: "Protein 1 > Protein 2" 또는 "Protein 1 은 존재하고 Protein 2 는 부재".
    • 결과: 이 규칙이 참이면 1, 거짓이면 0 인 이진 (Binary) 특징 행렬을 생성합니다.
  • 장점:
    • 배치 효과 극복: 샘플 간 절대값 비교가 아닌 샘플 내 상대적 비교이므로, 배치 간 절대값 차이 (배치 효과) 가 분류에 영향을 주지 않습니다.
    • 이중 침범 방지: 분류에 사용된 특징 (규칙) 은 샘플 내 비교이므로, 하류 분석에서 샘플 간 발현량 비교 (차등 발현 등) 를 다시 수행해도 데이터 중복 사용 문제가 발생하지 않습니다.
    • 결측값 처리: 규칙을 "단백질 1 이 2 보다 큼" 또는 "1 은 있고 2 는 없음"으로 확장하여, 결측값이 있는 경우에도 완전한 이진 특징 행렬을 생성할 수 있습니다. 따라서 보간 (Imputation) 이 불필요합니다.

• 특징 선택 (Feature Selection) 전략

  • 필터링: 각 클래스에서 결측값 비율이 임계값 (기본 50%) 을 초과하는 단백질 제거.
  • 점수 부여: 각 규칙이 특정 클래스를 얼마나 잘 구분하는지 점수화 (Gemen et al. 의 TSP 점수 함수 사용).
  • 통계적 유의성: 순열 테스트 (Permutation test) 를 통해 p-값 계산. 유사한 '참/거짓' 비율을 가진 규칙들을 묶어 (binning) 계산 효율성을 높였습니다.
  • 중복 제거: 상호 정보량 (Mutual Information) 을 계산하여 이미 선택된 규칙과 정보 중복이 높은 규칙은 제외하고, 서로 다른 정보를 제공하는 규칙들만 최종 특징으로 선택합니다.

• 모델 학습 및 적용

  • 선택된 규칙들을 기반으로 SVM 또는 Random Forest 모델을 훈련합니다.
  • 다중 클래스 (Multiclass) 분류를 위해 'One-vs-Rest' 전략을 사용하여 각 클래스별 특징을 생성한 후 통합합니다.

3. 주요 결과 (Key Results)

NIFty 는 다양한 SCP 데이터셋 (보간된 데이터 vs 비보간 데이터, 대규모 배치 효과 포함 데이터, 다중 클래스 데이터) 을 통해 검증되었습니다.

• 결측 데이터 처리 성능:

  • 보간 (Imputed) 데이터와 비보간 (Unimputed) 데이터 모두에서 분류 정확도가 유사하거나, 비보간 데이터에서 오히려 약간 더 높은 성능을 보였습니다.
  • 10 개 이상의 다양한 데이터셋 (Ai, Furtwängler, Khan 등) 에서 50100 개 샘플/클래스 조건으로 100 회 반복 실험 시, 두 조건 간 정확도 차이는 평균 0.30.6% 내외로 미미했습니다.
  • 이는 NIFty 가 보간 없이도 결측값을 효과적으로 처리할 수 있음을 입증했습니다.

• 배치 효과 극복:

  • HUPO 단일 세포 이니셔티브의 8 개 배치 (Batch) 데이터셋을 사용하여 검증했습니다.
  • 교차 정규화 (Cross-run normalization) 를 수행하지 않은 원시 데이터에서도 NIFty 는 정규화된 데이터와 동등하거나 더 나은 분류 정확도를 보였습니다.
  • 특히 3 개 미만의 배지로 훈련된 경우 비정규화 데이터의 성능이 더 우수했으며, 배지가 증가할수록 두 조건 간 성능 차이가 사라졌습니다. 이는 NIFty 가 배치 보정 없이도 외부 데이터에 대한 일반화 능력을 갖추고 있음을 의미합니다.

• 다중 클래스 분류:

  • 인간 유도 만능 줄기세포 (iPSC) 의 분화 과정 (Day 0~21) 데이터를 사용하여 다중 클래스 분류를 수행했습니다.
  • Day 10 과 Day 21 (심장근세포) 과 같이 유사한 단계는 분류가 어려웠으나, 전체적으로 높은 정확도를 보였으며, 특히 초기 분화 단계에서는 매우 정확한 분류가 가능했습니다.

4. 기여 및 의의 (Contributions & Significance)

• 통계적 엄밀성 확보: NIFty 는 '이중 침범' 문제를 근본적으로 해결하여, 분류 후 차등 발현 분석 등 하류 분석의 신뢰성을 높였습니다.
• 데이터 전처리 간소화: 복잡한 결측값 보간 과정을 제거함으로써, 데이터의 생물학적 변이를 왜곡할 위험을 줄이고 분석 파이프라인을 단순화했습니다.
• 단일 세포 프로테오믹스 아틀라스 구축의 핵심 도구:
  • 다양한 실험실과 장비에서 생성된 데이터 (배치 효과 포함) 를 통합하여 세포 유형별 참조 데이터셋 (아틀라스) 을 구축할 수 있게 합니다.
  • NIFty 는 배치 보정이 필요 없으므로, 서로 다른 연구에서 생성된 데이터를 직접 통합하여 강력한 분류 모델을 학습할 수 있습니다.
  • 저자들은 아틀라스의 견고성을 위해 최소 3 개 이상의 서로 다른 실험실 데이터가 포함되어야 한다고 제안하며, NIFty 가 이를 가능하게 하는 핵심 알고리즘임을 강조합니다.
• TMT 데이터의 한계 지적: 동시 다중 표지 (TMT) 데이터는 교차 샘플 정규화 (Bridge sample) 가 포함되어 있어 '샘플 내 비교'가 불가능하므로 NIFty 와 같은 아틀라스 구축에는 적합하지 않음을 지적했습니다.

5. 결론

NIFty 는 단일 세포 프로테오믹스 데이터의 고유한 도전 과제 (결측값, 배치 효과, 이중 침범) 를 해결하는 최초의 통합 분류 파이프라인입니다. 이 도구는 보간 없이도 높은 정확도의 세포 라벨링을 가능하게 하며, 대규모 단일 세포 프로테오믹스 아틀라스 구축과 이를 활용한 정밀한 생물학적 발견을 위한 필수적인 기술적 기반을 제공합니다.