Benchmarking zero-shot single-cell foundation model embeddings for cellular dynamics reconstruction

이 논문은 단일세포 기초 모델 (scFM) 의 제로샷 임베딩이 기존 HVG 기반 방법보다 세포 역학 재구성에서 성능이 떨어지며, 특히 시간적 신호의 과도한 압축으로 인해 분기 구조가 왜곡되는 '시간적 압축' 병목 현상을 발견했다고 요약할 수 있습니다.

핵심

🍳 핵심 비유: "요리 레시피 vs. AI 요리사"

생물학자들은 세포가 어떻게 변해가는지 (예: 태아가 성인이 되거나, 암세포가 생기는 과정) 를 이해하기 위해 세포를 '사진'처럼 찍어냅니다. 하지만 세포는 살아있기 때문에 같은 세포를 계속 찍을 수 없으므로, 시간이 지날 때마다 다른 세포들을 찍어서 이어 붙여야 합니다. 이를 '세포의 여정 (궤적) 을 재구성한다'고 합니다.

이 연구는 두 가지 방법을 비교했습니다.

1. 기존 방법 (HVG-PCA): "가장 중요한 재료 (유전자) 만 골라 전통적인 방식으로 요리하는 것."
   • 단순히 변화가 큰 핵심 재료들만 뽑아내어, 세포가 어떻게 변하는지 차근차근 분석하는 신뢰할 수 있는 전통적인 방식입니다.
2. 새로운 AI 방법 (기초 모델, scFM): "수백만 권의 요리책을 읽은 '천재 AI 요리사'에게 맡기는 것."
   • 엄청난 양의 데이터를 학습한 최신 AI 모델입니다. 이 AI 는 세포의 상태를 한눈에 파악할 수 있는 '요리사만의 비법 노트 (임베딩)'를 만들어냅니다.

🔍 연구 결과: "AI 가 실패한 이유"

연구진은 이 두 방법을 이용해 과거를 되돌아보기 (Backtracking), 사이를 채우기 (Interpolation), **미래를 예측하기 (Extrapolation)**라는 세 가지 미션을 수행했습니다. 결과는 놀라웠습니다.

결론: "천재 AI 요리사 (기초 모델) 가 오히려 전통적인 방식 (기존 방법) 보다 못했습니다."

왜 그랬을까요? AI 가 가진 치명적인 단점을 발견했습니다.

1. "세부적인 맛을 다 버린 AI" (과도한 압축)

AI 는 수백만 개의 데이터를 학습하면서, **"세포의 정체성 (무엇인지)"**은 잘 기억하지만, **"변화하는 과정 (어떻게 변하는지)"**은 중요하지 않은 잡음으로 치부해버렸습니다.

• 비유: 마치 고해상도 사진을 너무 많이 압축해서, 사진 속 사람의 얼굴은 뚜렷하지만 표정이나 눈빛 같은 '미묘한 감정 변화'는 모두 지워버린 것과 같습니다.
• 세포가 A 에서 B 로 변할 때의 미묘한 순간들이나 **갈라지는 길 (분기)**을 AI 가 지워버려서, 과거를 되돌리거나 미래를 예측할 때 엉뚱한 결과를 내놓았습니다.

2. "모든 것을 평평하게 만드는 AI" (선형화)

세포의 변화는 종종 가지가 갈라지거나 (분화), 복잡한 곡선을 그리며 진행됩니다. 하지만 AI 는 복잡한 곡선을 일직선으로만 보려는 성향이 있습니다.

• 비유: 산길 (복잡한 세포 변화) 을 지도에 그릴 때, AI 는 "어차피 다 같은 길이야"라고 생각해서 산길을 모두 평평한 도로로 만들어버린 것입니다. 그래서 실제 산길의 가파른 경사나 갈림길을 제대로 예측하지 못했습니다.

💡 이 연구가 우리에게 주는 메시지

1. AI 가 만능은 아닙니다: 최신 AI 모델이 모든 분야에서 기존 방법을 이기는 것은 아닙니다. 특히 **'시간에 따른 변화'**를 다루는 일에서는 아직 갈 길이 멉니다.
2. 단순함이 강력할 때가 있습니다: 복잡한 AI 보다는, 핵심 변화만 쫓는 단순하고 투명한 전통적인 방법이 세포의 움직임을 예측하는 데 더 정확했습니다.
3. 미래의 방향: 앞으로 개발될 AI 는 세포가 '무엇인지'만 기억하는 것이 아니라, '어떻게 변해가는지'라는 시간의 흐름을 그대로 보존하도록 설계되어야 합니다.

📝 한 줄 요약

"수많은 책을 읽은 AI 가 세포의 변화를 예측하려 했으나, 오히려 중요한 '시간의 흐름'과 '미묘한 변화'를 지워버려 실패했습니다. 세포의 여정을 추적할 때는 아직 전통적인 방법이 더 낫습니다."

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 시간 해상도가 있는 단일 세포 전사체 (scRNA-seq) 데이터를 통해 세포의 분화, 발달, 질병 진행 과정을 재구성하는 것은 생물학의 핵심 과제입니다. 그러나 실험적으로 동일한 세포를 시간에 따라 연속적으로 관측할 수 없으므로, 단편적인 스냅샷 데이터로부터 연속적인 역학을 추론해야 합니다.
• 기존 접근법: 전통적으로 고변이 유전자 (HVG) 를 선택하고 주성분 분석 (PCA) 등을 통해 저차원 임베딩을 생성한 후, 최적 수송 (Optimal Transport, OT) 기반 방법을 사용하여 세포 흐름을 추정합니다.
• 새로운 접근법과 의문점: 최근 대규모 데이터로 사전 학습된 단일 세포 기반 모델 (Geneformer, scGPT 등) 이 등장했습니다. 이러한 모델이 보편적인 생물학적 표현을 학습하여 역학 추론에도 더 나은 성능을 보일 것이라는 기대가 있었으나, 제로샷 (Zero-shot) 설정에서 역동적인 작업 (trajectory inference) 에 대한 성능은 체계적으로 평가되지 않았습니다.
• 핵심 질문: scFMs 의 임베딩이 세포 상태의 비선형적 역학 (분기, 연속적 전이) 을 보존하여 역학 재구성에 HVG 기반 기법보다 우위를 점할 수 있는가?

2. 방법론 (Methodology)

연구팀은 임베딩의 품질과 하위 역학 추론 모델을 분리하여 평가하는 벤치마킹 프레임워크를 구축했습니다.

• 데이터셋: 분화, 발달, 병리적 전이, 재프로그래밍 등 다양한 생물학적 과정을 포괄하는 5 개의 공개된 시간 계열 scRNA-seq 데이터셋 (EMT, Mouse HSPC, Veres, EBdata, HSPC) 을 사용했습니다.
• 임베딩 비교 대상:
  • Baseline: 고변이 유전자 (HVG) 선택 후 PCA 적용.
  • Foundation Models (scFMs): Geneformer, Genecompass, scGPT, UCE, scFoundation 등 5 가지 모델. (모든 모델은 사전 학습된 인코더의 [CLS] 토큰 임베딩을 사용).
• 역학 추론 방법 (Trajectory Inference):
  • 임베딩 공간에서 4 가지 최적 수송 (OT) 기반 방법을 적용:
    1. Dynamical Optimal Transport (DOT)
    2. Unbalanced Dynamical Optimal Transport (UOT)
    3. Dynamical Schrödinger Bridge
    4. Regularized Unbalanced Optimal Transport (RUOT)
• 평가 시나리오 (3 가지):
  1. Backtracking (역추적): 후기 시점을 학습하여 초기 조상 (progenitor) 상태 재구성.
  2. Interpolation (보간): 관측된 시간점 사이의 중간 상태 재구성.
  3. Extrapolation (외삽): 관측된 마지막 시점 이후의 미래 상태 예측.
• 평가 지표:
  • 분포 회복 (Distributional Recovery): 예측된 세포 상태 분포와 실제 관측 분포 간의 Wasserstein-1 거리 (EMD).
  • 시간적 순서 정확도 (Temporal Ordering): 추론된 의사시간 (pseudotime) 과 기준 의사시간 간의 스피어만 상관관계.
  • 국소 속도 일관성 (Local Velocity Coherence): 이웃 세포 간 추정된 속도 벡터의 방향 일치도 (코사인 유사도).
• 정렬 (Alignment): 서로 다른 모델의 임베딩 공간 차이를 보정하기 위해 일반화 프로크루스테스 분석 (GPA) 을 사용하여 공통 잠재 공간에 정렬 후 평가했습니다.

3. 주요 결과 (Key Results)

• HVG 기반 기법의 우월성: 대부분의 작업 (역추적, 보간, 외삽) 과 평가 지표에서 HVG-PCA 기반 임베딩이 모든 scFMs 보다 일관되게 우수한 성능을 보였습니다.
  • 특히 **분포 회복 (Wasserstein-1 거리)**과 국소 속도 일관성 측면에서 HVG 가 압도적으로 좋았습니다.
  • scFMs 은 관측되지 않은 세포 상태의 분포적 복잡성을 재구성하는 데 어려움을 겪었습니다.
• 시간적 신호의 압축 (Temporal Compression):
  • scFMs 임베딩은 시간적 변이 (temporal variance) 를 과도하게 압축하는 경향이 있었습니다. '시간 분산 비율 (TVR)' 분석 결과, scFMs 은 시간 단계 간의 거리를 줄여 분별력을 떨어뜨렸습니다.
  • 이는 마치 배치 효과 (batch effect) 를 보정하는 과정에서 시간적 신호까지 제거하는 것과 유사한 현상이었습니다.
• 분기 구조의 왜곡 (Branching Structure Distortion):
  • 세포 분화 경로가 갈라지는 (branching) 시나리오 (예: 췌장 세포 분화, 조혈모세포 분화) 에서 scFMs 임베딩은 서로 다른 운명 (fate) 을 가진 세포 군집 (예: SC-β vs SC-EC, 중성구 vs 단핵구) 을 서로 유사하게 만들어 분기 구조를 선형화 (linearization) 하거나 모호하게 만들었습니다.
  • 이로 인해 역학 추론 알고리즘이 분기점을 제대로 파악하지 못해 잘못된 흐름을 예측했습니다.
• 모델별 차이: Geneformer 와 scGPT 가 다른 scFMs 보다 상대적으로 나았으나 여전히 HVG 를 능가하지 못했습니다. scFoundation 은 표현값 인코딩 방식 때문에 가장 성능이 낮았습니다.

4. 핵심 기여 및 통찰 (Contributions & Insights)

• 역동적 작업에서의 scFM 한계 규명: 기존 벤치마킹이 클러스터링, 주석 부여 등 정적 (static) 작업에 집중했던 반면, 본 연구는 세포 역학 재구성이라는 동적 작업에서 scFM 이 오히려 단순한 HVG 기법보다 열등할 수 있음을 최초로 체계적으로 증명했습니다.
• 메커니즘 분석 (Temporal-Compression Bottleneck): scFMs 이 대규모 데이터 학습 과정에서 기술적 변이 (noise) 를 제거하려다 **생물학적으로 중요한 미세한 시간적 신호와 분기 구조를 과도하게 제거 (over-compress)**하여 역학 추론에 필요한 정보를 잃어버린다는 '시간 - 압축 병목 현상'을 발견했습니다.
• 임베딩의 본질적 편향: 현재의 자기지도 학습 (self-supervised) 목적함수는 '안정적인 세포 정체성 (cell identity)'을 우선시하도록 설계되어 있어, '일시적인 전이 상태 (transient states)'나 '과정 특이적 신호'를 표현하는 데 불리함을 지적했습니다.

5. 의의 및 결론 (Significance)

• 현실적 조언: 현재 제로샷 설정의 scFMs 은 세포 역학 재구성을 위한 임베딩으로 사용하기에는 적합하지 않으며, HVG 기반의 전통적인 접근법이 여전히 더 강력하고 견고한 베이스라인임을 확인했습니다.
• 미래 방향: 차세대 역학 인식 (dynamics-aware) 기반 모델을 개발하기 위해서는 단순히 대규모 데이터를 학습하는 것을 넘어, 시간적 차이와 분기 구조를 명시적으로 보존하도록 모델 아키텍처와 학습 목적함수를 재설계해야 함을 시사합니다.
• 방법론적 기여: 임베딩 품질을 하위 모델과 분리하여 평가하는 체계적인 벤치마킹 프레임워크를 제시하여, 향후 단일 세포 모델 개발 및 평가에 중요한 기준을 마련했습니다.

요약하자면, 이 논문은 "대규모 사전 학습 모델이 항상 더 좋은가?"라는 질문에 대해, 세포의 역동적인 변화를 추적하는 작업에서는 오히려 단순하고 직접적인 HVG 기반 표현이 더 효과적일 수 있음을 증명하고, 그 원인이 모델이 시간적 신호를 과도하게 압축하기 때문임을 규명한 중요한 연구입니다.