A Context-Aware Single-Cell Proteomics Analysis pipeline.

단일 세포 프로테오믹스 데이터의 고유한 특성을 반영하고 대규모 언어 모델의 한계를 보완하는 자동화된 분석 파이프라인 'CASPA'를 개발하여 다양한 생물학적 컨텍스트에서 재현 가능하고 신뢰할 수 있는 세포 유형 주석을 제공하는 방법을 제시했습니다.

핵심

1. 문제 상황: "혼란스러운 파티와 낯선 손님"

생각해 보세요. 수천 명의 사람들이 한 방에 모여 있는 거대한 파티가 있다고 칩시다.

• 단백질 (Proteins): 파티에 온 사람들이 입고 있는 옷이나 들고 있는 소지품입니다.
• 세포 (Cells): 파티에 참석한 각 개인입니다.

기존의 기술 (단일 세포 분석) 은 이 파티에서 "누가 누구인가?"를 파악하려 했지만, 몇 가지 큰 문제가 있었습니다.

1. 옷이 안 보이는 경우 (Informative Missingness): 어떤 사람은 옷을 안 입고 왔을 수도 있고, 옷이 가려져서 안 보일 수도 있습니다. 기존 프로그램은 "옷이 없으면 그 사람은 없다"고 잘못 판단하거나, "옷이 없으면 그냥 없는 거야"라고 무시해버렸습니다. 하지만 단백질 분석에서는 "옷이 안 보인 이유" 자체가 중요한 단서가 됩니다.
2. 소음과 오염 (Ambient Contamination): 파티장에 음식 냄새나 다른 사람의 옷 조각이 떠다니는 것처럼, 단백질 분석에서도 '주변의 잡음'이 섞여 들어옵니다. 이를 '오염'이라고 오해하면 안 됩니다.
3. 수작업의 한계: 이 파티의 참가자들을 분류하려면 전문가가 일일이 옷을 보고 "아, 이 사람은 의사이네, 저 사람은 요리사네"라고 손으로 분류해야 했습니다. 하지만 파티가 너무 커서 (수천 명) 사람이 다 할 수 없었고, 사람마다 판단이 달라서 결과가 일관되지 않았습니다.

2. 해결책: "CASPA"라는 똑똑한 파티 매니저

저희는 이 문제를 해결하기 위해 CASPA라는 새로운 시스템을 만들었습니다. 이 시스템은 마치 매우 똑똑하고 꼼꼼한 파티 매니저처럼 작동합니다.

① 적응형 질 관리 (Adaptive Quality Control)

"무조건 옷을 10 개 이상 입은 사람만 파티에 들어오게 해라"라는 딱딱한 규칙 대신, "이번 파티 분위기에 맞춰서 적당히 필터링하자"라고 유연하게 판단합니다. 파티의 규모와 상태에 따라 기준을 자동으로 조절합니다.

② 반복적인 정돈 (Iterative Batch Correction)

파티가 여러 번 열렸다면 (데이터가 여러 번 실험되었다면), 각 회차마다 분위기 (배치 효과) 가 다릅니다. CASPA 는 한 번에 끝내지 않고, **"이제 섞였나? 아니야? 다시 섞어볼까?"**라고 반복해서 확인하며, 서로 다른 회차의 데이터를 자연스럽게 섞어줍니다. 마치 여러 반죽을 섞어 빵을 만들 때, 반죽이 잘 섞일 때까지 계속 저어주는 것과 같습니다.

③ 다중 모달 마커 발견 (Multi-modal Marker Discovery)

사람을 판단할 때 옷 색깔만 보는 게 아닙니다.

• 옷이 있는지 없는지 (Detection): 옷이 있나?
• 옷의 밝기 (Intensity): 옷이 얼마나 선명하게 빛나나?
• 패턴 (Pathway): 옷을 입은 스타일이 어떤 그룹과 비슷하나?
  이 모든 정보를 종합해서 "이 사람은 확실히 요리사야"라고 결론 내립니다.

3. 핵심 혁신: "AI 와의 대화" (Context-Aware LLM)

가장 획기적인 부분은 **대형 언어 모델 (LLM, AI)**을 활용한다는 점입니다. 하지만 그냥 "이게 뭐야?"라고 묻는 게 아닙니다.

• 기존 방식 (실패): AI 에게 "옷이 하얀색이고, 빵을 들고 있으면 요리사야"라고만 가르쳤습니다. 그런데 파티에 빵을 들고 있는 의사가 오면 AI 는 "아, 빵을 들고 있으니 요리사겠지"라고 잘못 판단합니다.
• CASPA 의 방식 (성공): AI 에게 **맥락 (Context)**을 먼저 설명해 줍니다.
  • "이 파티는 어린이 생일 파티야. (맥락)"
  • "여기서는 성인용 직업은 나올 수 없어. (규칙)"
  • "빵을 들고 있는 건 의사일 수도 있어. (비유: 식세포가 다른 물질을 삼킨 경우)"

이렇게 **3 단계 대화 (Three-round architecture)**를 통해 AI 가 실수할 여지를 줄입니다.

1. 1 단계: "이 파티는 어떤 상황이지?"라고 AI 에게 먼저 물어봐서 상황을 파악하게 합니다.
2. 2 단계: "자, 이제 참가자들의 옷을 보고 분류해 봐."라고 실제 데이터를 보여줍니다.
3. 3 단계: "어? 이 사람은 옷이 좀 이상한데? 혹시 다른 이유가 있을까?"라고 다시 한번 확인하게 합니다.

4. 검증: "실제 파티에서 테스트해 보니?"

이 시스템이 정말 잘 작동하는지 네 가지 다른 '파티' (뇌, 종양, 피부, 췌장) 에서 테스트했습니다.

• 뇌 (발달 중인): "이 아이는 아직 성인이 아니야"라는 맥락을 알려주니, AI 가 "성인 뇌세포"라고 잘못 부르지 않고 "발달 중인 뇌세포"라고 정확히 불렀습니다.
• 종양 (호중구): "이 세포들은 다른 물질을 삼켜서 옷이 더러워진 거야"라고 설명해주니, AI 가 "오염된 쓰레기"라고 버리지 않고 "먹이를 삼킨 세포"라고 정확히 이해했습니다.
• 피부 (FACS 검증): 실제로 기계로 분류된 정답 (FACS) 과 비교했을 때, 90% 이상이 똑같은 결과를 내어 시스템의 정확성을 입증했습니다.
• 췌장 (현미경 검증): 컴퓨터로 분석한 결과가 실제 조직을 현미경으로 봤을 때와 일치하는지 확인했습니다. 예를 들어, "대식세포가 다른 세포 조각을 먹고 있다"는 AI 의 추측이 실제로 현미경에서도 확인되었습니다.

5. 결론: 왜 이것이 중요한가?

이 연구는 **"단일 세포 단백질 분석"**이라는 복잡한 과학을, 자동화되고 신뢰할 수 있는 도구로 바꾸었습니다.

• 과거: 전문가가 눈으로 일일이 확인하며 "아마도 이 세포일 거야"라고 추측해야 했습니다.
• 현재: CASPA 가 "이 세포는 90% 확률로 대식세포이며, 그 이유는 ~ 때문입니다. 하지만 이 부분은 아직 불확실하니 추가 확인이 필요합니다"라고 명확한 근거와 함께 알려줍니다.

이제 과학자들은 복잡한 데이터 분석에 시간을 낭비하지 않고, 실제 생물학적 발견에 집중할 수 있게 되었습니다. 마치 자동화된 주방 기구가 요리사에게 시간을 벌어주어, 더 창의적인 요리를 할 수 있게 해주는 것과 같습니다.

기술 요약

논문 제목: 컨텍스트 인식 단일 세포 프로테오믹스 분석 파이프라인 (CASPA)

1. 연구 배경 및 문제 제기 (Problem)

단일 세포 프로테오믹스 (SCP) 는 질량 분석법을 통해 세포당 수백에서 수천 개의 단백질을 정량화할 수 있게 되었으나, 이 데이터를 해석하기 위한 표준화된 분석 파이프라인은 여전히 부재합니다. 기존에 존재하는 워크플로우는 대부분 단일 세포 전사체학 (scRNA-seq) 에서 파생된 것으로, SCP 데이터의 고유한 특성을 반영하지 못해 다음과 같은 한계를 보입니다.

• 정보적 결측 (Informative Missingness): 단백질이 검출되지 않은 경우 생물학적 부재, 기술적 드롭아웃, 또는 주변 오염 (ambient contamination) 중 하나일 수 있으며, 이를 구분하는 분석적 접근이 부족합니다.
• 배치 효과 (Batch Effects): 다중 배치 실험에서 발생하는 기술적 변이를 보정하는 과정이 일회성으로 처리되어 적절성을 평가하지 못합니다.
• 마커 발견의 한계: 단일 통계 프레임워크에 의존하여 단백질 검출 패턴, 발현 강도, 경로 수준의 신호 등을 통합적으로 활용하지 못합니다.
• 세포 유형 주석의 병목 현상: 기존 전사체 기반 분류기는 SCP 데이터 (특성 공간이 좁고 마커가 검출되지 않는 경우) 에서는 성능이 낮으며, 수동 주석은 주관적이고 확장성이 떨어집니다. 또한, 대규모 언어 모델 (LLM) 을 단순히 적용할 경우 환각 (hallucination) 이나 맥락 무시의 오류가 발생합니다.

2. 방법론 (Methodology)

저자들은 CASPA(Context-Aware Single-Cell Proteomics Analysis) 라는 종단간 (end-to-end) 자동화 파이프라인을 개발했습니다. 주요 구성 요소는 다음과 같습니다.

• 적응형 품질 관리 (Adaptive Quality Control): 고정된 임계값 대신 데이터셋의 단백질 검출 수 분포 하단 꼬리를 기반으로 세포 필터링 임계값을 동적으로 조정합니다. 또한, 배치별 클러스터 구성을 진단하여 기술적으로 손상된 배치를 식별합니다.
• 반복적 배치 보정 (Iterative Batch Correction): 단백질 강도와 이진 검출 패턴을 결합한 이중 모달리티 (dual-modality) PCA 임베딩을 생성합니다. Harmony 알고리즘을 반복 실행하며, 클러스터 간 배치 혼합 정도를 엔트로피 (Shannon entropy) 로 측정하여 목표 혼합도에 도달할 때까지 보정 강도를 자동 조절합니다.
• 다중 모달 마커 발견 (Multi-modal Marker Discovery): 세포 정체성을 포착하기 위해 4 가지 모달리티를 통합합니다.
  1. 검출 특이성 (Fisher's exact test, 이진 데이터)
  2. 검출된 세포만의 강도 차이 (Mann-Whitney U test, 0 값 편향 제거)
  3. 모델 기반 효과 (scplainer 를 통한 기술적 요인 분리)
  4. 경로 활동 점수 (AUCell)
  • 이 신호들을 Borda 순위 합산으로 통합하여 일관된 마커를 도출합니다.
• 컨텍스트 인식 LLM 주석 프레임워크 (Three-Round Annotation Architecture):
  • Round 0 (맥락 추론): 클러스터 데이터 없이 실험 컨텍스트 (종, 조직, 발달 단계 등) 만을 입력받아 예상되는 세포 유형, 주변 신호, 비자신 단백질 획득 메커니즘 (식세포 작용 등) 에 대한 제약 조건을 생성합니다.
  • Round 1 (주석 수행): 생성된 제약 조건과 마커 데이터를 결합하여 LLM 에게 클러스터 라벨을 할당하게 합니다.
  • Round 2 (보정): 낮은 신뢰도 클러스터에 대해 모델이 제안한 추가 마커를 추출하여 재분석합니다.
  • 핵심 전략: LLM 이 "오염"으로 오인하기 쉬운 식세포 작용 (phagocytosis) 이나 용해 (lysis) 상태를 식별할 수 있도록, 실험 설계 기반의 논리적 제약을 주입합니다.

3. 주요 결과 (Results)

개발된 파이프라인은 4 가지 서로 다른 조직 (발생 중 인간 뇌, 뇌종양 관련 호중구, 피부 종양, 카에룰린 손상 췌장) 데이터셋에서 검증되었습니다.

• 발생 중 인간 뇌 데이터셋: 26 개 배치의 기술적 이질성을 성공적으로 보정하여 신경계 세포 유형을 재현했습니다. 초기 LLM 은 발달 단계에 맞지 않는 성숙한 세포 유형 (예: 성상세포) 을 잘못 라벨링했으나, Round 0 기반의 제약 조건을 적용하여 "성상세포 전구체"로 정확히 수정되었습니다.
• 뇌종양 관련 호중구 (TAN) 데이터셋: 단일 계통 내 기능적 상태 (활성화, NETosis, 식세포 작용 등) 를 구분하는 데 성공했습니다. 특히, 비자신 단백질 (케라틴 등) 이 검출된 경우를 단순 오염으로 치부하지 않고, 식세포 작용 (phagocytosis) 또는 용해성 NETosis로 해석하여 생물학적 의미를 올바르게 도출했습니다.
• 피부 종양 (CCS) 데이터셋 (홀드아웃 검증): 다른 장비와 시료 준비 프로토콜로 생성된 데이터에서 FACS 정렬된 Ground Truth 와 90.8% 의 높은 일치도를 보였습니다. 특히, 케라틴을 섭취한 대식세포를 '케라티노사이트'가 아닌 '식세포 대식세포'로 정확히 식별했습니다.
• 카에룰린 손상 췌장 데이터셋: 조직학적 검증 (면역조직화학, 면역형광) 을 통해 파이프라인의 주석을 검증했습니다. 대식세포 내 Reg3b 단백질이 주변 오염이 아닌 식세포 작용에 의한 섭취임을 시각적으로 확인했으며, 성상세포의 활성화 연속체 (activation continuum) 를 성공적으로 해석했습니다.

4. 주요 기여 (Key Contributions)

1. SCP 전용 분석 표준: 전사체학 기반이 아닌 SCP 데이터의 고유한 특성 (정보적 결측, 주변 오염, 강도 기반 정보) 을 반영한 최초의 종단간 자동화 파이프라인을 제시했습니다.
2. LLM 기반 주석의 고도화: LLM 의 환각과 맥락 무시를 해결하기 위해 3 단계 주석 아키텍처를 도입했습니다. 이는 실험 컨텍스트를 먼저 추론하여 데이터 해석의 방향성을 설정함으로써, 생물학적으로 타당한 해석을 유도합니다.
3. 오염 vs 생물학적 현상 구분: 식세포 작용이나 세포 용해로 인한 비자신 단백질 검출을 단순 기술적 오염으로 오해하지 않도록 하는 논리적 프레임워크를 정립했습니다.
4. 확장성 및 재현성: 다양한 장비, 조직, 종을 아우르는 데이터셋에서 일관된 성능을 입증했으며, Snakemake 워크플로우로 구현되어 재현 가능한 분석을 제공합니다.

5. 의의 및 결론 (Significance)

이 연구는 단일 세포 프로테오믹스 분석의 자동화와 재현성을 크게 향상시켰습니다. 특히, 맥락 인식 (Context-Aware) LLM 을 활용하여 생물학적 배경을 고려한 주석을 가능하게 함으로써, 복잡한 세포 상태 (예: 식세포 작용 중인 면역세포, 손상된 조직의 세포 등) 를 정확하게 해석할 수 있는 새로운 기준을 제시했습니다. 이는 SCP 데이터의 규모가 커짐에 따라 필수적인 도구가 될 것이며, 생물학적 통찰력을 얻기 위한 신뢰할 수 있는 기반을 제공합니다.