VeloTrace Reconciles Divergent Velocity and Trajectory in Single-cell Transcriptomics with Deep Neural ODE

VeloTrace 는 신경 미분 방정식 (Neural ODE) 을 활용하여 RNA 속도 추정과 궤적 추론을 통합하고, 스플라이싱 품질 점수와 몬테카를로 기반의 다중 시간대 감독 전략을 통해 전사체 공간에서 국소적 속도와 전역적 궤적의 기하학적 연속성을 보장함으로써 기존 방법들의 한계를 극복하고 세포 운명 전환을 보다 정확하게 모델링합니다.

핵심

🎬 비유: 세포의 성장 영화와 '흐르는 물'

세포의 삶을 이해하려면 두 가지 정보가 필요합니다.

1. 어디에 있는지 (위치/궤적): 세포가 현재 어디에 서 있는가? (예: 아직 미성숙한 상태인가, 성숙한 상태인가?)
2. 어디로 가고 있는지 (속도/방향): 세포가 앞으로 어떤 방향으로 움직이고 있는가?

기존의 과학 방법들은 이 두 가지를 따로따로 보았습니다.

• 궤적 분석: 지도에서 "A 지점에서 B 지점까지 이어지는 길"을 그리는 것은 잘했지만, 그 길 위에서 세포가 실제로 어떻게 움직이는지는 잘 모릅니다.
• 속도 분석 (RNA Velocity): 세포가 가진 유전자 정보를 보고 "이 세포는 앞으로 저쪽으로 갈 거야"라고 예측하지만, 예측이 **잡음 (노이즈)**에 섞여 있어 방향이 제멋대로이거나, 유전자가 적게 발현된 세포는 아예 방향을 못 잡는 경우가 많았습니다.

문제점: 지도에 그려진 길 (궤적) 과 실제 세포의 움직임 (속도) 이 서로 맞지 않아서, 세포가 어디로 갈지 예측하는 데 혼란이 생겼습니다. 마치 내비게이션이 "앞으로 직진하세요"라고 말하는데, 차는 옆으로 꺾여 있는 상황과 같습니다.

---

🚀 VeloTrace 의 해결책: "하나의 물살"로 통합하기

VeloTrace 는 이 두 가지를 하나로 합쳐서 **매끄러운 '물살 (Velocity Field)'**을 만들어냅니다.

1. "흐르는 강"의 비유 (Neural ODE)

VeloTrace 는 세포가 이동하는 공간을 거대한 강으로 상상합니다.

• 강물 (속도장) 이 흐르는 방향이 바로 세포가 이동할 길 (궤적) 이 됩니다.
• 기존 방법들은 강물 흐름을 따로 계산하고, 강변을 따로 그렸다면, VeloTrace 는 **"강물 흐름이 곧 길이다"**라고 정의합니다.
• 그래서 세포가 강물 위에 떠 있는 나뭇잎처럼, 물살이 가는 대로 자연스럽게 이동 경로를 그리게 됩니다.

2. "질 좋은 나침반" (Splicing Quality Score)

세포 내부의 유전자 중에는 정보가 명확한 것도 있고, 잡음이 많아서 방향을 알기 힘든 것도 있습니다.

• VeloTrace 는 **정보의 질이 좋은 유전자 (Splicing Quality Score 가 높은 유전자)**만 골라 "정확한 나침반"으로 사용합니다.
• 잡음이 많은 유전자는 무시하고, 신뢰할 수 있는 나침반의 방향만 따라가게 해서, 전체적인 흐름이 엉망이 되는 것을 막습니다.

3. "시간 여행을 하는 시뮬레이션" (Monte Carlo)

단순히 한 장의 사진 (현재 상태) 만으로는 미래가 어떻게 될지 알기 어렵습니다.

• VeloTrace 는 컴퓨터 안에서 수천 번의 가상 시간 여행을 시뮬레이션합니다.
• "만약 이 세포가 1 시간 뒤라면?", "2 시간 뒤라면?"을 무작위로 여러 번 계산해보면서, 가장 자연스럽고 일관된 흐름을 찾아냅니다. 이를 통해 잡음에 흔들리지 않는 확실한 미래 예측을 가능하게 합니다.

---

🌟 왜 이것이 중요한가요? (실제 효과)

이 도구를 실제 실험 데이터 (쥐의 뇌 발달, 혈액 세포 형성 등) 에 적용해 보니 놀라운 결과가 나왔습니다.

1. 약한 신호도 잡아냅니다: 기존에는 유전자가 너무 적게 발현되어 방향을 못 잡던 세포들도, VeloTrace 는 주변의 흐름을 이용해 정확한 미래 경로를 예측했습니다. (어둠 속에서도 흐르는 물결을 따라가는 것 같습니다.)
2. 과거와 미래를 모두 봅니다: 현재 세포의 상태를 보면, "이 세포는 과거에 어디에서 왔고, 앞으로 어떤 세포가 될지"를 한눈에 알 수 있게 해줍니다.
3. 질병의 열쇠를 찾습니다: 뇌세포가 어떻게 만들어지는지, 혹은 암세포가 어떻게 변하는지 그 정확한 원리를 찾아내어, 새로운 치료법 개발에 도움을 줄 수 있습니다.

💡 한 줄 요약

VeloTrace는 세포의 성장 과정을 지도와 나침반을 따로 보는 것이 아니라, **"흐르는 강물"**처럼 하나로 통합하여, 잡음이 많고 정보가 부족한 세포라도 정확한 미래의 길을 찾아주는 혁신적인 인공지능 도구입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터에서 세포의 운명 결정과 분화 과정을 이해하기 위해서는 **궤적 추론 (Trajectory Inference)**과 RNA 속도 (RNA Velocity) 모델링이라는 두 가지 접근법이 필요합니다. 그러나 기존 방법론들은 다음과 같은 근본적인 한계를 가지고 있습니다.

• 속도와 궤적의 불일치 (Divergence): 이상적으로 RNA 속도는 전사체 궤적의 접선 (tangent) 이어야 합니다. 즉, 속도는 궤적의 방향과 일치해야 합니다. 하지만 기존 방법들은 궤적 추론과 속도 모델링을 분리하여 수행하거나, 추론된 궤적에 속도를 사후적으로 투영 (projection) 하는 방식을 사용합니다. 이로 인해 국소적인 속도 벡터와 전역적인 궤적 간의 기하학적 연속성이 깨지고, 특히 시퀀싱 노이즈가 심한 저발현 유전자에서 속도의 방향성이 왜곡되는 문제가 발생합니다.
• 데이터의 한계: scRNA-seq 은 정적인 스냅샷 데이터이며, 스프라이싱 (splicing) 데이터는 시퀀싱 깊이에 따라 품질이 크게 달라집니다. 저발현 유전자의 경우 스프라이싱 기반 속도 추정이 불가능하거나 매우 노이즈가 많아서 신뢰할 수 있는 전사체 흐름 (flow) 을 구축하기 어렵습니다.
• 기존 ODE 기반 방법의 부족: 기존 신경 ODE (Neural ODE) 기반 방법들은 전역적인 궤적은 잘 학습할 수 있으나, 유전자 수준의 스프라이싱 동역학과 전사체 수준의 속도 필드 간의 일관성을 강제하는 원칙적인 메커니즘이 부족하여 과적합 (overfitting) 이나 물리적으로 비현실적인 궤적을 생성할 수 있습니다.

2. 제안된 방법론: VeloTrace (Methodology)

저자들은 VeloTrace라는 새로운 프레임워크를 제안하여 전사체 역학을 통합적으로 모델링합니다. 핵심은 **신경 상미분 방정식 (Neural Ordinary Differential Equations, Neural ODEs)**을 사용하여 전사체 공간에서 연속적인 속도 필드를 학습하고, 이를 유전자 수준의 스프라이싱 동역학과 조화시키는 것입니다.

주요 구성 요소:

1. Neural ODE 기반 연속 속도 필드 학습:

   • 세포 상태 $x(t)$의 변화를 $\frac{dx}{dt} = v(x(t))$로 정의된 벡터 필드 $v$로 모델링합니다.
   • Neural ODE 를 통해 이산적인 세포 스냅샷으로부터 매끄러운 연속 시간 속도 필드를 학습하며, 궤적은 이 속도 필드의 적분 곡선 (integral curves) 으로 자연스럽게 도출됩니다. 이는 속도가 궤적의 접선임을 수학적으로 보장합니다.

2. 스플라이싱 품질 점수 (Splicing Quality Score, SQS) 와 부분 지도 학습:

   • 모든 유전자가 신뢰할 만한 속도를 제공하는 것은 아닙니다. 저자들은 각 유전자에 대해 관측된 스프라이싱 동역학과 예측된 동역학 간의 결정 계수 ($R^2$) 를 계산하여 SQS를 정의합니다.
   • 높은 SQS 를 가진 고신뢰도 유전자들만 선별하여 **참조 속도 벡터 (Reference Velocity)**로 사용합니다.
   • 학습 과정에서 신경망이 예측한 속도 필드가 이 신뢰할 수 있는 참조 벡터와 방향이 일치하도록 **코사인 정렬 손실 (Cosine Alignment Loss)**을 통해 부분 지도 (partial supervision) 를 제공합니다. 이는 노이즈가 많은 저발현 유전자의 영향을 줄이고 생물학적 타당성을 확보합니다.

3. 몬테카를로 멀티-타임 프레임 감독 전략 (Monte Carlo Multi-Time-Frame Supervision):

   • 국소적 속도와 전역적 궤적 간의 불일치를 해결하고 시퀀싱 노이즈로 인한 확산을 억제하기 위해 도입되었습니다.
   • 무작위로 다양한 시간 간격 ($\Delta t$) 과 시작/종료 세포 쌍을 샘플링하여, ODE 가 특정 세포 순서에 과적합되는 것을 방지하고 전역적으로 일관된 흐름을 학습하도록 강제합니다.

4. 최적화 목표 함수:

   • 총 손실 함수는 기하학적 재구성 손실 ($L_{geom}$), 일관성 제약 ($L_{cons}$), 그리고 스프라이싱 기반 정렬 손실 ($L_{velo}$) 의 가중 합으로 구성됩니다.
   • 이를 통해 기하학적으로 일관성 있고 생물학적으로 방향성이 있는 벡터 필드를 생성합니다.

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

시뮬레이션 벤치마크:

• 정확도: VeloTrace 는 scVelo, VeloVI, UniTVelo, scTour 등 기존 최첨단 방법들보다 **진짜 속도 방향 (Ground Truth)**과 가장 일치하는 결과를 보였습니다.
• 각도 오차: 세포별 속도 벡터와 실제 속도 방향 간의 각도 오차가 가장 작았으며, 궤적 전체에 걸쳐 매끄럽고 일관된 벡터 필드를 생성했습니다.
• 저발현 유전자 복원: 시퀀싱 커버리지가 부족한 유전자들의 전사 동역학도 성공적으로 복원하여, 기존 방법들이 실패하는 영역에서도 정확한 속도 방향을 추론했습니다.

실제 데이터 적용 (마우스 신경 줄기세포 분화 및 조혈모세포):

• 뇌 소뇌 (Cerebellum) 발달: GABAergic 및 글리오제닉 (Gliogenic) 계통으로의 분화 과정에서 주요 드라이버 유전자 (예: Ptprz1, Slc1a3) 의 동역학을 정확히 재현했습니다. 특히 기존 방법들이 계통을 혼동하거나 방향을 반대로 예측했던 오류를 수정했습니다.
• 조혈모세포 계통 추적 (Lineage Tracing): 바코드 데이터를 기반으로 한 세포 운명 예측에서 VeloTrace 는 초기 세포의 분화 잠재력을 더 정확하게 예측하여, 계통 바코드 기반의 실제 운명 결과와 높은 일치도를 보였습니다.
• 열역학적 풍경 (Thermodynamic Landscape): 발달 궤적을 따라 세포 운명 결정의 확률과 엔트로피를 정량화하여, 세포가 언제 그리고 어떻게 운명을 결정하는지에 대한 통찰을 제공했습니다.

4. 의의 및 결론 (Significance)

• 통합적 프레임워크: VeloTrace 는 궤적 추론과 RNA 속도 모델링을 분리된 작업이 아닌, Neural ODE 를 통해 통합된 하나의 동적 시스템으로 재정의했습니다. 이는 전사체 역학 연구의 패러다임을 전환합니다.
• 신뢰성 향상: 저발현 유전자를 포함한 전 유전체 범위에서 신뢰할 수 있는 속도 추정을 가능하게 하여, 희귀한 세포 상태나 미세한 분화 경로를 분석하는 데 필수적인 도구가 됩니다.
• 생물학적 해석력: 속도 필드가 궤적의 접선이 되도록 강제함으로써, 세포가 현재 상태에서 과거와 미래로 어떻게 이동할 수 있는지에 대한 물리적으로 일관된 해석을 제공합니다. 이는 복잡한 생물학적 시스템에서의 유전자 조절 메커니즘과 세포 운명 결정을 더 정확하게 모델링하는 기초를 마련합니다.

요약하자면, VeloTrace 는 단일 세포 전사체 데이터의 노이즈와 불완전성을 극복하고, 수학적 일관성과 생물학적 지식을 결합하여 정확하고 해석 가능한 세포 발달 동역학 지도를 구축하는 획기적인 도구입니다.