Inferring division-associated stochasticity from time-series single-cell transcriptomes

이 논문은 세포 분열 시 발생하는 분할 노이즈를 고려하여 시간 계열 단일 세포 전사체 데이터로부터 연속적인 세포 역학과 분열 속도를 추정하는 신경 확률 미분 방정식 프레임워크인 scDIVIDE 를 제안하고, 이를 통해 기존 방법보다 우수한 성장률 예측 및 분화 결정 메커니즘 규명을 가능하게 함을 보여줍니다.

핵심

이 논문은 **'세포가 어떻게 나뉘고, 그 과정에서 어떻게 다양한 모습으로 변해가는지'**를 컴퓨터가 알아낼 수 있게 해주는 새로운 방법론을 소개합니다.

제목: scDIVIDE: 세포 분열의 '소음'을 통해 미래를 예측하는 인공지능

이 내용을 일반인도 쉽게 이해할 수 있도록 비유를 섞어 설명해 드릴게요.

---

1. 문제 상황: "세포의 일기장을 찢어버린 실험"

생물학자들은 세포가 어떻게 자라고 분화하는지 알고 싶어 합니다. 하지만 현재 사용하는 기술 (단일 세포 RNA 시퀀싱) 은 세포를 죽여서 한 번에 찍은 '스냅샷' 사진들만 줍니다. 마치 영화의 한 장면을 여러 장 찍어 놓은 것이지, 영화 전체를 연속해서 보여주는 것은 아닙니다.

더욱이, 세포가 분열할 때는 유전 물질이 딸세포로 나뉘어 갈라지는데, 이때 **무작위적인 '소음 (Partitioning Noise)'**이 발생합니다. 마치 부모가 두 아이에게 과자를 나눠줄 때, 한 아이는 많이 받고 다른 아이는 조금 받는 것처럼 말이죠. 이 '과자 나누기'의 불균형이 세포의 운명을 바꿀 수 있는데, 기존 방법들은 이 소음까지 고려하지 못했습니다.

2. 해결책: "세포의 분열 속도를 '흔들림'으로 읽다"

연구진이 개발한 scDIVIDE라는 인공지능은 이 문제를 아주 창의적으로 해결했습니다.

• 비유: 공을 던지는 게임
  • 세포가 분열할 때, 딸세포들은 부모 세포와 거의 비슷하지만 아주 조금씩 다른 상태가 됩니다.
  • scDIVIDE 는 **"세포가 얼마나 자주 분열하느냐 (출산율)"**와 **"세포 집단이 얼마나 흔들리느냐 (확산/소음)"**는 서로 연결되어 있다는 사실을 발견했습니다.
  • 핵심 아이디어: 세포가 자주 분열할수록, 그 집단 전체의 상태는 더 많이 '흔들립니다'. 마치 붐비는 시장 (자주 분열하는 세포) 은 조용한 도서관 (분열 안 하는 세포) 보다 훨씬 시끄럽고 혼란스러운 것과 같습니다.
  • scDIVIDE 는 이 **'흔들림의 정도'**를 측정해서, 역으로 **"이 세포들이 얼마나 자주 분열했는지"**를 계산해냅니다.

3. 어떻게 작동하나요? (신경망과 확률)

이 인공지능은 **신경망 (Neural Network)**이라는 두뇌를 가지고 있습니다.

1. 입력: 시간별로 찍은 세포 사진들 (스냅샷).
2. 학습: 인공지능은 "세포들이 어떻게 움직이고, 얼마나 분열했으면 지금 이 모습이 되었을까?"를 추측하며 학습합니다.
3. 규칙: 이때 "분열이 많으면 흔들림도 커야 한다"는 생물학적 법칙을 인공지능에게 강제로 가르칩니다. (기존 방법들은 이 법칙을 모르고 무작정 추측했습니다.)
4. 결과: 이 규칙 덕분에 인공지능은 세포의 미래 모습과 분열 속도를 훨씬 정확하게 예측할 수 있게 됩니다.

4. 실제 성과: "쥐의 혈액 세포를 재현하다"

이 방법을 쥐의 혈액 줄기세포 (HSPC) 데이터에 적용해 보았습니다.

• 기존 방법의 실수: 기존 방법들은 "아직 덜 자란 세포 (미성숙 세포) 가 빨리 분열한다"거나 "완전히 성숙한 세포가 빨리 분열한다"는 엉뚱한 결론을 내렸습니다.
• scDIVIDE 의 성공: 이 인공지능은 **"아직 덜 자란 줄기세포는 천천히 분열하고, 성숙한 세포들도 분열이 줄어든다"**는 실제 생물학적 사실을 정확히 찾아냈습니다.
• 추가 발견: 분열 속도와 관련된 유전자들을 분석한 결과, 면역 반응이나 세포 신호 전달과 관련된 유전자들이 분열을 조절한다는 것을 밝혀냈습니다.

5. 왜 중요한가요?

이 연구는 단순히 세포의 나이를 재는 것을 넘어, 세포가 분열할 때 생기는 '무작위성'이 어떻게 세포의 운명 (암이 될지, 정상 세포가 될지) 을 결정하는지를 수학적으로 증명했습니다.

한 줄 요약:

"세포가 분열할 때 생기는 작은 '흔들림'을 인공지능이 읽어내어, 세포가 어떻게 자라고 변해갈지 미래를 정확히 예측하는 새로운 나침반을 만들었습니다."

이 기술은 암 연구, 장기 재생, 그리고 노화 연구 등 다양한 분야에서 세포의 행동을 이해하는 데 큰 도움을 줄 것으로 기대됩니다.

기술 요약

논문 요약: scDIVIDE - 단일 세포 전사체 시계열 데이터로부터 분열 연관 확률성 추론

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 세포 분열은 다세포 생물의 기본 과정이며, 분열 시 세포 구성 요소의 확률적 분할 (partitioning noise) 은 전사체 전체에 영향을 미쳐 세포 상태의 다양화를 유도합니다.
• 한계: 기존 연구는 주로 형광 리포터를 이용한 라이브 셀 이미징에 의존하여 유전자 발현의 전역적 역학을 포착하는 데 한계가 있었습니다. 단일 세포 RNA 시퀀싱 (scRNA-seq) 은 전사체 전체를 분석할 수 있지만, 세포를 파쇄하여 측정하므로 연속적인 개체별 궤적이 아닌 '스냅샷 (snapshot)' 데이터만 제공합니다.
• 핵심 문제: 스냅샷 데이터로부터 세포 분열로 인한 '분할 노이즈 (partitioning noise)'를 정량화하고, 이를 고려하여 세포의 연속적인 역학 (분화 경로 및 분열률) 을 추론하는 것은 기존 방법론으로는 해결하기 어려운 과제였습니다. 기존 방법들은 주로 순 성장률 (net growth) 에만 초점을 맞추거나, 분열로 인한 상태 변동 (stochasticity) 을 명시적으로 모델링하지 못했습니다.

2. 방법론 (Methodology)

저자들은 scDIVIDE (single-cell DIVision-linked Inference of stochastic Dynamics in Expression states) 라는 새로운 딥러닝 프레임워크를 개발했습니다.

• 이론적 기반 (BDM 과정):
  • 개체군 유전학의 출생 - 사멸 - 돌연변이 (Birth-Death-Mutation, BDM) 과정을 차용하여 세포 분열을 모델링했습니다.
  • 세포 분열은 단순히 개체 수를 늘리는 사건이 아니라, 딸세포의 상태에 무작위적인 교란 (partitioning noise) 을 일으키는 사건으로 정의했습니다.
  • 이를 통해 미시적 확률 과정을 거시적 수준으로 확장하여 포커 - 플랑크 방정식 (Fokker-Planck Equation, FPE) 을 유도했습니다.
• 핵심 수식 및 발견:
  • 유도된 FPE 에서 확산 계수 (diffusion coefficient) 가 순 성장률 (net growth rate, $g$) 이 아닌 출생률 (birth rate, $b$) 에 의존한다는 것을 발견했습니다.
  • 식 (1): $\frac{\partial \xi}{\partial t} = -\nabla \cdot (v\xi) + g\xi + \frac{1}{2}\Delta[(\sigma^2 + 2\delta^2 b)\xi]$
  • 이 출생 - 확산 결합 (birth-diffusion coupling) 은 세포의 순 증가량이 0 인 상태 (예: 항상성 유지) 에서도 분열 활동이 높으면 분산 (variance) 이 커진다는 생물학적 통찰을 제공합니다. 이는 기존 순 성장 모델로는 구별할 수 없는 '휴면 상태'와 '높은 회전율 (turnover) 상태'를 구별하게 해줍니다.
• 모델 구조:
  • 신경 확률 미분 방정식 (Neural SDE): 세포 역학을 학습하기 위해 신경망을 활용한 SDE 프레임워크를 사용했습니다.
  • 파라미터화: 속도장 (velocity field) 은 스칼라 포텐셜의 음의 기울기로, 출생률은 신경망으로 파라미터화했습니다.
  • 학습 전략: 스냅샷 데이터 간의 차이를 측정하기 위해 Sinkhorn divergence를 사용하고, Wasserstein-Fisher-Rao (WFR) 정규화를 통해 과도한 이동 속도와 성장률을 제어했습니다. 이는 기존 방법들이 사용하던 인위적인 질량 보존 (mass conservation) 가정을 생물학적 메커니즘 (분열 - 확산 결합) 으로 대체한 것입니다.

3. 주요 기여 (Key Contributions)

1. 새로운 수학적 프레임워크: 세포 분열로 인한 확률적 노이즈를 거시적 확산 항에 명시적으로 통합하여, 분열률과 전사체 변동성 사이의 인과적 연결을 확립했습니다.
2. 식별 가능성 (Identifiability) 해결: 스냅샷 데이터에서 속도장, 성장률, 확산 계수를 동시에 추정할 때 발생하는 본질적인 식별 불가능성 문제를, 생물학적으로 유도된 '출생 - 확산 결합' 구조를 통해 해결했습니다.
3. 기존 방법론 대비 우월성: 기존 궤적 추론 방법 (TrajectoryNet, TIGON, VarRUOT, scDiffEq 등) 이 고려하지 못했던 분열 연관 노이즈를 모델링하여 예측 정확도를 획기적으로 향상시켰습니다.

4. 실험 결과 (Results)

• 합성 데이터 (Synthetic Data):
  • 3 유전자 토글 스위치 모델을 사용하여 검증했습니다.
  • scDIVIDE 는 실제 지상 진리 (ground truth) 와 높은 상관관계 (Pearson $r = 0.985$) 로 분열률을 정확히 복원했습니다.
  • 기존 4 가지 방법론보다 홀드아웃 (holdout) 시간 포인트에서의 예측 오차 (Wasserstein-1 distance) 가 현저히 낮았습니다.
• 실제 데이터 (마우스 조혈모세포, HSPCs):
  • 마우스 조혈모세포 분화 데이터 (Weinreb et al., 2020) 에 적용했습니다.
  • 생물학적 타당성: scDIVIDE 는 미성숙 조혈모세포 (HSPCs) 에서 분열률이 낮고, 분화 후기 단계에서 다시 감소하는 비단조적인 분열 패턴을 정확히 포착했습니다. 이는 기존 세포 주기 점수 (cell-cycle score) 나 다른 성장률 추정 방법들이 보였던 오해석 (미성숙 세포의 빠른 분열로 잘못 추정) 을 바로잡았습니다.
  • 경로 분석: 추정된 분열률과 관련된 유전자들을 분석한 결과, 화학주성 및 사이토카인 신호 전달 경로가 풍부하게 enrichment 되어 있어, 분열 조절과 생물학적 관련성을 확인했습니다.
• 안정성: 다양한 하이퍼파라미터와 초기값 (seed) 에 대해 모델이 안정적으로 수렴하며, 기존 방법들보다 학습 안정성이 뛰어났습니다.

5. 의의 및 결론 (Significance)

• 개념적 전환: 세포 분열을 단순한 개체 수 증가가 아닌, 세포 상태의 확률적 변동을 유발하는 핵심 메커니즘으로 재정의하여, 다세포 시스템에서 운명 결정 (fate decision) 에 영향을 미치는 노이즈의 역할을 정량적으로 분석할 수 있는 길을 열었습니다.
• 기계학습과 생물학의 융합: 생물학적 메커니즘 (BDM 과정) 에서 유도된 구조적 제약 (structural constraint) 을 기계학습 모델에 통합함으로써, 단순한 정규화를 넘어 추론 문제의 식별 가능성 자체를 개선하는 새로운 접근법을 제시했습니다.
• 응용 가능성: 발달, 재생, 암 등 다양한 증식성 다세포 시스템에서 세포 분열과 노이즈가 어떻게 상호작용하는지 규명하는 데 필수적인 도구가 될 것으로 기대됩니다.

이 논문은 단일 세포 시계열 데이터 분석에 있어 분열 연관 확률성을 고려한 최초의 심층 신경 SDE 프레임워크를 제안함으로써, 세포 역학 추론의 정확성과 생물학적 해석 가능성을 크게 높였습니다.