The projection basis determines the information ceiling for perturbation prediction

기술 요약: 투영 기저(Projection Basis)가 섭동 예측의 정보 천장을 결정한다

문제 제기
최근의 벤치마크들은 단일 세포 섭동 예측(예: GEARS, CPA, scGen)을 위한 딥러닝 모델들이 주성분 분석(PCA) 공간에서 작동하는 단순 선형 베이스라인보다 성능이 우수하지 못한 경우가 많음을 보여준다. 기존 연구들은 이를 모델 용량의 부족이나 적절한 귀납적 편향(inductive bias)의 부재로 돌렸으나, 본 논문은 주요 제한 요인이 모델 아키텍처가 아니라 투영 기저(projection basis) 자체에 있다고 주장한다. 저자들은 유전자 발현을 고정된 저차원 좌표계로 축소하는 모든 방법은 선형 병목 현상을 통해 신호를 통과시키며, 이는 다운스트림 모델의 복잡성과 상관없이 발생하는 정보 이론적 천장을 생성한다고 논한다.

방법론 및 프레임워크
본 연구는 와딩턴 에피제네틱 지형(Waddington epigenetic landscape)에서 영감을 얻은 와딩턴 포텐셜 네트워크(Waddington Potential Network, WPN) 프레임워크를 사용하여 투영 기저의 효과를 격리한다. 이 프레임워크에서 세포 속도(cellular velocity)는 학습된 스칼라 포텐셜의 기울기로 매개변수화된다($v = -\nabla U$). 모델은 유전자 발현을 $k$-차원 기저 $\Phi$로 투영하고, 이 좌표들에 대한 포텐셜을 학습하며, 자동 미분을 통해 속도를 도출한다. 결정적으로, 저자들은 관찰된 성능 차이가 오직 기저 선택에 의한 것임을 보장하기 위해 모든 하이퍼파라미터와 아키텍처를 동일하게 유지하면서 투영 기저만을 변화시킨다.

핵적인 이론적 기여는 정보 이론으로부터 도출된 **투영 경계(projection bound)**이다:
$$r^2 \leq VE(\Phi) := \frac{\text{Var}(\Phi\Phi^\top \delta)}{\text{Var}(\delta)}$$
여기서 $r^2$는 예측값과 실제값 사이의 제곱 상관계수이며, $VE(\Phi)$는 기저에 의해 설명되는 작업 관련 분산(약물 반응 델타 $\delta$)의 비율이다. 이 경계는 만약 기저가 신호를 버린다면(낮은 $VE$), 어떤 모델도 이를 복구할 수 없음을 확립한다. 저자들은 정보 가용성(Information Availability) (기저에 의해 보존된 분산, $VE$)과 정보 활용(Information Exploitation) (모델이 사용 가능한 신호를 얼마나 잘 활용하는가, $r^2/VE$)을 구분한다.

실험 설계
저자들은 여러 데이터셋(sciPlex3, LINCS L1000, Norman et al. 2019 CRISPRa)과 세포주(K562, A549, MCF7)에 걸쳐 세 가지 상호 보완적인 테스트를 통해 이 프레임워크를 검증한다:

1. 테스트 1 (화학적 섭동): 저분산 기저(유전자 연관 네트워크 고유 기저)가 PCA와 비교하여 우연 이상의 예측을 지원할 수 있는지 평가한다.
2. 테스트 2 (스펙트럼 복구): 동일한 네트워크 토폴로지 상에서 고주파 모드(그래프 웨이브렛을 통해)를 포함하도록 기저를 확장하는 것이 누락된 신호를 복구하는지 테스트한다.
3. 테스트 3 (유전적 섭동): 반응이 네트워크 기하 구조와 정렬될 수 있는 CRISPRa 유전적 섭동에 대해 순위가 역전되는지 조사한다.

메커니즘 제어로서 차수 보존 네트워크 순열(degree-preserving network permutations), 합성 그라운드 트루스 네트워크, 그리고 처리되지 않은 대조 세포에 대해서만 피팅된 PCA를 사용하여 순환 논리나 차수 분포의 인위적 효과를 배제한다.

주요 결과

• 화학적 섭동 (SciPlex3 & LINCS L1000):

  • 복합 유전자 연관 네트워크(GRN)의 고유 기저는 약물 반응 분산의 **10–12%**만을 설명하는 반면, PCA는 **90–99%**를 설명한다.
  • GRN 고유 기저를 사용하는 모델은 우연 수준 또는 그 이하의 성능($r \approx 0$)을 보이는 반면, PCA 기반 모델은 유의미한 정확도를 달성한다.
  • 이러한 실패는 약물 반응의 스펙트럼 확산성(spectral diffuseness) 때문이다. 화학적 섭동은 희소하고 흩어진 타겟에 영향을 미치는 "임펄스 노이즈"처럼 작용하여, 그래프 상에서 고주파 신호를 생성하며, 저역 통과 필터 역할을 하는 네트워크 고유 기저는 이를 버린다.
  • 웨이브렛 구제(Wavelet Rescue): 동일한 네트워크 토폴로지를 사용하되 전체 스펙트럼에 접근할 수 있는 그래프 웨이브렛(대역 통과 또는 확산)을 사용하면, 설명되는 분산이 **~88%**로 상승하며, 예측 성능이 PCA와 일치할 정도로 회복된다. 이는 실패의 원인이 토폴로지 결함이 아니라 스펙트럼 범위의 제한이었음을 확인시켜 준다.

• 유전적 섭동 (CRISPRa):

  • 단일 유전자 CRISPRa 활성화에 대해 순위가 역전된다. 여기서 GRN 고유 기저(분산의 ~19% 설명)는 PCA가 100%의 분산을 설명함에도 불구하고, 매개변수화된 모델(WPN 및 MLP)에서 PCA보다 우수한 성능을 보인다.
  • 이는 유전적 섭동이 조절 폭포(regulatory cascades)를 따라 전파되며, 네트워크 기저가 포착하는 저주파의 경로 일관적(pathway-coherent) 모드와 정렬됨을 시사한다. 네트워크 기하 구조는 매개변수화된 모델이 활용할 수 있는 유익한 귀납적 편향으로 작와한다.

• 아키텍처 독립성:

  • 성능 격차는 WPN, 단순 잔차 MLP, 변이형 오토인코더를 포함한 다양한 아키텍처에서 일관되게 나타난다. 심지어 제로 파라미터 평균 예측기(zero-parameter mean predictor)조차 $r^2 \leq VE$ 경계를 따르며, 이는 천장이 모델이 아닌 투영에 의해 설정됨을 확인해 준다.

의의 및 주장
본 논문은 왜 생물학적으로 동기 부여된 네트워크 기저가 단순 PCA 베이스라인보다 약물 섭동 작업에서 성능이 떨어지는지에 대한 역설을 해결한다고 주장한다. 저자들은 다음과 같이 단언한다:

1. 기저 선택이 주요 병목 구간이다: 고정된 선형 병목을 가진 방법의 경우, 투영 기저가 최대 달성 가능 정확도를 결정하는 하드 정보 천장($VE$)을 설정한다.
2. 양상 의존성(Modality Dependence): 최적의 기저는 섭동 양상에 따라 다르다. PCA는 화학적 반응(스펙트럼이 확산된 형태)을 구동하는 분산을 포착하며, 네트워크 기저는 유전적 반응(스펙트럼이 일관된 형태)을 구동하는 폭포 구조를 포착한다.
3. 스펙트럼 커버리지가 핵심적이다: 표준 네트워크 고유 기저는 고주파 약물 신호를 버리는 저역 통과 필터 역할을 한다. 전체 그래프 스펙트럼을 아우르는 그래프 웨이브렛과 같은 방법은 분산 손실 없이 생물학적 구조를 통합할 수 있다.
4. 벤치마크의 재구성: 저자들은 미래의 벤치마크가 "가용성"(기저 품질)과 "활용 능력"(모델 능력)을 분리하여, 작업 관련 변동에 대한 방법의 내부 표현의 **설명된 분산(VE)**을 보고해야 한다고 제안한다. 또한 GEARS와 같은 전체 유전자 모델이 PCA 베이스라인보다 개선되지 않는 이유는 현재의 샘플 크기에서의 활용 한계 때문일 수 있다고 시사한다.

결론적으로, 본 연구는 기저 선택이 양상에 따른 설계 결정이며 증명 가능한 천장이 존재함을 보여주며, 그래프 웨이브렛이 저역 통과 고유 기저의 고질적인 분산 손실 문제를 해결하면서 생물학적 구조를 통합할 수 있는 구체적인 경로를 제공함을 입증한다.