Deep Mechanistic Models reveal pathway-extrinsic drivers of mammary MAPK signalling heterogeneity

기술 요약: 심층 기계론적 모델(Deep Mechanistic Models)을 통한 유방 MAPK 신호 전달의 경로 외적 동인 규명

문제 정의
세포의 환경 자극에 대한 반응은 EGFR/MAPK 캐스케이드와 같은 신호 전달 경로에 의해 조절되며, 여기서 역동성(dynamics)은 유전적으로 동일한 집단 내에서도 세포의 운명을 결정짓습니다. 그러나 이러한 이질성을 모델링하기 위한 기존의 계산적 접근 방식은 두 갈래로 나뉩니다. 기계론적 모델(주로 상미분 방정식, ODE)은 경로의 토폴로지와 키네틱스(kinetics)를 인코딩하지만, 명시적으로 모델링된 경로 외부에서 발생하는 변동성을 표현하는 데 어려움을 겪습니다. 반대로, 표현 학습 방법(예: PCA, 오토인코더)은 고차원의 전장 유전체 데이터를 저차원 매니폴드로 매핑하지만, 기계론적 해석력이 부족하여 결과로 나타난 세포 상태가 어떻게 생물학적 기능을 수행하는지 설명하지 못합니다. 이 두 관점을 결합하여, 데이터 기반이면서 동시에 기계론적으로 해석 가능한 방식으로 신호 전달의 이질성을 설명하는 것은 중요한 과제로 남아 있었습니다.

방법론: 심층 기계론적 모델 (Deep Mechanistic Models, DMMs)
저자들은 준지도 표현 학습(semi-supervised representation learning)과 EGFR/MAPK 신호 전달에 대한 고정된 기계론적 ODE 모델을 결합한 프레임워크인 **심층 기계론적 모델(DMMs)**을 소개합니다. 이 아키텍처는 다음과 같이 작동합니다:

1. 인코더(Encoder): 신경망(오토인코더 구조)이 고차원의 분자 측정값(전사체, 단백질체 또는 인산화 단백질체)을 저차원의 잠재 임베딩(latent embedding)으로 인코딩합니다.
2. 기계론적 헤드(Mechanistic Head): 이 잠재 표현은 고정된 ODE 모델의 키네틱 파라미터 편차를 매개변수화합니다. ODE 모델은 다양한 섭동(EGF 자극, MEK 억제제, RTK 억제제) 하에서 수용체 타이로신 키나아제(EGFR, ERBB2, ERBB3)와 하위 인산화 이벤트(MEK, ERK, p90rsk)의 역동성을 시뮬레이션합니다.
3. 디코더(Decoder): 병렬 디코더는 잠재 임베딩으로부터 기초 분자 특징들을 재구성합니다.
4. 학습(Training): 시스템은 경사 하강법 기반 최적화(JAX 및 AMICI로 구현)를 사용하여 엔드투엔드(end-to-end)로 학습됩니다. 손실 함수는 동적 신호 전달 데이터에 대한 기계론적 적합도(지도 학습)와 특징 재구성(비지도 학습)을 결합하여, 잠재 표현이 경로 역동성과 분자 상태 모두와 관련된 정보를 포착하도록 보장합니다.

Neural ODE나 Universal Differential Equations와 달리, DMM의 ODE는 고정되어 있으며 기계론적으로 해석 가능하고, 잠재 공간이 아닌 관측된 공간에서 작동합니다.

주요 결과
이 프레임워크는 63개의 유방암 세포주(훈련 세트: 58개, 테스트 세트: 홀드아웃된 5개)의 멀티플렉스 CyTOF 신호 전달 데이터에 적용되었습니다.

• 일반화 및 성능: DMM은 홀드아웃된 세포주에 대해 강력한 일반화 능력을 보여주었으며, 훈련 데이터와 대등한 낮은 평균 제곱근 오차(RMSE)를 테스트 데이터에서 달성했습니다. 다중 모달 입력을 결합한(전사체, 단백질체, CyTOF 결합) 모델은 단일 모달리티 기반 모델보다 우수했으며, 베이스라인 선형 회귀 모델을 능가했습니다.
• 이질성 동인 식별: 추론된 파라미터 편차에 대한 민감도 분석 결과, 대부분의 신호 전달 이질성은 핵심 MAPK 구성 요소의 변이가 아니라 **경로 외적 요인(pathway-extrinsic factors)**에 의해 주도됨이 밝혀졌습니다. 두 가지 주요 축이 확인되었습니다:
  1. 기초 ERBB2 활성화: ERBB2 자가 인산화를 조절하는 파라미터로, 기초 p-ERBB2 수준 및 지속적인 ERK 활성화와 강하게 상관관계가 있습니다.
  2. Ca²⁺/p38 신호 축: ERK에서 p90rsk로의 신호 전달을 조절하는 파라미터입니다. 이 축은 칼슘 신호 전달, PLCG 및 p38 마커와 상관관계가 있었으며, 이는 MAPK 경로와 칼슘 매개 신호 전달 사이의 크로스토크가 p90rsk로의 신호 증폭을 조절함을 시사합니다.
• 기계론적 통합 vs. 특징 증강: EGFR 전사 수준을 기계론적 모델에 직접 통합(합성률 재조정)했을 때 잠재 표현의 형태가 변화했습니다. 이 과정에서 EGFR 수준이 메커니즘에 의해 명시적으로 설명됨에 따라(잠재 공간 내 루미날 및 베이설 서브타입의 분리가 소실됨) 잠재 공간에서의 구분이 약화되었으나, 예측력은 유지되었습니다. 이는 DMM이 동일한 예측 성능을 유지하면서도 "분자 렌즈"(EGFR이 메커니즘을 통해 표현형을 구동하는 경우)와 "시스템 렌즈"(EGFR이 서브타입 마커로 작용하는 경우) 사이를 전환할 수 있음을 입증했습니다.
• 모델 실패를 통한 발견: 모델 예측과 실험 데이터 간의 불일치(모델 실패)를 체계적으로 분석하여 생물학적 통찰을 도출했습니다:
  • 희귀 변이: 특정 세포주(예: HCC2218, DU4475)에서의 높은 오차는 표준 회귀 모델이 기계론적 사전 지식 없이 포착하지 못한 변이(MET 엑손-14 결실, BRAF V600E)와 연결되었습니다.
  • 재발하는 프로그램: 세포주 그룹에서의 체계적인 오류는 희귀 변이뿐만 아니라, AMPK–BRAF MEK 억제제 저항성 축(PRKAA2 하향 조절과 관련됨) 및 Rho GTPase 변이와 유전자(TAGLN2, GSN 등)와 관련된 세포 골격/분비 프로그램을 포함한 재발하는 프로그램을 가리켰습니다.
• 한계 및 병목 현상: 훈련 세트 크기에 대한 분석 결과, 30개 세포주 이후로는 수확 체감의 법칙이 나타났으며, 이는 현재의 예측 한계가 데이터의 양보다는 기계론적 모델 아키텍처에 의해 제한됨을 시사합니다. 특징 증강은 성능을 약간 개선했으나, 특정 생물학적 가설(예: 리간드 유도 ERBB2 인산화)의 기계론적 통합이 항상 이득을 가져다주지는 않았으며, 이는 오히려 가설을 필터링하는 역할을 했습니다.

의의 및 주장
본 논문은 DMM이 메커니즘과 학습을 융합하는 일반적인 프레임워크를 제공하며, 다음과 같은 기능을 수행한다고 주장합니다:

1. 해석 가능성: 데이터 기반의 세포 상태가 어떻게 기능을 수행하는지에 대한 기계론적 설명을 제공함으로써, 통계적 상관관계와 생물학적 인과관계 사이의 간극을 메웁니다.
2. 외적 조절의 발견: 고정된 기계론적 모델만으로는 포착할 수 없었던 경로 외적 요인(예: Ca²⁺/p38 크로스토크)에 신호 전달 이질성을 성공적으로 귀속시켰습니다.
3. 체계적 실패 분석: 모델의 실패를 희귀 변이나 재발하는 신호 프로그램과 같은 후보 생물학을 발견하는 체계적인 경로로 전환했습니다.
4. 모달리티 불가지론(Modality Agnosticism): 이 프레임워크는 다른 모달리티(예: 이미징)로 자연스럽게 확장 가능하며, 동일한 데이터에 대해 분자적 기술과 시스템적 기술을 조화시키면서 둘 중 하나를 강요하지 않습니다.

저자들은 DMM이 현재 모델 아키텍처(특히 ODE의 거친 입도) 측면에서 한계에 직면해 있지만, 데이터 기반 표현 학습과 기계론적 생물학 모델링을 통합하는 중요한 진전이라고 결론지었습니다.