pysigscore: gene signatures scoring across bulk and single-cell transcriptomics

기술 요약: pysigscore: 벌크 및 단일 세포 전사체 데이터에 대한 유전자 시그니처 스코어링

문제 정의
고처리량 전사체학은 유전자 시그니처를 진단, 예후 및 생물학적 기능 특성화에서 유전자 발현 데이터를 해석하는 핵심 도구로 확립시켰다. 그러나 시그니처 활성을 정량화하고 그 견고성(robustness)을 평가하는 것은 여전히 어려운 과제로 남아 있다. 기존의 스코어링 방법들은 배경 분포, 견고성 및 통계적 기초(예: 단순 요약, Z-통계량 또는 순위 기반 접근 방식)에 관한 다양한 가설에 의존한다. 결과적으로, 모든 데이터셋이나 생물학적 질문에 보편적으로 최적인 단일 스코어링 접근 방식은 존재하지 않는다. 따라서 연구자들이 여러 스코어링 방법을 계산, 비교 및 벤치마킹하는 동시에 그 통계적 유의성과 신뢰성을 평가할 수 있는 통합된 프레임워크에 대한 뚜렷한 필요성이 존재한다.

방법론
저자들은 벌크 및 단일 세포 RNA-seq(scRNA-seq) 데이터 모두를 위한 유전자 세트 스코어링용 파이썬 프레임워크인 pysigscore를 제시한다. 이 프레임워크는 데이터 전처리, 점수 계산, 신뢰성 평가 및 시각화로 구성된 통합 워크플로우를 관리하는 Scorer() 객체에 의해 조정된다.

• 입력 및 전처리: 시스템은 발현 행렬(DataFrame 또는 AnnData 객체 형태)과 유전자 세트(딕셔너리 또는 이진 행렬 형태)를 입력으로 받는다. 로그 변환, 표준화, 최소-최대 스케일링(min-max scaling), k-최근접 이웃(k-NN) 평활화(smoothing), 단계/분위수 변환을 포함한 광범위한 전처리를 지원한다.
• 스코어링 엔진: 핵심 기능은 compute_scores() 함수에 의해 구동되며, 이는 행은 샘플/세포를, 열은 유전자 세트를 나타내는 점수 행렬을 생성한다. 프레임워크는 세 가지 계열로 분류된 18가지 내장 스코어링 방법을 구현한다:
  1. 직접 통계 방식 (14가지 방법): Sum, WeightedSum, Mean, Median, Mode 및 IQR, MAD, AAD와 같은 강건한 통계량을 포함한다. 이들은 시그니처 유전자의 값을 직접 요약하여 스칼라 값을 계산한다.
  2. Z-score (1가지 방법): 샘플 내 전체 발현 프로파일에 대해 유전자 세트의 평균 발현을 표준화한다.
  3. 순위 기반 방식 (3가지 방법): 샘플 내 상위 순위에 위치한 유전자들 사이에서 시그니처 유전자의 농축(enrichment) 정도를 평가하는 AUCell, ssGSEA, GSVA를 포함한다.
• 커스터마이징: 주요 특징은 Custom Scorer로, 사용자가 라이브러리 소스 코드를 수정하지 않고도 파이썬 코드를 통해 새로운 스코어링 함수를 정의할 수 있게 한다. 이러한 함수는 반드시 시그니처 유전자 발현 벡터와 전체 샘플 발현 벡터를 입력으로 받아야 한다.
• 신뢰성 및 유의성:
  • P-값 추정: 직접 방식의 경우, 크기가 일치하는 무작위 유전자 세트를 사용하여 널(null) 분포를 생성하고 +1 보정을 적용하는 순열 검정(permutation testing)을 통해 유의성을 추정한다. Z-score는 표준 정규 분포로부터 분석적인 양측 p-값을 사용한다. 순위 기반 방식은 경험적 절차 또는 백엔드 구현을 활용한다.
  • Leave-One-Out (LOO) 실험: 시그니처 내 각 유전자를 반복적으로 제거한 후 점수를 재계산하여 견고성을 평가한다. 편차는 특정 "허브(hub)" 유전자에 대한 의존성을 식별하기 위해 평균 절대 오차(MAE), 평균 제곱 오차(MSE) 또는 평균 절대 백분율 오차(MAPE)를 사용하여 정량화된다.

주요 기여
본 논문은 이전 작업(예: R 패키지 sigscores 및 sigQC)을 확장하는 다섯 가지 주요 기여를 주장한다:

1. scRNA-seq 방법의 통합: 단일 세포 전사체학을 위해 특별히 개발된 새로운 접근 방식들을 통합하여 내장된 방법의 수를 18개로 확장했다.
2. 통합된 커스터마이징: 유연한 내장 커스텀 스코러를 제공하여, 사용자가 단일 라이브러리 내에서 기존 방식들과 자신의 스코어링 함수를 구현, 벤치마킹 및 직접 비교할 수 있도록 한다.
3. 유전자 수준의 기여 분석: LOO 실험을 통해 시그니처 활성에 대한 개별 유전자의 기여도를 평가할 수 있게 한다.
4. 확장성: 대규모 전사체 데이터셋을 효율적으로 처리할 수 있도록 최적화되었다.
5. 상호 운용성: 주요 RNA-seq 분석 프레임워크(예: AnnData)와 직접 호환되어 기존 파이프라인에 원활하게 통합된다.

결과
저자들은 CCLE, TCGA 및 PBMC 데이터셋을 사용하여 pysigscore를 검증하였다. 검증 결과, 본 프레임워크가 간(liver), 저산소증(hypoxia), 염증 및 세포 주기 시그니처에서 기대되는 생물학적 농축을 성공적으로 회복함을 입증하였다. 결과는 프레임워크가 다양한 유형의 데이터를 성공적으로 처리할 수 있으며, 서로 다른 실험 환경에서도 일관되고 해석 가능한 점수를 산출할 수 있음을 확인시켜 준다.

의의
본 논문은 pysigscore를 단순한 계산 도구가 아니라 방법론적 비교를 위한 재현 가능한 프레임워크로 자리매김한다. 사용자가 서로 다른 스코어링 방법들을 동시에 계산, 비교 및 평가할 수 있게 함으로써, 단일한 최적의 방법이 존재하지 않는다는 한계를 해결한다. 이 도구는 연구자들이 사전에 단 하나의 "최선"의 방법을 선택하는 것을 넘어, 특정 생물학적 질문과 데이터셋의 특성에 가장 잘 부합하는 스코어링 전략을 데이터 기반으로 결정할 수 있도록 지원한다.