PerturbLDM: conditional latent diffusion for modelling single-cell perturbation responses

현대 생물학의 광활한 풍경 속에서, 과학자들은 개별 세포를 조사함으로써 생명을 들여다보는 강력한 방법을 개발했습니다. 연구자들은 이제 조직이나 기관 전체를 하나의 혼합된 덩어리로 보는 대신, 단일 세포 내부를 들여다보고 그 세포의 유전적 지침인 전사 프로파일(transcriptional profile)을 읽을 수 있습니다. 이러한 상세한 관점은 세포가 어떻게 행동하고 있는지, 무엇을 하고 있는지, 그리고 환경에 어떻게 반응하고 있는지를 보여줍니다. 이 분야의 주요 목표는 세포가 교란되었을 때 어떻게 반응하는지 이해하는 것입니다. 이러한 교란, 즉 섭동(perturbations)은 약물, 온도 변화, 또는 화학적 신호의 변화일 수 있습니다. 이러한 반응을 지도화함으로써, 과학자들은 특정 조건에서 특정 세포가 어떻게 행동할지 예측하기를 희망합니다. 그러나 가능한 조합의 수는 압도적으로 많습니다. 셀 수 없이 많은 유형의 세포, 수천 가지의 잠재적 약물, 그리고 무한한 용량과 타이밍의 변형이 존재합니다. 실험실에서 모든 단일 조합을 테스트하는 것은 물리적으로 불가능합니다. 이는 거대한 지식의 공백을 남깁니다. 우리는 일부 시나리오에 대한 데이터는 가지고 있지만, 나머지 대부분의 상황에 대해서는 눈이 먼 상태입니다. 과제는 우리가 수행한 실험으로부터 학습하고, 그 지식을 사용하여 아직 테스트하지 않은 수백만 가지의 상황에서 어떤 일이 일어날지 정확하게 추측하는 방법을 찾는 것입니다.

이 간극을 메우기 위해, 연구진은 PerturbLDM이라는 새로운 계산 도구를 개발했습니다. 이 시스템은 세포 반응을 위한 정교한 시뮬레이터 역할을 하도록 설계되었습니다. 이 시스템은 단순히 추측하는 것이 아니라, 세포가 자극을 받았을 때 어떻게 변화하는지에 대한 근본적인 패턴을 학습합니다. 연구진은 Tahoe-100M 데이터셋을 이용한 사전 학습 단계를 통해 이 시스템을 훈련시켰습니다. 시스템이 이 광범적인 라이브러리로부터 세포 행동의 일반적인 규칙을 학습한 후, 연구진은 본 적 없는 결과를 예측하는 능력을 테스트했습니다. 결과는 놀라웠습니다. 훈련에서 제외되었던 13,942가지의 서로 다른 약물, 용량 및 세포주 조합의 효과를 예측하도록 요청받았을 때, PerturbLDM은 기존의 어떤 방법보다 더 정확하게 수행되었습니다. 95퍼센트 이상의 조건에서, 이 시스템의 예측은 개별 요인들의 효과를 단순히 합산한 단순한 수학적 기준점보다 실제 세계의 대조군과 더 잘 일치했습니다. 이는 이 시스템이 단순한 모델들이 놓치는 복잡하고 맥락 의존적인 상호작용을 포착한다는 것을 시사합니다.

이 접근 방식의 힘은 단순히 약물 반응을 예측하는 것을 넘어 확장됩니다. 연구진은 훈련된 시스템을 사용하여 PANACEA라고 알려진 화합물 컬렉션을 정리했습니다. 예측된 세포 반응이 얼마나 유사한지를 분석함으로써, 시스템은 동일한 생물학적 기전을 공유하는 화합물들을 성공적으로 그룹화했습니다. 단순히 화학적 구조가 아니라 세포에 미치는 실제 효과에 따라 화학 물질을 분류하는 이러한 능력은, 이 모델이 생물학의 기능적 논리를 이해하고 있음을 입증합니다. 또한 이 도구는 더 작고 구체적인 데이터셋에서도 효과적임이 증명되었습니다. 한 사례에서, 시스템은 임신 중기 태아 결장의 시뮬레이션된 상태를 생성했습니다. 이 테스트에서 시스템은 이전의 선도적인 방법보다 유전자 활성을 예측하는 데 있어 더 적은 오류를 범했으며, 다양한 유형의 조직 세포 사이의 섬세한 균형을 올바르게 유지했습니다. 면역 세포를 다룬 또 다른 테스트에서는, 면역 방어와 에너지 생산을 연결하는 복잡한 대사 경로를 포함하여 7개 중 6개의 특정 항바이러스 및 인터페론 프로그램을 정확하게 포착하며 특정 생물학적 환경에서 기존의 확립된 도구들을 능가했습니다.

이 연구가 중요한 이유는 단순히 숫자를 예측하는 것이 아니라, 현실적인 전체 세포 반응을 생성하기 때문입니다. 이 모델은 교란 후에 세포가 어떻게 보이고 행동하는지에 대한 완전한 그림을 만들어내며, 수천 개의 서로 다른 유전자 사이의 복잡한 관계를 보존합니다. 연구진은 이 방법이 거대한 데이터셋부터 작은 전문 연구에 이르기까지, 그리고 다양한 생물학적 환경에 걸쳐 작동한다는 것을 발견했습니다. 변화에 반응하는 세포의 심층 구조를 학습함으로써, PerturbLDM은 세포 생물학의 광대하고 미개척된 영역을 탐험할 수 있는 방법을 제시합니다. 이는 세포가 자극을 받을 때 어떤 일이 일起こ을지 볼 수 있는 신뢰할 수 있는 방법을 제공하며, 과학자들이 실험실에서 모든 실험을 수행할 필요 없이 잠재적인 치료법과 생물학적 반응의 복잡한 공간을 탐색할 수 있게 해줍니다.