Signature Recontextualization: Mapping perturbational signatures across biological contexts

연구실의 조용한 웅성거림 속에서, 과학자들은 살아있는 세포의 내부 기계 장치가 미세하게 조정될 때 어떻게 반응하는지를 종종 연구합니다. 그들은 단일 유전자를 끄거나 약물을 도입한 뒤, 세포의 지시 사항이 어떻게 변하는지 관찰할 수 있습니다. '섭동 전사체학(perturbational transcriptomics)'이라 알려진 이 분야는 인과관계에 대한 거대한 설문조사와 같으며, 특정 변화가 생명의 복잡한 네트워크를 통해 어떻게 파동처럼 퍼져나가는지를 밝혀냅니다. 그러나 중대한 장애물이 남아 있습니다. 실험실의 세포 접시에서 관찰된 반응이 살아있는 동물이나 인간의 장기 내부에서 일어날 때는 항상 똑같이 보이지 않는다는 점입니다. 환경이 변하면 결과도 변합니다. 이러한 단순한 모델과 복잡한 현실 사이의 간극은 초기 발견을 환자에게 효과적인 치료법으로 전환하는 것을 어렵게 만듭니다. 연구자들은 특정 변화가 새로운, 다른 생물학적 환경에서 어떻게 나타날지 예측하는 방법을 오랫동안 찾아왔지만, 이 퍼즐을 풀기 위해 설계된 도구들을 비교하는 과정은 서로 다른 팀들이 호환되지 않는 방식으로 성공을 측정함에 따라 혼란스러웠습니다.

이러한 혼돈에 질서를 가져오기 위해, 한 새로운 연구는 과학자들이 이러한 변화하는 반응을 얼마나 잘 예측할 수 있는지 테스트하는 명확하고 표준화된 방법을 소개합니다. 연구진은 이 과제를 '시그니처 재맥락화(signature recontextualization)'라고 정의했는데, 이는 단순히 알려진 변화 패턴을 한 설정에서 가져와 그것이 다른 설정에서는 어떻게 나타날지 파악하는 것을 의미합니다. 그들은 세 가지 뚜렷한 시나리오 하에서 예측 방법들을 평가하는 엄격한 테스트 환경을 구축했습니다. 첫 번째 시나리오는 가장 어려운 단계로, 대상 설정이 완전히 미지의 상태이며 기초적인 변형 없는 데이터만을 사용할 수 있는 경우입니다. 두 번째는 약간의 힌트를 허용하는 단계로, 새로운 설정에서 몇 가지 특정한 변화가 측정된 경우입니다. 세 번째는 폭넓은 시야를 제공하며, 대부분의 변화가 이미 알려져 있는 경우입니다. 이처럼 다양한 정보 수준을 가로질러 테스트함으로써, 연구팀은 정확한 추측을 하기 위해 얼마나 많은 데이터가 필요한지를 정확히 파악할 수 있었습니다.

이 연구는 단순한 통계적 기법부터 복잡한 인공지능 시스템에 이르기까지 여러 가지 접근 방식을 테스트했습니다. 그들은 데이터를 한 공간에서 다른 공간으로 투영하는 방식, 유전자 간의 연결을 도로망처럼 매핑하는 방식, 그리고 방대한 양의 생물학적 정보로 학습된 강력한 딥러닝 모델들을 조사했습니다. 이러한 방법들은 네 가지 별도의 실제 데이터 세트를 통해 도전받았습니다. 데이터 세트에는 세포주에서의 유전자 편집 및 약물 처리가 포함되었으며, 쥐의 실제 조직 내에서의 화학적 노출도 포함되었습니다. 이러한 살아있는 동물 조직의 포함은 평가를 고립된 세포를 넘어 전체 유기체라는 더 복잡한 현실로 이동시켰다는 점에서 매우 중요했습니다.

결과는 더 크고 복잡한 컴퓨터 모델이 항상 더 나을 것이라는 일반적인 믿음에 놀라운 반전을 선사했습니다. 연구는 단순한 투영 기반 방식과 네트워크 기반 방식이 가장 진보된 딥러닝 시스템과 비교했을 때 새로운 맥락에서 변화가 어떻게 보일지를 예측하는 데 있어 종종 대등하거나 심지어 더 낫다는 것을 발견했습니다. 이는 모델에 복잡성을 더하는 것이 새로운 생물학적 상황에 대한 일반화 능력을 자동으로 보장하지는 않는다는 점을 시사합니다. 대신, 예측의 성공은 구체적인 생물학적 요인에 크게 좌우되었습니다. 연구진은 어떤 변화는 예측하기 쉽고 어떤 것은 어렵다는 것을 관찰했는데, 이는 주로 시작 조건이 두 설정 사이에서 얼마나 유사한지, 초기 반응이 얼마나 강한지, 그리고 근본적인 생물학적 경로가 종 간에 보존되어 있는지에 따라 결정되었습니다.

이러한 진보가 계속될 수 있도록, 연구팀은 자신들의 데이터, 방법 및 테스트 도구를 오픈 소스 패키지로 공개했습니다. 이를 통해 전체 커뮤니티가 일관되지 않은 규칙으로 바퀴를 다시 발명하는 대신, 공유된 토대 위에서 연구를 쌓아 올릴 수 있게 됩니다. 이 작업이 실험실의 결과를 환자에게 전달하는 문제를 해결했다고 주장하는 것은 아니지만, 현재의 도구들이 어디에 위치해 있는지에 대한 명확한 지도를 제공합니다. 이는 복잡한 인공지능이 강력하긴 하지만 마법의 지팡이는 아니며, 구체적인 생물학적 맥락을 이해하는 것이 생명이 변화에 어떻게 반응하는지에 대한 정확한 예측을 만드는 핵심임을 보여줍니다.