💻 생물정보학

CloneVI: A deep generative model for deciphering the relationships between cell state and mitochondrial genotype

CloneVI는 단일 세포 유전자 발현 또는 염색질 접근성 데이터로부터 클론 구조를 추론하여 다양한 질병 맥락에서 미토콘드리아 DNA 변이와 특정 세포 상태 사이의 관계를 밝혀내는 딥 생성 모델이다.

원저자: Hibi, T., Kojima, Y., Hayashi, S., Hisose, H., Mizukoshi, C., Shimamura, T.

게시일 2026-11-04

📖 4 분 읽기☕ 가벼운 읽기

원저자: Hibi, T., Kojima, Y., Hayashi, S., Hisose, H., Mizukoshi, C., Shimamura, T.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

모든 살아있는 세포 안에는 두 가지 서로 다른 언어로 쓰인 복잡한 역사가 담겨 있습니다. 한 가지 언어는 유전 암호로, 공유된 돌연변이를 통해 어떤 세포들이 서로 연관되어 있는지를 추적하는 가계도 역할을 하는 DNA입니다. 다른 한 가지 언어는 세포의 현재 상태, 즉 세포가 감염과 싸우고 있는지 아니면 더 많은 조직을 만들기 위해 분열하고 있는지와 같이 지금 이 순간 세포가 무엇을 하고 있는지에 대한 스냅샷입니다. 오랫동안 과학자들은 이 두 가지 언어를 따로 읽을 수 있었습니다. 그들은 DNA를 살펴봄으로써 암세포의 가계도를 지도화하거나, 세포의 활동을 측정함으로써 세포가 무엇을 하고 있는지 관찰할 수 있었습니다. 하지만 세포의 가계 역사가 어떻게 현재의 행동을 형성하는지 이해하는 것은 어려웠는데, 두 언어를 동시에 읽을 수 있는 도구들이 대개 너무 투박했기 때문입니다. 그들은 가계도는 볼 수 있었지만, 그 가계도가 세포의 일상생활에 어떻게 영향을 미치는지, 혹은 그 반대의 경우를 파고드는 데는 어려움을 겪었습니다.

나고야 대학교와 다른 기관의 연구진이 개발한 CloneVI라는 새로운 도구는 두 언어를 동시에 읽는 법을 배움으로써 이 문제를 해결합니다. 연구진은 세포 내부의 작은 발전소인 미토콘드리아에서 발견되는 특정 유형의 유전적 표식에 주목했습니다. 미토콘드리아 DNA의 이러한 작은 변화들은 어떤 세포가 동일한 가계에 속하는지를 식별할 수 있는 천연 태그 역할을 합니다. 문제는 이 태그들이 종종 흩어져 있어 찾기 어렵고, 이를 가진 세포들이 매우 서로 다른 일을 하고 있을 수도 있다는 점이었습니다. 연구진은 단순히 태그를 찾아 가계도를 만드는 데 그치지 않고, 딥러닝 모델을 구축했습니다. 대신, 이 모델은 먼저 세포의 현재 활동을 이해하는 법을 배운 다음, '이러한 활동을 고려할 때, 이 세포는 어떤 가계에 속할 가능성이 가장 높은가?'라고 질문합니다. 이 접근 방식은 전통적인 방식을 뒤집어, 유전적 가족이 다양한 유형의 세포 행동에 어떻게 분포되어 있는지를 모델이 볼 수 있게 해줍니다.

연구진은 먼저 컴퓨터 시뮬레이션을 통해 이 아이디어를 테스트했으며, 정답을 알고 있는 인공 데이터를 생성했습니다. 이 테스트에서 모델은 서로 다른 가족들이 같은 세포 집단 안에 섞여 있는 상황에서도 숨겨된 가계 구조를 성공적으로 재구성했습니다. 모델은 어떤 세포가 특정 가문에 속할 확률이 매우 높다고 판단하거나, 두 가문이 겹치는 회색 지대에 있는 경우에도 하나의 경직된 선택을 강요하는 대신 각 가능성에 확률을 할당함으로써 모호함을 처리할 수 있었습니다. 이러한 불확실성을 다루는 능력은 실제 생물학적 시스템이 결코 흑백 논리로 설명되지 않기 때문에 매우 중요합니다.

연구진이 이 기술을 혈액 질환 환자의 실제 데이터에 적용했을을 때, 결과는 놀라웠습니다. 돌연변이가 축적되는 질환인 클론성 조혈 작용(clonal hematopoiesis)을 앓는 환자의 세포가 포함된 데이터셋에서, 모델은 단순히 돌연변이에 의해 정의될 뿐만 아니라 세포가 무엇을 하고 있는지에 의해서도 정의되는 특정 세포 가문들을 식려냈습니다. 모델은 특정 돌연변이 가문들이 특정 유형의 면역 세포, 특히 활발히 싸우고 있는 T세포에 집중되어 있음을 발견했습니다. 모델은 단순 평균에 의존하는 기존 방식보다 뛰어난 성능을 보이며, 새로운 세포의 활동 패턴만을 보고도 그 세포에 이러한 돌연변이가 존재할지를 예측할 수 있었습니다. 이는 세포의 가계 역사가 현재의 기능과 깊게 연결되어 있으며, 일부 돌연변이 가문은 특정 세포 환경에서만 번성한다는 것을 보여주었습니다.

또한 연구진은 DNA가 얼마나 단단하게 응축되어 있는지를 살펴보는 다른 방식으로 세포 활동을 측정하여, 만성 림프구 백혈병 데이터를 통해 이 도구를 테스트했습니다. 여기서 모델은 정확히 동일한 돌연변이를 가지고 있지만, 그 돌연변이의 양(수준)이 서로 다른 두 그룹의 세포를 구별해 냈습니다. 이는 마치 두 가계가 같은 성씨를 공유하지만 서로 다른 양의 가업 유산을 물려받은 경우와 같으며, 모델은 세포의 활동을 바탕으로 이들을 구분해 냈습니다. 모델은 이 중 한 그룹을 질병의 진행과 관련이 있는 PAX9 유전자에 대한 접근성이 높아진 상태와 연결 지었습니다. 이 발견은 모델이 특정 유전적 계보를 질병을 유발하는 특정 생물학적 기제와 연결할 수 있음을 시사합니다.

5명의 기증자로부터 얻은 10만 개 이상의 세포를 포함하는 대규모 난소 종양 연구에서, 이 접근 방식의 위력은 더욱 명확해졌습니다. 모델은 면역 세포가 암과 싸우느라 지쳐 있는 상태인 '면역 소진(exhaustion)' 상태와 같은 특정 상태에 군집해 있는 돌연변이 세포 집단을 식별했습니다. 세포가 돌연변이 가문에 속할 가능성에 따라 분석에 가중치를 부여함으로써, 연구진은 해당 돌연변이 세포들에서 어떤 생물학적 프로그램이 활성화되어 있는지 정확히 짚어낼 수 있었습니다. 그들은 이 소진된 돌연변이 세포들이 비돌연변이 세포와는 다른 독특한 활동 패턴을 보인다는 것을 발견했으며, 이를 통해 질병 진행의 구체적인 분자적 특징을 밝혀냈습니다.

이 연구는 세포가 무엇을 하고 있는지에서 시작하여 가계 역사로 거슬러 올라감으로써, 과학자들이 이전에 숨겨져 있던 관계들을 밝혀낼 수 있음을 보여줍니다. 모델은 세포를 경직된 상자에 강제로 집어넣는 대신, 가계 라인과 세포 상태가 중첩되고 상호작용하는 풍경을 그려냅니다. 이는 유전적 변화가 암과 같은 질병에서 나타나는 행동의 다양성을 어떻게 주도하는지 이해하는 새로운 방법을 제공합니다. 연구진은 이 소프트웨어를 다른 이들도 사용할 수 있도록 공개하여, 세포의 과거와 현재 사이의 복잡한 상호작용을 바라보는 새로운 렌즈를 제공했습니다.

CloneVI 기술 요약

문제 정의
종양 내 이질성은 유전적 계통(클론)과 비유전적 조절에 의한 세포 상태 모두에서 발생합니다. 클론이 질병을 어떻게 형성하는지 이해하려면 어떤 세포 상태가 특정 계통과 연결되어 있는지 알아야 합니다. 단일 세포 멀티오믹스 기술은 미토콘드리아 DNA(mtDNA) 돌연변이와 유전자 발현 또는 염색질 접근성을 동시에 측정할 수 있지만, 현재의 분석 방식은 일반적으로 돌연변이로부터만 클론 구조를 추론한 뒤 그 사전에 정의된 클론에 세포 상태를 매핑합니다. 이러한 "유전자 우선(genotype-first)" 접근 방식에는 결정적인 한계가 있습니다. 만약 동일한 유전적 클론을 가진 세포들이 다양한 상태로 존재한다면, 해당 클론을 특징짓는 특정 상태가 가려질 수 있기 때문입니다. 또한, 기존 방법들은 종종 클론을 이산적이고 이진적인 할당으로 취급하여, 세포 상태 전이의 연속성이나 특정 상태 내에서의 클론의 확률적 중첩을 포착하지 못합니다.

방법론: CloneVI
저자들은 유전적 및 비유전적 이질성을 통합하는 변이형 오토인코더(VAE) 기반의 딥 생성 모델인 CloneVI를 제안합니다. 이전 방법들과 달리, CloneVI는 돌연변이로부터만 클론 구조를 추론하는 것이 아니라, 비유전적 데이터(유전자 발현 또는 염색질 접근성)로부터 도출된 잠재 세포 상태로부터 직접 클론 구조를 추론합니다.

모델은 다음 구성 요소들을 통해 작동합니다:

인코더(Encoder): 비유전적 입력 데이터( $x_c$ , 예: 유전자 발현 카운트 또는 염색질 접근성)를 저차원 잠재 변수( $z_c$ )로 압축하며, 이는 "세포 상태"를 나타냅니다.
클론 확률 디코더(Clonal Probability Decoder): 오직 잠재 세포 상태 $z_c$ 만을 기반으로, 한 세포가 추론된 $K$ 개의 클론 중 각각에 속할 확률( $\pi_c$ )을 추정합니다. 이를 통해 세포 상태 공간 상에 연속적인 클론 확률 지형을 생성합니다.
돌연변이 재구성 디코더(Mutation Reconstruction Decoder): 각 세포의 관찰된 mtDNA 돌연변이 카운트( $b_c$ )를 재구성합니다. 이 모델은 이항 분포를 사용하여 돌연변이 카운트를 모델링하며, 여기서 기대 변이 대립유전자 빈도(VAF)는 클론별 대립유전자 빈도( $\phi_k$ )와 세포의 클론 확률( $\pi_c$ )에 의해 결정됩니다.
학습 목적 함수(Training Objective): 관찰된 돌연변이 카운트의 가능도(likelihood)를 최대화하는 동시에, 비유전적 데이터의 재구성 오차와 잠재 공간의 KL 발산(KL divergence)을 최소화함으로써 모델을 학습시킵니다. 불필요한 클론의 추론을 방지하기 위해 정규화 항(group lasso)이 사용됩니다.
주요 특징:
- 연속적 확률 추론: 클론 경계 근처에 있거나 공유된 상태에 있는 세포들에 대해 단일 클론을 강제하는 대신 분수 형태의 확률을 할당합니다.
- 상태 풍부성 포착(State-Enriched Capture): 특정 세포 상태에 풍부하게 존재하는 돌연변이 세포 집단을 우선적으로 포착합니다.
- 헤테로플라시(Heteroplasmy) 분리: 대립유전자 빈도( $\phi$ )를 이진 돌연변이 상태가 아닌 모델링함으로써, CloneVI는 동일한 돌연변이를 서로 다른 헤테로플라시 수준으로 보유한 집단을 구분할 수 있습니다.
- 배경 분리(Background Separation): 모델은 대립유전자 빈도를 모든 클론이 공유하는 성분(배경)과 클론 특이적 성분으로 분해할 수 있습니다.

주요 결과
저자들은 시뮬레이션 데이터와 세 가지 실제 데이터셋을 사용하여 CloneVI를 검증했습니다.

시뮬레이션 데이터: PBMC3k 기반 시뮬레이션을 통해, CloneVI는 단일 클론 및 혼합 클론 집단 모두에서 실제(ground-truth) 클론 구조를 성공적으로 회복했습니다. 또한 각 발현 클러스터의 지배적인 클론과 혼합 정도를 연속적인 확률로서 정확하게 추정했습니다.
MAESTER 데이터 (클론성 조혈, scRNA-seq): 클론성 조혈 환자의 데이터에 적용했을 때, CloneVI는 6개의 클론을 추론했습니다. 이는 특정 mtDNA 변이를 독특한 세포 상태와 연결시켰으며, 특히 클론 3과 5가 특정 T-세포 수용체(TCR) 가변 영역( $TRBV7-9$ 및 $TRDV2$ )의 높은 발현과 연관되어 있음을 식별했습니다. 결정적으로, CloneVI의 세포 상태 기반 확률로부터 도출된 재구성 VAF는 세포 유형의 평균 VAF를 사용하는 베이스라인보다 테스트 세포의 관찰된 VAF를 더 잘 예측했습니다. 모델은 특정 세포 상태에 풍부한 돌연변이 세포 집단을 우선적으로 포착했으며, 세포 상태 풍부성과 모델의 돌연변이/비돌연변이 구분 능력(AUC) 사이에 강한 양의 상관관계를 보여주었습니다.
CLL mtscATAC-seq 데이터: 만성 림프구 백혈병 데이터에서, CloneVI는 동일한 mtDNA 돌연변이(위치 5140)를 보유하고 있으나 헤테로플라시 수준이 다른 집단(클론 1 vs 클론 3)을 분리해 냈습니다. 또한, 특정 변이와 관련된 클론 4가 PAX9 로커스 주변의 염색질 접근성을 증가시킨다는 것을 확인했습니다. PAX9는 이전에 CLL 예후와 연관된 것으로 알려진 유전자입니다.
난소 종양 코호트 (다중 기증자, mtscATAC-seq): 5명의 기증자로부터 얻은 108,260개 세포의 대규모 코호트에서, CloneVI는 17개의 클론을 추론했습니다. 이는 클론이 종종 단일 기증자 내에 국한되며, 기증자 내의 중첩된 클론을 분리할 수 있음을 입증했습니다. 클론 확률( $\pi$ )에 가중치를 둔 CD8+ T 세포에 대한 차등 테스트( $\pi$ -weighted test) 결과, 돌연변이 세포가 집중된 상태인 T-세포 소진(exhaustion) 상태와 일치하는 전사 인자 활성(NFAT, NR4A1, EGR)을 나타냈습니다. 이 $\pi$ -가중 방식은 이진 돌연변이 기반 테스트보다 클론의 세포 상태를 더 효과적으로 특징지었습니다.

의의 및 주장
본 논문은 CloneVI가 세포 상태와 mtDNA 돌연변이를 통합하는 확률적 프레임워크를 제공하며, 분석의 초점을 "유전자 우선"에서 "상태 우선" 추론으로 전환한다고 주장합니다. 이 연구의 주요 의의는 다음과 같습니다:

단순히 유전적 구조 자체를 설명하는 것을 넘어, 특정 세포 상태와 연관된 유전적 클론을 식별합니다.
돌연변이 세포가 집중되는 세포 상태의 분자적 특성(전사 또는 염색질)을 규명합니다.
이진 방법론이 놓치기 쉬운 세포 상태의 연속성과 헤테로플라시 수준을 처리합니다.

저자들은 CloneVI를 유전자 우선 방법론을 보완하는 도구로 위치시킵니다. 유전자 우선 방법론이 유전적 클론 구조를 설명한다면, CloneVI는 그 구조의 어느 부분이 특정 세포 상태와 연관되어 있는지를 식별합니다. 저자들은 클론 확률이 모든 세포(돌연변이가 커버되지 않은 세포 포함)에 대해 정의되므로, 이 방법이 단일 세포 데이터에서 검출되는 핵체 돌기 돌연변이(nuclear somatic mutations)로 확장될 수 있음을 언급했으나, 본 연구는 mtDNA에 집중했습니다. 이 도구는 단일 세포 해상도에서 유전적 및 비유전적 이질성 연구를 촉진하기 위해 오픈 소스 소프트웨어로 공개되었습니다.

유사한 논문