scLodestar: Scalable probabilistic clustering of single  cells in a continuous probability space

scLodestar 기술 요약

문제 정의
기존의 단일 세포 RNA 시퀀싱(scRNA-seq) 분석은 각 세포를 하나의 이산적인(discrete) 클러스터에 할당하는 "하드(hard)" 클러스터링 알고리즘(예: Leiden, Louvain)에 의존합니다. 저자들은 이러한 패러다임이 세포가 흔히 연속적인 분화 궤적을 따르고, 여러 계통의 마커를 공동 발현하며, 전이 상태(transitional states)를 점유하는 생물학적 실재에 인위적인 불연속성을 강요한다고 주장합니다. 하드 클러스터링은 이러한 이질성을 은폐하고, 임의적인 경계 결정을 강요하며, 원칙적인 불확실성 정량화를 제공하지 못합니다. 나아가, 소프트 클러스터링, 궤적 추론 또는 딥 생성 모델과 같은 기존의 대안들은 아틀라스 규모의 데이터셋에 대한 확장성이 부족하거나, 해석 가능한 멤버십을 제공하지 못하거나, 방향성에 대한 사전 지식을 요구하는 경우가 많습니다.

방법론
scLodestar(Single Cell Landmark-based Teleportation Markov Chain Clustering)는 각 세포를 이산적인 라벨이 아니라, 확률 심플렉스(probability simplex) $\Delta_{L-1}$ 내의 $L$개 "랜드마크(landmark)" 상태에 대한 확률 분포로 표현하는 프레임워크를 제안합니다. 워크플로우는 세 가지 주요 단계로 구성됩니다:

1. 그래프 구축: 세포 임베딩(일반적으로 PCA 좌표)으로부터 공유 최근 이웃(SNN) 그래프를 구축합니다. 엣지 가중치는 이웃 집합의 자카드 유사도(Jaccard similarity)에 의해 결정되며, 밀도 불균형을 처리하기 위해 선택적인 가지치기(pruning) 및 비등방성 정규화(anisotropic renormalization)가 수행됩니다.
2. 밀도 인식 랜드마크 선택: 대표 세포(랜드마크)는 k-medoids 클러스터링을 통해 선택됩니다. 희소 영역이 반드시 표현되도록, 이 방법은 선택 과정에서 저밀도 세포에 더 높은 가중치를 부여하는 밀도 인식 오버샘플링(density-aware oversampling)을 채택합니다. 저자들은 이 단계를 가속화하기 위해 맞춤형 OneBatchPAM 알고리즘을 도입했습니다.
3. Random Walk with Restart (RWR)를 통한 투영: 세포들은 개인화된 페이지랭크(personalized PageRank)를 사용하여 확률 심플렉스로 투영됩니다. 무작위 보행자(random walker)는 한 랜드마크에서 시작하여, 확률 $\alpha$로 해당 랜드마크로 다시 텔레포트하거나, 확률 $1-\alpha$로 SNN 가중치에 기반하여 이웃으로 이동합니다. 각 랜드마크에 대한 이 보행의 정상 분포(stationary distribution)는 모든 세포의 멤버십 확률을 정의합니다. 이는 희소 행렬(sparse matrix)에 대한 거듭제곱 반복법(power iteration)을 통해 해결됩니다.

주요 기술적 기여

• 확률적 표현: scLodestat은 이산적인 라벨 대신 각 세포에 대해 멤버십 벡터 $m_i \in \Delta_{L-1}$를 출력합니다. 이를 통해 다음이 가능해집니다:
  • 불확실성 정량화: 할당 불확실성은 엔트로피($H_i$)와 확률 마진($\Delta_i$)을 통해 측정되어, 전이 중인 세포나 모호한 세포를 식별합니다.
  • 연속적 마커 식별: 유전자는 이산적인 그룹이 아닌 연속적인 멤버십 벡터와 상관관계를 가짐으로써 식별되며, 이를 통해 점진적인 발현 변화를 포착합니다.
  • 충실한 임퓨테이션(Faithful Imputation): 유전자 발현은 랜드마크 발현 프로파일의 디리클레 가중 평균(Dirichlet-weighted average)으로 임퓨테이션됩니다. 이는 특정 상태에 대한 친화력이 제로인 세포에 발현 패턴을 할당하는 "환각(hallucination)" 현상을 방지합니다.
• 커스텀 커널을 통한 확장성: 대규모 데이터셋에 대한 확률적 방법의 계산 비용 문제를 해결하기 위해, 저자들은 두 가지 고성능 C/Cython 커널을 구현했습니다:
  • OneBatchPAM: 배치 기반 거리 계산과 조기 종료를 사용하여 표준 k-medoids(BanditPAM)보다 랜드마크 선택 속도를 400배 가속화합니다.
  • Sparse CSR-Optimized RWR: CSR(Compressed Sparse Row) 행렬 연산을 활용하여 NetworkX 구현 대비 무작위 보행 계산 속도를 100배 가속화합니다.
• 확률 공간에서의 배치 교정(Batch Correction): 이 방법은 확률 분포를 심플렉스 내에서 정렬함으로써 다중 샘플 데이터를 통합하며, 확률 벡터의 내재된 정규화 특성을 활용하여 기술적 변동에 대한 민감도를 줄입니다.

결과
저자들은 네 가지 다양한 데이터셋을 통해 scLodestar를 검증했습니다:

1. 인간 골수 (17k 세포): 이 방법은 26개의 랜드마크 클러스터를 식별하였으며, 하드 클러스터링에서는 가려졌던 전이 인구 집단을 드러냈습니다. 또한 세포 연속체에 대한 색상 혼합 시각화와 상관관계 기반 마커 검출을 가능하게 했습니다.
2. 10x Genomics 3k PBMCs: 신뢰도 기반 세포 선택(모호한 세포 필터링)과 충실한 유전자 임퓨테이션을 입증했습니다. Ptprc 및 Reln과 같은 마커의 경우, 임퓨테이션은 음성 인구 집단에서 허위 신호를 도입하지 않으면서 배경 노이즈를 제거했습니다.
3. 마우스 배아 메조더름 (3백만 세포): 파이프라인은 약 5분 만에 3백만 개의 세포를 처리했습니다. 저자의 주석(annotation)에 대해 높은 순도(0.78)와 균질성(0.68)을 달성하였으며, 복잡한 발달 궤적과 하위 유형(예: 연골 세포 하위 유형)을 성공적으로 포착했습니다.
4. 당뇨병성 신장 질환 (14명의 기증자): Harmony와의 배치 교정 벤치마크에서, scLodestar는 생물학적 보존 지표에서 경쟁력 있는 수치를 유지하면서도 더 우수한 배치 혼합(높은 iLISI 및 KBET 점수)을 달성했습니다.

의의 및 주장
본 논문은 scLodestar가 생물학적 미묘함과 계산적 확장성 사이의 간극을 메우는 통합된 프레임워크를 제공한다고 주장합니다. 세포 정체성을 완전한 확률 분포로 표현함으로써, scLodestar는 분화의 연속적인 특성과 표준 분석 파이프라인의 이산적 요구 사항 사이의 긴장을 해소합니다.

저자들은 다음과 같은 점을 강조합니다:

• 숨겨진 생물학적 사실 규명: 하드 클러스터링에서는 보이지 않는 전이 인구 집단과 점진적인 발현 변화를 밝혀냅니다.
• 충실도 보장: 확률적 멤버십에 근거하여 노이즈 제거를 수행함으로써 공격적인 임퓨테이션 방법에서 흔히 발생하는 "환각" 아티팩트를 방지합니다.
• 아틀라스 규모로의 확장: 알고리즘적 공동 설계(OneBatchPAM 및 CSR-RWR)를 통해, 3백만 개의 세포를 5분 만에 처리하며 확률적 클러스터링을 대규모 데이터셋에서도 가능하게 합니다.
• 새로운 통합 패러다임 제시: 확률 공간에서 세포를 정렬하는 것이 배치 효과를 제거하기 위한 유효하고 종종 더 우수한 대안임을 시사합니다.

저자들은 이 확률적 패러다임이 불확실성을 고려한 분석으로 분야의 전환을 이끌어, 아틀라스 수준의 데이터셋으로 확장되는 과정에서도 세포 정체성을 더욱 충실하게 표현할 수 있게 한다고 결론짓습니다.