Single-Cell Foundation Models in Biotechnology: A Scoping Review and Bibliometric Analysis of Multimodal AI for Cell-State, Perturbation, and Biomarker Prediction

기술 요약: 생명공학 분야의 단일 세포 파운데이션 모델 (Single-Cell Foundation Models)

문제 제기
단일 세포 생물학 분야는 자연어 처리(NLP) 및 단백질 모델링의 트렌드를 반영하여, 광범위한 데이터셋으로 사전 학습된 후 특정 작업에 맞춰 미세 조정되는 거대 신경망인 "파운데이션 모델(foundation models)"을 빠르게 도입해 왔다. Geneformer, scGPT, scBERT와 같은 모델들은 세포 상태 분석, 섭동 예측(perturbation prediction), 바이오마커 발견을 위한 통합 임베딩을 약속하지만, 이러한 아키텍처가 더 단순한 대안들보다 갖는 체계적인 이점에 대해서는 아직 불완전하게 평가되어 있다. 벤치마크의 엄격성, 데이터 누수(data leakage), 재현성, 그리고 보고된 성능 향상이 실제적인 것인지 아니면 부실한 실험 설계의 결과물인지에 대한 비판적 우려가 지속되고 있다. 이러한 모델들의 지형, 벤치마크의 품질, 그리고 문헌 전반의 재현성 상태를 특성화하는 코드 기반의 실증적 분석이 부족한 실정이다.

연구 방법론
본 연구는 체계적인 범위 검토(scoping review)와 독창적인 계산 생체 계량학적 분석(computational bibliometric analysis)을 결과 결합하여 수행되었다. 저자들은 2020년부터 2026년 4월 사이에 발표된 문헌을 분석하기 위해 완전히 자동화된 파이프라인을 구축하였다.

• 데이터 검색: 네 개의 데이터베이스(PubMed, bioRxiv, Semantic Scholar, Crossref)를 8개의 구조화된 검색어로 쿼리하여 1,295개의 원시 레코드를 확보하였다.
• 스크리닝 및 중복 제거: 프로그램 방식의 관련성 필터를 통해 1,249개의 레코드를 유지하였으며, 이후 중복 제거(정확한 DOI 및 퍼지 타이틀 매칭 활용)를 거쳐 최종적으로 1,042개의 고유 레코드를 선정하였다.
• 자동 추출: 스크립트를 사용하여 모델 패밀리, 작업 유형, 입력 양상(modality), 재현성 마커(코드, 가중치, 데이터 가용성)를 포함한 레코드당 45개의 필드를 추출하였다.
• 생체 계량학적 분석: TF-IDF 벡터화와 K-means 클러스터링(k=8)을 이용한 토픽 모델링, 키워드 공기(co-occurrence) 네트워크 분석, 출판 타임라인 추적을 활용하였다.
• 품질 점수 산정: (1) 명명된 벤치마크 데이터셋, (2) 명시된 베이스라인 비교, (3) 명시적 평가 지표, (4) 독립적 검증의 존재 여부에 따라 프로그래밍 방식으로 0~4점 사이의 맞춤형 벤치마크 품질 점수를 부여하였다.
• 재현성 감사: 초록 내 키워드 매칭을 통해 코드, 모델 가중치, 학습 데이터의 가용성을 확인하여 종합 재현성 지수를 산출하였다.

주요 기여

1. 체계적 지형 매핑: 본 논문은 모델 아키텍처, 작업, 양상별로 1,042개의 레코드를 분류함으로써, 단일 세포 파운데이션 모델 분야에 대한 최초의 대규모 코드 기반 특성화를 제공한다.
2. 벤치마크 엄격성 감사: 벤치마크 수행의 방법론적 품질을 평가하기 위한 정량적 점수 체계를 도입하였으며, 이를 통해 베이스라인 비교와 독립적 검증의 체계적인 결여를 밝혀냈다.
3. 재현성 평가: 코드, 가중치, 데이터 공유의 낮은 비율을 문서화하여 "재현성 격차"를 정량화하고, 이를 벤치마크 품질과 상관 분석하였다.
4. 주장의 비판적 평가: 보고된 베이스라인 및 작업 성능을 바탕으로 "파운데이션 모델의 우월성"이라는 서사를 실증적으로 검증하였다.

주요 결과

• 출판 성장: 해당 분야는 2020년에서 2025년 사이 연간 출판량이 약 24배 성장하였으며, 대규모 언어 모델의 부상과 맞물려 2022년 이후 급격한 변곡점을 보였다.
• 모델 지형: 멀티모달 융합(multimodal fusion) 아키텍처가 29.4%로 가장 지배적이었으며, 표준 어텐션/트랜스포머 모델(22.0%)과 VAE 기반 생성 모델(17.6%)이 그 뒤를 이었다. 진정한 "파운데이션 규모"의 사전 학습 모델(거대한 사전 학습 목적을 주장하는 모델)은 전체 문헌의 13.9%에 불과했다.
• 작업 분포: 세포 유형 주석(cell-type annotation, 29.9%), 공간 재구성(spatial reconstruction, 28.6%), 섭동 예측(perturbation prediction, 27.9%)이 가장 흔한 다운스트림 작업이었다.
• 벤치마크 품질: 중간 벤치마크 품질 점수는 1/4점이었다. 오직 12.4%의 논문만이 3 또는 4점을 획득하였다. 결정적으로, 명시적인 베이스라인 비교는 초록의 25.7%에서만 나타났고, 독립적 검증은 단 9.3%에서만 확인되었다.
• 재현성: 코드는 40.4%의 레코드에서 탐지되었으나, 모델 가중치(15.0%)와 학습 데이터(19.5%)는 거의 공유되지 않았다. 종합 재현성 지수는 평균 0.25였다.
• 베이스라인 성능: 분석 결과, 단순한 베이스라인(예: PCA 임베딩 상의 로지스틱 회귀, scVI)이 대규모 트랜스포머 모델과 대등한 경쟁력을 갖추는 경우가 빈번함에도 불구하고, 발표된 비교 연구에서는 거의 포함되지 않는다는 사실이 드러났다.

의의 및 주장
본 논문은 해당 분야가 급격히 확장되며 정교한 도구들을 생산하고 있으나, 누적되는 과학적 가치는 일관되지 않은 재현성과 벤치마크 엄격성에 의해 제한되고 있다고 주장한다.

• 우월성에 대한 완만한 주장: 저자들은 파운데이션 모델이 단순한 베이스라인보다 우월하다는 증거가 종종 취약하거나 맥락 의존적이라고 단언한다. 세포 유형 주석과 같은 작업의 경우, 사전 학습된 표현이 퓨샷(few-shot) 시나리오에서 완만하지만 일관된 이점을 보여주지만, 섭동 예측이나 약물 반응에서의 거대한 이득에 대한 주장은 엄격한 분포 외(out-of-distribution) 테스트에 의해 뒷받침되지 않는 경우가 많다.
• "규모(Scale)" 문제: 본 논문은 "파운데이션 모델"로 명명된 많은 모델들이 NLP의 대응물들과 비교했을 때 수십 배에서 수백 배 더 작은 데이터 규모(수만~수십만 개의 세포)로 학습된다는 점을 지적하며, 이러한 스케일링의 생물학적 필요성이 엄격하게 입증되지 않았음을 언급한다.
• 표준화 촉구: 본 연구의 주요 의의는 구체적인 격차를 식별한 데 있다: 즉, 표준화된 벤치마크 세트(NLP의 GLUE와 유사한), 평가 시 단순 베이스라인 포함의 의무화, 그리고 모델 가중치 공유를 위한 인프라 구축의 필요성이다. 저자들은 이 분야가 급격한 확산의 시기를 지나 누적적이고 재현 가능한 과학적 발전의 단계로 전환되기 위해서는 오픈 코드, 데이터 및 표준화된 프로토콜의 폭넓은 채택이 필요하다고 결론짓는다.