Single-cell foundation models predict durable CAR T response despite imperfect cell annotation

기술 요약: 단일 세포 파운데이션 모델은 불완전한 세포 주석에도 불구하고 지속적인 CAR T 반응을 예측한다

문제 제기
CD19 표적 키메라 항원 수용체(CAR) T 세포 치료는 소아 B-세포 급성 림프구성 백혈병(B-ALL)에서 높은 초기 반응률을 달eric하지만, 약 절반의 환자가 1년 이내에 재발한다. 주입 후 B-세포 무결성 결핍(BCA)의 지속 기간은 CAR T 지속성을 나타내는 검증된 약리학적 대리 지표이다. 주입 전 CAR T 제품의 단일 세포 RNA 시퀀싱(scRNA-seq)에는 장기 지속성에 관한 예측 정보가 포함되어 있으나, 이 정보를 추출하려면 전통적으로 매우 정교하고 맞춤화된 생물정보학 기술과 전문가의 세포 주석(annotation)이 필요하다. 이러한 수동 주석에 대한 의존도는 재현성과 임상적 전환을 제한한다. 또한, 단일 세포 파운데이션 모델(scFM)—수백만 개의 세포로 사전 학습된 대규모 트랜스포머 기반 네트워크—이 사전 학습 코퍼스에서 주로 사용되는 휴식기 말초 혈액 세포와 상당한 분포 차이를 보이는 공학적 항원 자극 CAR T 제품에 일반화될 수 있는지 여부는 여전히 불분clear하다.

방법론
본 연구는 네 가지 서로 다른 scFM인 scGPT(생성형 트랜스포머), scFoundation(마스크드 오토인코더), CellPLM(세포 언어 모델), UCE(단백질 언어 모델 유래 유전자 표현형을 사용하는 범용 세포 임베딩)를 평가하였다.

1. 데이터셋:

   • 참조 데이터: 제로샷 벤치마킹 및 미세 조정(fine-tuning) 참조용으로 사용된 건강한 말초 혈액 단핵구(PBMC) 아틀라스(48,530개 세포, 31개 주석된 인구 집단).
   • 주요 코호트: 두 건의 임상 시험에서 얻은 33명의 소아 B-ALL 환자로부터 유래된 주입 전 CAR T 제품(231,088개 세포). 제품은 기저 상태(basal)와 CD19 자극 상태 모두에서 프로파일링되었다. 환자는 BCA 지속 기간에 따라 세 그룹으로 분류되었다: BCA1(짧음, n=17), BCA2(중간, n=11), BCA-L(장기 지속, n=5).
   • 주입 후 데이터: 교차 맥락 일반화 능력을 테스트하기 위한 단일 환자의 주입 후 데이터셋(9,525개 세포).

2. 워크플로우:

   • 주석(Annotation): 모델들은 제로샷 모드로 적용되었으며, scGPT와 scFoundation의 경우 건강한 공여체 분할 데이터로 미세 조정을 거친 후 적용되었다. 세포 유형 주석은 학습된 임베딩 공간 내에서 k-최근접 이웃(k-NN) 매핑을 통해 FAISS를 사용하여 수행되었다.
   • 성능 지표: 주석 정확도는 가중 F1 점수로 측정되었다.
   • 임상 예측: scFM 주석으로부터 도출된 환자 수준의 세포 유형 비율이 지속적인 BCA(BCA-L vs. 비지속)를 예측하는 로지스틱 회귀 분류기의 특징(feature)으로 사용되었다.
   • 검증: 예측 성능을 평가하기 위해 leave-one-out 교차 검증(LOOCV)이 사용되었다. 바이오마커의 통계적 유의성은 순열 검정(1,000회 라벨 셔플링)을 통해 결정되었다.

주요 결과

• 주석 성능 및 도메인 변화(Domain Shift):

  • 건강한 PBMC에 대해 네 모델 모두 제로샷 모드에서 0.84 이상의 가중 F1 점수를 기록했으며, 풍부한 인구 집단에서는 높은 정확도를 보였으나 희귀 하위 집단에서는 성능이 저하되었다.
  • 공학적으로 설계된 CAR T 제품에 모델을 적용했을 때 체계적인 정확도 손실이 발생하여, PBMC 대비 가중 F1 점수가 0.21~0.25 단위 감소하였다.
  • CD19 자극은 추가적인 페널티(0.10~0.26 F1 하락)를 부여하였으며, 이는 활성화 유도 전사 상태가 사전 학습 데이터에서 과소 대표되어 있음을 나타낸다.
  • 미세 조정은 scGPT의 성능을 개선했으나 scFoundation의 성능은 약간 감소시켰으며, 두 모델 모두 PBMC 수준의 정확도를 완전히 회복하지는 못했다.
  • 체계적 실패: 모든 모델은 아키텍처나 미세 조정 여부와 관계없이 CD4+ 조절 T(Treg) 세포(F1 ≈ 0.00)와 주입 후 탈진된 CD8+ 하위 집단을 일관되게 식별하는 데 실패했다.

• 불완전한 주석에도 불구하고 임상 예측 가능:

  • 세포당 주석 정확도가 감소했음에도 불구하고, scFM 유래 세포 비율은 장기 지속 BCA(BCA-L) 환자와 비지속 그룹을 성공적으로 층화하였다.
  • CD19 자극 데이터를 사용한 LOOCV의 AUC(ROC 곡선 아래 면적)는 0.879 (95% CI: 0.742–0.986)였다.
  • 바이오마커 발견: CD8+ XCL1/2+ 세포는 CD19 자극 조건 하에서 scGPT와 scFoundation 모두에서 지속적인 생존을 예측하는 일관된 유의미한 인구 집단으로 식s별되었다.
  • 전문가 주석과의 비교: 여러 세포 유형(예: CD4+ Th2/Th9/Th17, CD4+ memory)의 경우, scFM 유래 비율이 원래의 전문가 수동 주석에서 도출된 비율보다 변별력 측면에서 더 우수한 성능을 보였다 (예: Th2/Th9/Th17에 대해 ΔAUC = +0.25). 이는 scFM 임베딩이 이산적 범주형 라벨링에 의해 가려진 연속적인 전사 변이를 포착함을 시사한다.
  • 자극 상태: 바이오마커는 기저 상태와 자극 상태 간에 달랐다. CD8+ XCL1/2+ 및 CD8+ naïve 세포는 양쪽 모두에서 예측력이 있었으나, 증식 인구 집단은 기저 샘플에서만 유의미했다.

• 교차 맥락 일반화:

  • 주입 후 체내(in vivo) 데이터에 대해 모델들은 아키텍처에 따른 일반화 성능을 보였다. CellPLM이 가장 우수한 성능(F1=0.72)을 보였고, UCE는 성능이 붕괴되어(F1=0.51) 대부분의 세포를 단일 인구 집단으로 할당했다.
  • 탈진된 T-세포 상태는 모든 아키텍처에서 주입 후 설정 시 체계적으로 식별되지 않았다.

주요 기여

1. 강건성 입증: 본 연구는 scFM이 상당한 도메인 변화와 불완전한 세포 주석에도 불구하고 임상적으로 실행 가능한 신호를 추출할 수 있음을 입증하였다.
2. 바이오마커 식별: CD8+ XCL1/2+ 세포를 지속적인 CAR T 생존과 관련된 재현 가능한 교차 모델 바이오마커로 식별하였으며, 이를 XCR1+ cDC1 수지상 세포의 모집과 연결하였다.
3. 주석과 예측의 분리: 본 연구는 완벽한 세포 주석이 정확한 임상 예측의 전제 조건이라는 가설에 도전하며, 코호트 집계된 비율이 주석 노이즈를 상쇄하여 하위 신호를 보존할 수 있음을 보여주었다.
4. 임상 의사결정 지원 에이전트: 저자들은 scRNA-seq 데이터에서 환자 수준의 위험 예측까지의 워크플로우를 자동화하는 로컬 배포형 AI 에이전트를 개발 및 공개하여 임상적 전환 가능성을 입증하였다.
5. 벤치마킹의 한계: 본 연구는 현재 scFM의 결정적 결함, 즉 조절(Treg) 및 탈진된 T-세포 상태를 식별하지 못하는 문제를 강조하며, 차세대 사전 학습 코퍼스에 이러한 질병 활성 상태를 의도적으로 포함해야 한다고 주장한다.

의의 및 주장
본 논문은 현재의 scFM이 공학적 세포 치료 맥락에서의 세포 주석에는 아직 완벽하지 않지만, 그 임베딩이 코호트 수준의 임상 층화를 지원할 만큼 충분한 표현형 신호를 보유하고 있다고 주장한다. 저자들은 임상적 전환 가능성을 판단하는 "올바른 테스트"는 표준 통합 벤치마크나 세포당 정확도가 아니라, 도메인 변화 하에서 표현형 관련 신호를 전달하는 표현형의 능력이라고 상정한다.

본 연구는 자신의 발견을 프로토타입 수준의 개념 증명으로 겸손하게 규정한다. 저자들은 BCA-L 코호트의 규모가 작아(n=5) 신뢰 구간이 넓다는 점을 인정하며, 전문가 주석과의 비교는 직교 검증(예: 유세포 분석)이 필요한 데이터 내 벤치마크임을 명시한다. 또한, 의사결정 지원 에이전트는 일상적인 임상 배포 전 더 큰 다기관 코호트에서의 전향적 검증이 필요한 프로토타입임을 강조한다. 결론적으로, 세포 치료를 목적으로 하는 미래의 scFM은 현재의 체계적 실패를 극복하기 위해 조절 및 탈진된 면역 상태를 명시적으로 포함하는 데이터로 학습되어야 한다고 제언한다.