How Much of a Donor-Level Signal in Single-Cell Data Is Just Cell-Type Composition?

기술 요약: "단일 세포 데이터에서 기여자 수준의 신호 중 얼마나 많은 부분이 단순히 세포 유형 조성(Cell-type Composition)에 의한 것인가?"

문제 제기
단일 세포 전사체 연구는 흔-히 두 가지 구별되는 정보원, 즉 세포 유형의 상대적 풍부도(조성, composition)와 해당 세포 유형 내의 유전자 발현 프로파일(상태, state)이 혼재된 표현형으로부터 기여자(donor) 수준의 결론(예: 연령, 성별 또는 질병과의 연관성)을 도출한다. 연구자들은 흔히 "세포 유형 조성을 통제"함으로써 세포 상태 효과를 분리해 냈다고 주장하지만, 정작 이 분야에는 이러한 통제가 실제로 얼마나 많은 신호를 제거하는지 정량화할 수 있는 기준 척도가 부족하다. 또한, 세포 유형 레이블 자체가 표현형 데이터로부터 파생되는 것이므로 "조성"은 독립적인 생물학적 측정이 아닌 주석(annotation)의 속성이라는 점을 고려할 때, 조성이 정의되는 해상도를 보고하는 관례도 부재한 실정이다.

방법론
저자는 다섯 가지 공공 인간 혈액 데이터셋(AIDA v1/v2, OneK1K, Allen Immune Atlas, Allen B/plasma)에서 추출한 2,148명의 기여자로 구성된 585만 개의 세포를 분석하였다. 분석에는 여섯 가지 기여자 수준 특성(연령, 성별, BMI, 흡연, 민족성, CMV 혈청 상태)이 사용되었다.

조성과 상태의 기여도를 분리하기 위해, 각 데이터셋과 특성에 대해 세 가지 기여자 수준 표현형을 구축하였다:

1. comp (조성): 중심 로그 비(centered log-ratio)를 통해 변환된 세포 유형 비율만을 사용하는 모델.
2. state-mix (고정된 조성을 가진 상태): 코호트 고정 혼합 가중치(평균 조성)를 사용하여 결합된 세포 유형 내 발현 프로파일(pseudobulk) 표현형. 이는 모든 기여자가 구조적으로 동일한 조성을 갖도록 보장한다.
3. pb (일반 의사 벌크, Ordinary Pseudobulk): 기여자 고유의 세포 유형 비율을 사용하는 표준 의사 벌크 표현형.

결정적으로, state-mix와 pb는 동일한 세포 유형 내 발현 프로파일($\mu_{dc}$)을 사용한다. 이 둘은 오직 혼합 가중치(mixing weights)에서만 차이가 난다. 따라서 두 모델 간의 예측 능력 차이는 오로지 조성에 기인한 것이다.

두 가지 귀속 통계량이 정의되었다:

• 조성 충분성 (Composition Sufficiency, CS): $S_{comp} / S_{pb}$로, 비율만을 사용하는 모델이 표준 의사 벌크 모델에 비해 특성을 얼마나 잘 예측하는지를 측정한다.
• 상태 보유율 (State Retention, SR): $S_{state-mix} / S_{pb}$로, 조성을 고정했을 때 얼마나 많은 예측 능력이 남아 있는지를 측정한다.

CS는 단순한 분수 값이 아니라 단조 지표(monotone index)임을 보여주기 위해, 알려진 조성 함량($\lambda$)을 가진 시뮬레이션된 특성을 사용하여 보정되었다 (선형 모델이 정보를 완전히 역전할 수 없기 때문에 값은 1.0을 초과할 수 있다). 불확실성은 기여자 수준의 부트스트래핑과 레이블 순열을 통해 평가되었다.

주요 결과

1. 특성에 따라 조성의 성격이 크게 다름:

   • 염색체 성별: 순수한 상태(state) 신호로 작용한다. 의사 벌크 모델은 거의 완벽한 기술(AUROC ~1.0)을 달성하는 반면, 비율 전용 모델은 훨씬 낮은 기술(0.28–0.70)을 보인다. 상태 보유율은 ~1.00으로, 조성이 거의 아무것도 기여하지 않음을 나타낸다.
   • 연령 및 CMV 혈청 상태: 주로 조성(compositional) 신호로 작용한다. 연령의 경우, 비율 전용 모델이 전체 의사 벌크 모델의 기술과 일치하거나 이를 능가하는 경우가 많다 (중앙값 CS = 1.02). 상태 보유율은 여전히 높지만(~1.00), 조성 채널 자체가 매우 높은 예측력을 가진다.
   • 기타 특성: BMI와 흡연은 중간 정도의 행동을 보이며, 기술적 공변량(시퀀싱 깊이 등)은 계통적 차이의 분산을 설명하는 데 상당한 영향을 미칠 수 있다.

2. 조성을 고정해도 신호가 거의 제거되지 않음:
   가장 중요한 발견은 기여자의 특정 세포 유형 비율을 코호트 평균으로 대체하는 것(즉, pb에서 state-mix로 이동하는 것)이 예측 모델에 실질적인 손실을 주지 않는다는 점이다. 사용 가능한 신호가 있는 17개의 데이터셋-특성 쌍 전체에서, 중앙 상태 보유율(SR)은 1.00(범위 0.89–1.06)이다. 이는 표준 의사 벌크 모델이 혼합 가중치가 아니라 세포 유형 내의 발현 프로파일로부터 예측 능력을 얻는다는 것을 의미한다. 결과적으로, "조성을 맞추는(composition-matching)" 분석은 그 표현보다 훨씬 적은 신호를 제거하며, 이러한 통제가 세포 상태에 관한 것이라는 증거로서 약하다는 것을 보여준다.

3. 해상도 의존성:
   "조성"에 귀속되는 신호의 양은 고정되어 있지 않으며, 세포 유형 주석의 세밀함에 전적으로 달려 있다.

   • 주석을 거친 단계(예: 9개 클래스)에서 미세한 단계(예: 88개 클래스)로 정교화하면 연령에 대한 조성 모델의 예측력이 극적으로 증가한다 (예: AIDA v2: CS가 0.029에서 0.500으로 상승).
   • 미세한 해상도에서 비율 전용 모델은 전체 발현 프로파일과 일치할 수 있으며, 이는 사실상 상태 신호(예: 활성화 상태)를 풍부도 신호로 바꾸는 효과를 낸다.
   • 비지도 클러스터링 스윕(K=5 to 160)은 이러한 경향을 재현하며, 귀속이 파티션 해상도의 함수임을 확인해 준다.

4. 측정 비대칭성:
   비율은 사용 가능한 모든 세포로부터 추정되는 반면, 발현 프로파일은 하위 샘플로부터 추정된다. 만약 비율을 프로파일에 사용된 것과 동일한 제한된 하위 샘플로부터 재추정한다면, 조성 모델의 기술은 크게 떨어지며 종종 의사 벌크 모델보다 낮아진다. 이는 주요 분석에서 관찰된 높은 조성 충분성이 순수한 정보 함량보다는 측정 정밀도의 인위적 결과(artifact)일 수 있음을 시사한다.

의의 및 주장
본 논문은 새로운 생물학적 메커니즘을 발견한다고 주장하는 것이 아니라, 기존의 주장을 검증하기 위한 측정 프레임워크를 제공한다. 주요 기여는 다음과 같다:

• 참조 척도 제공: 기여자 수준의 신호가 순수 상태 기반(성별)에서 순수 조성 기반(연령, CMV)에 이르기까지 다양함을 확립하였다.
• 일반적인 통제 방식에 대한 비판: 의사 벌크 모델에서 혼합 가중치를 동일하게 만드는 방식의 "조성 통제"는 발현 모델이 해당 가중치에 거의 무감각하기 때문에 약한 통제임을 입증하였다. 이러한 통제를 통과했다고 해서 그것이 세포 상태에 관한 발견이라는 강력한 증거가 되지는 않는다.
• 해상도 인식: 조성을 정의하는 해상도를 명시하지 않으면 조성 통제는 불충분하게 규정된다는 점을 주장한다. 어떤 신호가 "조성"인지 혹은 "상태"인지는 분석가의 해상도 선택에 따라 달라질 수 있으므로, "조성 통제를 통과했다"는 주장은 해상도를 명시하지 않는 한 불완전하다.
• 보고 권장 사항: 분석가가 "사람이 어떤 세포를 가졌는가"와 "그 세포들이 무엇을 하고 있는가"를 구분할 수 있도록, 명명된 주석 해상도에서 비율 전용 기술을 전체 모델 기술과 함께 보고할 것을 권장한다.

결론적으로, 본 논문은 조성이 생물학적으로 실재하지만(예: 면역 노화는 실제 세포 풍부도의 변화를 포함함), 기여자 수준의 신호에 대한 통계적 귀속은 주석 선택과 특정 통제 방식의 구성에 매우 민다는 점을 밝히고 있다.