A gene-level batch effect quantification method based on condition-aware correction and adaptive thresholding

기술 요약: 유전자 수준의 배치 효과 정량화를 위한 조건 인지형 그룹 기술 효과(Condition-Aware Group Technical Effects)

문제 정의
배치 효과(Batch effects)는 단일 세포 전사체학에서 여전히 중대한 과제로 남아 있다. 기존의 계산 방법들(예: MNN, Seurat, scVI, scDisInFact)은 세포 수준의 정렬과 통합에 집중하는 반면, 유전자 수준에서의 배치 효과의 이질성은 간과하는 경우가 많다. 기존의 GTE 방법론은 유전자 수준의 배치 민감도를 정량화하여 고도로 배치 민감한 유전자(Highly Batch-Sensitive Genes, HBGs)의 소수 집합을 식별해 낸 바 있다. 그러나 기존 GTE 프레임워크는 교차 조건 연구(예: 약물 반응, 질병 진행)에서 중대한 한계를 갖는다. 즉, 기술적 배치 변동과 실험 조건에 의해 유도된 체계적인 생물학적 반응을 구분하지 못한다. 결과적으로, 생물학적 자극으로 인해 모든 배치에서 일관되게 높게 발현되는 조건 반응성 유전자(예: 인터페론 자극 유전자)가 HBG로 오분류되어, 유전자 수준의 배치 효과 평가에서 위양성(False Positives)을 초래한다.

방법론
저자들은 유전자 수준의 배치 민감도를 계산하기 전, 생물학적 조건 효과와 기술적 배치 노이즈를 분리하도록 설계된 Condition-Aware Group Technical Effects 프레임워크를 제안한다. 이 방법론은 세 가지 핵심 구성 요소로 이루어진다:

1. 조건 효과 분리(Condition-Effect Disentanglement):
   본 프레임 heavy는 scDisInFact라는 딥 생성 모델을 사용하여 단일 세포 데이터를 공유 생물학적 요인, 조건 특이적 생물학적 요인, 그리고 배치 요인의 세 가지 독립적인 잠재 공간(Latent spaces)으로 분해한다. 결정적으로, scDisInfact는 비공유 인코더(Non-shared encoder)의 첫 번째 레이어 가중치에 그룹 라쏘(Group lasso) 페널티를 적용하여 조건 분류에 가장 크게 기여하는 유전자를 식별한다.

   • ConditionScore: 각 유전자 $m$에 대해, 비공유 인코더의 해당 가중치 벡터의 $l_2$-노름(norm)으로서 ConditionScore를 계산한다. 이 점수는 유전자의 발현이 기술적 노이즈가 아닌 생물학적 조건에 의해 얼마나 주도되는지를 정량화한다.

2. 곱셈적 페널티 전략(Multiplicative Penalization Strategy):
   기존 GTE 점수를 보정하기 위해, 저자들은 곱셈적 가중치 감소 메커니즘을 도입한다. 조정된 유전자 $m$의 GTE($GTE_{adj}^m$)는 다음과 같이 정의된다:
   $$GTE_{adj}^m = GTE^m \times [\max(0, 1 - \text{ConditionScore}_m)]^k$$
   여기서 $k$는 페널티 지수이다. 높은 ConditionScore를 가진 유전자(강한 생물학적 조건 주도력을 나타냄)는 크게 가중치가 감소하는 반면, 낮은 점수를 가진 유전자(기술적 대조군)는 거의 영향을 받지 않는다. $\max(0, 1 - \text{ConditionScore}_m)$ 항은 비음성(Non-negativity)을 보장하며, 조건 주도력이 원래의 변동 기여도를 초과할 경우 조정된 점수를 0으로 설정한다.

3. $k$에 대한 적응형 임계값 선택(Adaptive Threshold Selection for $k$):
   $k$의 최적 페널티 강도를 객관적으로 결정하기 위해, 저자들은 LASSO 정규화에서 사용되는 1-SE 규칙에서 영감을 얻은 적응형 임계값 방법을 제안한다. 이 접근법은 $k$ 선택을 제약된 최적화 문제로 프레임화한다: 즉, 알려진 조건 주도 유전자의 억제를 극대화하는 동시에, 알려진 기술적 대조 유전자에 미치는 "부수적 피해(Collateral damage)"를 최소화하는 것이다.

   • 양성 집합(Positive Set): 억제 대상인 18개의 전형적인 Type-I IFN 반응 유전자.
   • 음성 집합(Negative Set): 라이브러리 제작과 같은 기술적 요인으로 인해 배치 민감도가 높은 것으로 알려진 15개의 리보솜 단백질 유전자(RPS/RPL, 안정화 대상).
   • 선택 기준: $k$는 음성 집합의 순위 변화를 $k=1$일 때 관찰된 기초 변동의 99 백분위수 미만으로 유지하면서, 양성 집합의 순위 이동을 극대화하는 방향으로 선택된다.

주요 결과
본 방법론은 8명의 기증자로부터 얻은 29,065개의 세포를 포함하는 쌍을 이룬 인간 PBMC IFN-$\beta$ 자극 데이터셋(Kang et al., 2018)을 통해 검증되었다.

• ConditionScore 검증: ConditionScore 분포는 오른쪽으로 치우친 형태(Right-skewed)를 보였으며, 알려진 IFN 반응 유전자(LY6E, IRF7, ISG20 등)는 높은 점수를 나타냈다. 이 유전자들은 자극된 조건의 모든 기증자에서 일관된 상향 조절을 보여, 높은 점수가 배치 노이즈가 아닌 생물학적 일관성을 반영함을 확인했다.
• 최적 페널티 ($k=3$): $k$ 값을 1에서 5까지 평가한 결과, $k=3$이 최적의 선택임을 밝혔다. 이 값에서 양성 집합(IFN 유전자)의 평균 순위 이동은 최대화(870.2 위치)된 반면, 음성 집합(리보솜 유전자)은 허용 가능한 기초 변동 임계값(순위 이동의 99 백분위수 = 12.9 at $k=1$) 내에 머물렀다. $k \ge 4$인 더 높은 값들은 리보솜 유전자에 과도한 페널티를 가했다.
• HBG 목록의 교정: $k=3$을 적용하여 기존 GTE 분석을 교정한 결과, LY6E(순위가 13에서 2,986으로 하락), ISG20, IRF7을 포함한 7개의 유전자가 HBG 목록에서 제거되었다. 제거된 7개 유전자 중 6개가 IFN 경로에 속했다.
• 특이성: 교정 작업은 리보솜 기술 대조군들의 순위를 불안정하게 만들지 않으면서 조건 주도 유전자들을 선택적으로 억제했다. 새롭게 추가된 HBG들은 리보솜 및 ER-Golgi 수송 유전자들이었으며, 이는 이들이 본질적으로 배치에 민감하다는 기존 GTE의 결과와 일치한다.
• 통계적 유의성: Wilcoxon rank-sum test를 통해 $k=3$에서 양성 집합과 음성 집합의 순위 이동 사이에 통계적으로 유의미한 차이($P = 0.0147$)가 있음을 확인했다.

의의 및 주장
본 논문은 Condition-Aware GTE를 차원 축소나 시각화를 위한 데이터 통합 또는 배치 교정 도구가 아니라, 차원 축소 전 유전자 스크리닝을 위한 **진단 도구(Diagnostic tool)**로 포지셔닝한다. 주요 의의는 다음과 같다:

1. 생물학적 신호와 노이즈의 구분: 교차 조건 단일 세포 데이터에서 생물학적 조건 효과와 기술적 노이즈를 분리하는 전략을 제공하며, 이는 기존 GTE 프레임워크의 알려진 사각지대를 해결한다.
2. 오분류 감소: 조건 반응성 유전자가 고도로 배치 민감한 것으로 오분류되는 것을 효과적으로 방지하여, 유전자 수준의 배치 효과 평가의 신뢰도를 높인다.
3. 데이터 기반 파라미터 선택: 적응형 임계값 방법은 위양성 제거와 실제 기술적 신호 보존 사이의 균형을 맞추는 객관적이고 데이터 중심적인 파라미터 선택 방식을 제공한다.

저자들은 단일 데이터셋에 의존한 검증, 특정 조건하에서의 보수적인 교정 가능성, 그리고 리보솜 유전자의 민감성이 순수하게 기술적이라는 가정 등을 포함한 한계점을 인정한다. 결론적으로, 본 프레임워크는 개념 증명(Proof of concept)으로서, 복잡한 다중 조건 단일 세포 연구에서 표적화된 유전자 선택 전략을 제공한다.