GeneRhythm uncovers gene expression rhythms that shape the dynamic transcriptional landscape in single-cell omics

GeneRhythm 기술 요약

문제 정의
역동적인 유전자 발현 프로그램은 발달과 질병을 주도하지만, 현재의 단일 세포 분석 프레임워크는 주로 시간 영역(time domain)에서 작동합니다. 이러한 전통적인 방법들은 발현량의 변화와 궤적 유사성은 포착할 수 있으나, 그 변화가 어떻게 리듬감 있게 조직되어 있는지는 해결하지 못합니다. 결과적으로, 주기성(periodicity), 위상(phase), 또는 다중 척도 역학(multi-scale dynamics)이 서로 다른 조절 프로그램들은 비록 전체적인 추세는 비슷하더라도 서로 구별 불가능한 것처럼 보일 수 있습니다. 이러한 한계는 서로 다른 리듬 구조를 가졌음에도 불구하고 유사한 시간 영역 궤적을 공유하는 별개의 조 regulatory 메커니즘을 혼동하게 함으로써, 유전자 조절의 근본적인 차원을 가립니다.

방법론
저자들은 리듬 구조를 유전자 조절의 주요 차원으로 명시적으로 모델링하기 위해 유전자 발현을 시간-주파수 영역(time–frequency domain)으로 재구성하는 프레임워크인 GeneRhythm을 소개합니다. 워크플로우는 다음 단계로 진행됩니다:

1. 궤적 재구성 및 보간(Trajectory Reconstruction and Interpolation): 단일 세포 데이터(scRNA-seq, scATAC-seq, 공간 전사체학)를 처리하여 세포 궤적을 추론합니다(예: Monocle3 사용). 유전자 발현은 마일스톤 웨이포인트(milestone waypoints)에서 집계되며, 연속적인 시간 영역 신호를 생성하기 위해 큐빅 스플라인 보간법(cubic spline interpolation)을 통해 매끄럽게 처리됩니다.
2. 시간-주파수 변환(Time–Frequency Transformation): 연속 신호는 멕시칸 햇 웨이브릿(Mexican hat wavelet)을 사용하는 연속 웨이브릿 변환(CWT)을 거칩니다. 이는 시간적 국소성을 보존하고 다양한 척도에 걸친 진동 패턴을 포착하는 시간-주파수 맵($W(a, b)$)을 생성하며, 각 유전자에 대한 "리듬 프로필"을 정의합니다.
3. 심층 표현 학습(Deep Representation Learning): 세 가지 특징 세트를 통합하는 멀티 브랜치 심층 신경망 아키텍처를 사용합니다:
   • $X_c$: 세포 전반의 유전자 발현.
   • $X_t$: 시간 영역 역학 특징(궤적 유래).
   • $X_f$: 주파수 영역 리듬 특징(웨이브릿 유래).
     그래프 합성곱 신경망(GCN)은 단백질-단백질 상호작용(PPI) 사전 지식을 포함하여 리듬 정보를 조절 네트워크 전반으로 전파합니다. 변이 오토인코더(VAE) 프레래임워크는 발현량, 시간적 진행, 그리고 주파수 분해 구조를 모두 포착하는 통합된 잠재 유전자 임베딩(latent gene embedding)을 학습합니다.
4. 핵심 기능:
   • 리듬 클러스터링(Rhythmic Clustering): 유전자는 시간 영역 궤적의 형태와 독립적으로, 잠재 공간 내에서 공유된 리듬 조직을 기반으로 클러스터링됩니다.
   • 차별적 리듬 유전자(DRG) 식별: 주파수 프로필에 대한 통계적 검정(t-test)을 통해 평균 발현 차이가 미미하더라도 조건 특이적인 리듬 변화를 보이는 유전자를 식별합니다.
   • 리듬적 인 실리코 섭동(Rhythmic In Silico Perturbation): 주파수 영역 잠재 공간 내에서 유전자 또는 경로의 섭동을 시뮬레이션합니다. 이를 통해 질병 상태의 표현형이 대조군 상태로 이동하는 정도를 정량화하여, 리듬 구조에 기능적 영향이 인코딩된 조절 인자의 우선순위를 결정합니다.
   • 유전자 소니피케이션(Gene Sonification): 주파수 분해된 역학을 구조화된 음악 악보(MIDI)로 변환합니다. 이때 웨이브릿 척도를 음높이(pitch)에, 진폭(amplitude)을 음표 밀도에 매핑하여 탐색적 분석을 위한 해석 가능한 양식(modality)을 제공합니다.

주요 결과

• 리듬 클러스터링: 마우스 배아 혈액 및 신경 능선 데이터셋에서, GeneRhythm은 시간 영역 궤적이 서로 다름에도 불구하고 주파수 공간에서 일관성을 보이는 유전자 모듈을 식별했습니다. 고주파 클러스터는 면역 신호 전달 및 빠른 조절 프로그램이 풍부한 반면, 저주파 클러스터는 발달 유지 및 하우스키핑(housekeeping) 기능과 일치했습니다. scNET, scSTEM, Clust, WGCNA와의 벤치마킹 결과, GeneRhythm은 더 우수한 기하학적 클러스터링 지표(Calinski–Harabasz, Davies–Bouldin, Dunn, Silhouette)와 더 높은 경로 수준의 생물학적 일관성을 달erm했습니다.
• 차별적 리듬 발견: 비소 노출, COVID-19, 당뇨병 데이터셋 전반에 걸쳐, DRG 분석은 기존의 차별적 발현(DEG) 분석이 놓친 질병 특이적 마커를 식별했습니다. 예를 들어, 비소 노출 세포에서 마커인 Maml2는 유의미한 평균 발현 변화 없이도 뚜렷한 리듬 재구성을 보여주었습니다. 마찬가지로, COVID의 KLRF1과 당뇨병의 THRAP3는 표준 DEG 방식으로는 보이지 않는 구조화된 리듬 표현형을 나타냈습니다.
• 멀티 오믹스 및 공간적 응용: 공간 전사체학(인간 배측 외측 전전두엽 피질)에서, 리듬 분석은 "교차 층(Cross Layers)"과 "내부 층(Intra Layers)"의 공간적 방향을 구분하였으며, 정적인 발현 비교로는 탐지할 수 없었던 피질 마커인 GLYAT를 밝혀냈습니다. 쌍을 이룬 scATAC-seq 및 scRNA-seq 데이터에서, 본 프레임워크는 염색질 접근성이 전사 변화에 앞서 리듬 차이 신호를 보이는 "프라이밍된(primed)" 유전자를 식별했습니다.
• 섭동 및 임상적 관련성: COVID 및 췌장관 선암종(PDAC) 데이터셋에서의 인 실리코 섭동은 발현 기반 방법으로는 우선순위가 지정되지 않았던 후보 치료 타겟(예: Azeliragon, Gemcitabine) 및 경로를 식별했습니다. PDAC에서 주파수 영역 섭동에 의해 고유하게 식별된 유전자들은 기존의 비-주파수 섭동에 의해 식별된 유전자들보다 유의미하게 강력한 예후 계층화(생존 분석) 능력을 보였습니다.

의의 및 주장
본 논문은 GeneRhythm이 주파수 영역으로 정의된 리듬 구조를 유전자 조절의 근본적이고 이전에 모델링되지 않은 차원으로 확립한다고 주장합니다. 시간 영역에서 시간-주파수 표현으로 전환함으로써, 이 프레임워크는 다음과 같은 성과를 거둡니다:

1. 숨겨진 조절 프로그램의 발견: 기존의 시간 영역 분석에서는 주기성이나 위상이 다르기 때문에 보이지 않았던 질병 관련 전사 프로그램과 조절 모듈을 드러냅니다.
2. 일반적인 분석적 기초 제공: 이 접근법은 다양한 양식(scRNA-seq, scATAC-seq, 공간 전사체학)과 생물학적 맥락(발달, 질병)에 걸쳐 일반화되어, 역동적인 조절 프로그램을 분석, 비교 및 섭동하기 위한 통합된 기초를 제공합니다.
3. 실행 가능한 통찰력 제공: 리듬적 인 실리코 섭동과 소니피케이션을 통해, 복잡한 주파수 영역 역학을 해석 가능한 표현으로 변환하여 리듬 민감성을 약물 타겟, 경로 풍부도 및 임상 결과와 연결합니다.

저자들은 GeneRhythm을 기존 도구의 대체재가 아니라, 궤적 유사성 및 평균 발현 비교를 통해 체계적으로 놓치는 조절 구조를 해결하는 보완적인 렌즈로 정의하며, 이를 통해 역동적인 조절 발견을 생물학적 메커니즘과 정렬하는 과정에서의 모호성을 줄입니다.