단일 세포 파운데이션 모델 기반 유전자 중요도 평가 체계 구축

주장유전자의 절대적 발현량은 세포 내 기능적 중요도를 나타내는 신뢰할 수 있는 지표가 아닙니다. 전사 인자와 같은 핵심 조절 유전자는 발현량이 낮을 수 있으며, 미토콘드리아 관련 유전자처럼 발현량이 많아도 기능적 영향은 제한적일 수 있습니다.

팩트연구진은 시그니처(SIGnature)라는 새로운 프레임워크를 개발하여 단일 세포 RNA 시퀀싱 파운데이션 모델에서 도출된 기여도 점수를 통해 유전자 중요도를 평가합니다. 이 방식은 기술적 노이즈를 줄이고 조절 유전자를 강조하며 데이터셋 간의 비교를 용이하게 합니다.

팩트시그니처는 설명 가능한 인공지능 기법을 활용하여 각 유전자가 모델의 잠재 공간 내에서 세포의 위치에 미치는 영향력을 측정합니다. 이는 기존의 차등 유전자 발현 분석이나 시그니처 점수 산출 방식이 가진 데이터 통합의 한계를 극복합니다.

교차검증기존의 분석 방법들은 각 연구의 고유한 설계, 세포 유형 구성, 시퀀싱 깊이 및 배치 효과와 같은 기술적 결함으로 인해 데이터셋 간의 일반화된 비교가 어렵습니다. 시그니처는 모든 세포를 표준화된 파운데이션 모델 임베딩과 비교함으로써 이러한 문제를 해결합니다.

팩트연구진은 MS1 단핵구 시그니처를 분석하여 400개 이상의 연구 데이터에서 이 유전자 프로그램이 가와사키병 등 여러 과염증성 질환과 연관되어 있음을 발견했습니다. 실험 결과, 가와사키병 환자의 혈청이 시험관 내에서 MS1 표현형을 유도한다는 사실이 확인되었습니다.

팩트시그니처 프레임워크는 에스씨파운데이션(scFoundation), 에스씨지피티(scGPT), 에스씨밀러리티(SCimilarity) 등 다양한 사전 학습된 파운데이션 모델과 호환됩니다. 기여도 계산을 위해 통합 그래디언트, 입력 곱하기 그래디언트, 딥리프트(DeepLIFT)와 같은 그래디언트 기반 설명 가능 기법을 사용합니다.

교차검증기여도 계산 속도는 모델의 구조에 따라 달라지며, 다층 퍼셉트론 기반 모델이 트랜스포머 기반 모델보다 훨씬 빠릅니다. 또한 통합 그래디언트 기법은 다른 설명 가능 기법들에 비해 상대적으로 계산 시간이 더 소요되는 것으로 나타났습니다.

팩트시그니처를 통해 산출된 기여도 점수는 로그 정규화된 발현량보다 시퀀싱 아티팩트에 더 강한 저항력을 보입니다. 또한 세포 유형 표지를 포함하는 모델을 사용할 경우, 세포 유형별 마커 유전자의 중요도를 효과적으로 높이는 결과를 보여주었습니다.

주장이번 연구는 대규모 단일 세포 데이터셋에서 유전자 세트를 빠르게 검색하고 질병 간의 공유된 기전을 밝혀내는 데 있어 인공지능 기반 분석의 강력한 잠재력을 입증했습니다. 이는 향후 신약 개발 및 질병 진단 분야에서 새로운 가설을 생성하는 데 중요한 도구가 될 것입니다.

주장인공지능 모델의 해석 가능성을 높이는 이번 기술은 생물학적 데이터의 복잡성을 해결하는 데 기여합니다. 유전자 간의 상호작용을 정밀하게 파악함으로써 기존 분석 기법의 한계를 돌파합니다.

주장연구진은 이번 프레임워크를 통해 데이터 통합의 효율성을 극대화했습니다. 다양한 연구 환경에서 생성된 데이터를 표준화된 방식으로 평가하여 생물학적 발견의 속도를 높입니다.

출처네이처 바이오테크놀로지(Nature Biotechnology)에 게재된 "Scoring gene importance by interpreting single-cell foundation models" 논문을 교차 검증했습니다.