Mechanisms Matter: Transportability of Cellular Perturbation Effects

Motivation

• Known: Perturb-seq 등 대규모 perturbation atlas가 축적되었지만 perturbation, cell type, 유전적 배경의 조합 공간은 여전히 심각하게 under-sampled 상태이며, 데이터와 모델 규모를 키워도 딥러닝 모델이 단순 baseline을 일관되게 능가하지 못한다는 보고가 누적되어 왔다.
• Gap: 기존 연구는 metric distortion(population mean에 대한 cosine similarity로 왜곡되는 Pearson correlation)이나 mode collapse 등 개별 실패 모드를 지적했지만, cross-context 일반화가 이론적으로 언제 성립하는지에 대한 공식적 조건이나 이를 체계적으로 정량화한 벤치마크가 부재했다.
• Why: 약물 개발과 질병 이해를 위해서는 새로운 (perturbation, context) 조합에 대한 신뢰할 수 있는 in-silico 예측이 필수적인데, 이 논문은 언제 그러한 transfer가 성립 가능한지에 대한 causal 기준을 제시함으로써 Virtual Cell와 같은 대규모 pooled-training 접근의 이론적 한계를 명확히 한다.
• Approach: Causal transportability theory(Bareinboim & Pearl)를 perturbation 예측 문제에 formal하게 연결하고, tunable mechanistic divergence를 갖는 semi-synthetic causal simulator(CAUSALDGP)와 Vendi diversity score 기반 진단 지표를 활용해 4개 딥러닝 모델과 6개 simple baseline을 semi-synthetic 및 real Perturb-seq 데이터에서 cross-context 조건으로 평가한다.

Achievement

Figure 5. Vendi ratio (VR) vs. PDS across models and datasets

1. Causal transportability 프레임워크 정립: perturbation prediction을 causal influence matrix A_C와 basal expression vector B_C가 context별로 상이할 수 있다는 selection diagram으로 formal화하고, linear regime에서 transfer 성립을 위한 necessary and sufficient condition을 유도했다.
2. CAUSALDGP 시뮬레이터 개발: Ornstein–Uhlenbeck process 기반의 continuous-time SDE와 negative binomial observation model을 결합하여, ground-truth causal structure와 조절 가능한 mechanistic divergence를 갖는 semi-synthetic Perturb-seq 데이터를 생성하는 벤치마크를 구축했다.
3. Vendi score 기반 mode collapse 진단: Vendi diversity score를 perturbation 세팅에 맞게 변형하고 perturbation discrimination score(PDS)와 결합하여, 기존 per-perturbation metric으로는 감지되지 않는 mode collapse를 정량화했다.
4. Cross-context generalization gap 실증: 완전히 알려진 causal structure를 가진 synthetic 데이터에서조차 서로 다른 causal mechanism을 가진 context 간에는 어떤 모델도 일반화하지 못함을 보였고, cross-context split에서 성능이 simple baseline 수준으로 급락함을 확인했다.

How

Figure 2. Selection diagram of the assumed CAUSALDGP, with

• Y(유전자 발현 count), Q(perturbation index), C(biological context)에 대해 P(Y | do(Q=q), C=ctest)를 추정하는 문제로 정식화하고, selection variable S={C, E}(context와 emission process)를 통해 selection diagram을 구성.
• context별 causal influence matrix A_C(GRN)와 basal expression vector B_C 두 unobserved mechanism이 context shift의 원천임을 정의.
• CAUSALDGP: dX(t) = (A_C X(t) + B_C + Γ_Q) dt + σ dW(t) 형태의 multivariate OU process로 latent expression을 모델링하고 negative binomial likelihood로 count를 생성, A_C가 Hurwitz일 때 stationary Gaussian distribution이 존재함을 활용.
• within-context와 cross-context splitting 전략(Figure 3)을 설계하여 mechanistic divergence 정도를 조절하며 통제된 평가 수행.
• Vendi diversity score를 perturbation 세팅에 맞게 조정한 Vendi ratio(VR)와 perturbation discrimination score(PDS)를 결합해 mode collapse와 discrimination capacity를 함께 진단(Figure 4, 5).
• 4개 딥러닝 모델과 3개 context-agnostic/context-specific 쌍의 6개 simple baseline을 semi-synthetic 및 real Perturb-seq 데이터셋에서 비교 실험.

Originality

• Perturbation response 예측 문제를 causal transportability 이론(Bareinboim & Pearl)과 명시적으로 연결하여, distributional similarity가 아닌 causal mechanism의 공유 여부가 일반화를 결정한다는 이론적 근거를 제시한 점.
• 기존 causal simulator(Lorch et al., 2026)를 cross-context 세팅으로 확장하여 tunable mechanistic divergence와 ground-truth causal structure를 갖춘 controlled benchmark를 최초로 구축한 점.
• Vendi diversity score를 perturbation 도메인에 적용하여 기존 per-perturbation metric이 놓치는 mode collapse를 진단하는 reference-free 지표로 재정의한 점.

Limitation & Further Study

• 제시된 necessary and sufficient transportability condition은 linear regime(OU process 기반)에 국한되어 있어, 실제 생물학적 GRN의 비선형성과 복잡한 causal cascade를 충분히 반영하지 못할 가능성이 있다.
• causal cascade가 생물학에서 거의 완전히 규명되지 않는다는 점을 저자들도 인정하듯, 제안된 기준이 실제 real Perturb-seq 데이터에서는 검증 가능한 조건이라기보다 guiding framework로만 기능한다.
• 후속 연구로 비선형 mechanism, 다중 context 간 partial invariance, mechanistically grounded inductive bias를 명시적으로 학습에 반영하는 모델 설계가 필요해 보인다.

Evaluation

총평: Causal transportability 이론을 perturbation 예측 문제에 체계적으로 도입하고 이를 뒷받침하는 controlled benchmark와 진단 지표를 함께 제공한 견고한 연구로, 딥러닝 모델의 cross-context 일반화 실패에 대한 근본적 원인 규명에 실질적으로 기여한다.