scDEBART: Predicting in silico Single-Cell Perturbation Responses via Large-Scale Differential Expression Learning

Motivation

• Known: GeneFormer, scGPT와 같은 single-cell foundation model은 수백만 개의 scRNA-seq 프로파일로 사전학습되어 세포 유형 분류, 배치 보정, perturbation 효과 예측 등 다양한 downstream task에 활용될 수 있음이 알려져 있다.
• Gap: 그러나 최근 연구(Ahlmann-Eltze et al., 2025)는 이러한 foundation model들이 perturbation 효과 예측에서 단순 회귀 모델보다도 낮은 성능을 보인다는 점을 지적했으며, 이는 절대 발현량 기반 타겟 설정(dropout에 취약)과 static co-expression을 재구성하는 사전학습 목표가 perturbation에 따른 유전자 공동 조절(co-regulation) 동역학을 포착하지 못하기 때문일 수 있다는 가설로 이어진다.
• Why: 이 문제를 해결하면 대규모 사전학습 기반 모델이 실제로 perturbation 효과를 예측하는 데 유용한 inductive bias를 제공할 수 있음을 입증하게 되며, 이는 in silico 유전자 기능 추론 및 치료 타겟 우선순위화(therapeutic target prioritization)에 직접적으로 기여할 수 있다.
• Approach: scDEBART는 사전학습 목표를 절대 발현 재구성에서 scVI-denoised 발현으로부터 계산한 population-level logFC를 기저 발현 조건으로 예측하는 것으로 재구성(reframe)하여, 유전자 집합이 발현 변화 맥락에서 어떻게 공변(co-vary)하는지를 학습하도록 설계된 BART 기반 transformer 프레임워크이다.

Achievement

Figure 3. Reverse perturbation identification on Norman K562. (A) Top-K hit rates for identifying the perturbed gene(s)

1. 대규모 perturbation-specific 사전학습: CELLxGENE에서 수집한 617개 데이터셋, 66.6백만 개 인간 세포로부터 6.28백만 개의 차등발현(logFC) 프로파일을 구축하여 BART transformer를 사전학습했다.
2. 기술적 sparsity에 강건한 DE supervision: raw count 대신 scVI-denoised 발현으로부터 logFC를 계산하고, 검출 신뢰도(non-zero proportion ≥0.3) 및 차등발현 신뢰도(Proba-DE ≥0.8, |FC|≥1.5) 기준을 적용해 technical zero의 영향을 최소화했다.
3. 우수한 perturbation 예측 성능: 5개 Perturb-seq 벤치마크(Norman K562, Replogle K562/RPE1, Nadig HepG2/Jurkat)에서 mean enrichment factor(EF) 11.96을 달성, scGPT(1.74) 및 GEARS(2.99) 대비 4-7배 높은 DEG 재현율을 보였으며, reverse perturbation identification에서 71.4% top-1 정확도(기존 모델은 near-zero)를 기록했다.
4. cross-modal transfer 가능성 입증: 유전적 perturbation만으로 학습된 모델이 약물 perturbation 데이터셋(SCIPLEX)에 대해 용량 의존적(dose-dependent) 방향 정합성 향상(cosine similarity 0.04→0.30)과 above-random DEG enrichment(EF 2.91-4.32)를 보여, 학습된 조절 패턴이 perturbation 모달리티 간 부분적으로 전이됨을 시사했다.

How

Figure 1. scDEBART workflow. We construct a corpus of 6.28 million differential expression (DE) profiles from 66.6 milli

• CELLxGENE에서 정상(healthy) 인간, 10,000-1,000,000 세포 규모의 데이터셋을 필터링하여 617개 데이터셋(66,611,859 세포)을 확보
• 단백질 코딩 유전자만 유지, UMI count 및 mitochondrial fraction 기준 ±3 표준편차로 세포 단위 quality control 수행
• SECUER density-based clustering으로 98,753개 클러스터(중앙값 278 세포) 식별
• 각 데이터셋별로 64차원 latent space를 갖는 scVI 모델 학습, 클러스터 centroid 코사인 유사도 10-90th percentile 범위의 클러스터 쌍 선택 (near-identical/과도한 이질성 쌍 배제)
• 선택된 클러스터 쌍에 대해 scVI posterior-sampling 기반 차등발현 분석으로 logFC 프로파일 구축, 신뢰도 기준(non-zero proportion, Proba-DE, |FC|)으로 유전자 필터링
• BART 기반 transformer를 basal expression 조건부 logFC 예측 목표로 사전학습 후, 5개 Perturb-seq 데이터셋으로 fine-tuning
• SCIPLEX 약물 perturbation 데이터로 cross-modal transfer 성능 평가 (cosine similarity, EF 지표 사용)

Originality

• 절대 발현량 재구성이 아닌 population-level logFC를 예측 목표로 재구성한 perturbation-specific 사전학습 프레임워크를 제시
• scVI-denoised 발현 기반의 강건한 DE 프로파일 구축 파이프라인과 신뢰도 기반 유전자 필터링 전략 결합
• 617개 데이터셋, 66.6백만 세포 규모의 대규모 differential expression corpus 자체를 새롭게 구축
• CRISPR 기반 유전적 perturbation에서 약물 perturbation(SCIPLEX)으로의 cross-modal transfer 가능성을 정량적으로 검증

Limitation & Further Study

• 자연적으로 발생하는 클러스터 간 발현 차이는 observational한 것으로, 실제 causal intervention과는 차이가 있어 학습된 co-variation 패턴이 실제 perturbation 반응을 얼마나 정확히 대변하는지에 대한 근본적 한계가 존재
• SCIPLEX로의 cross-modal transfer에서 cosine similarity가 0.30 수준으로 여전히 낮아 부분적 전이에 불과하며, 완전한 모달리티 간 일반화에는 한계가 있음
• 사전학습 데이터가 healthy human 세포로 제한되어 질병 상태나 비인간 종에 대한 일반화 가능성은 검증되지 않음
• 클러스터 쌍 선택 시 10-90th percentile 휴리스틱 및 각종 임계값(Proba-DE≥0.8 등)의 민감도 분석이 본문 발췌에서는 충분히 제시되지 않음
• 후속 연구로는 실제 perturbational 데이터(예: Perturb-seq 자체)를 사전학습 corpus에 포함시키거나, causal intervention 정보를 명시적으로 통합하는 방향, 그리고 다양한 세포 종·질병 상태로의 일반화 검증이 필요

Evaluation

총평: 사전학습 목표를 절대 발현 재구성에서 차등발현(logFC) 예측으로 재구성한다는 아이디어는 명확한 문제의식에서 출발하며 대규모 실험을 통해 기존 foundation model 대비 뚜렷한 성능 향상을 입증한 인상적인 연구이다. 다만 observational한 클러스터 차이를 perturbation의 proxy로 사용하는 근본적 가정과 cross-modal transfer의 제한적 성공은 향후 보완이 필요한 지점이다.