AetherCell: A generative engine for virtual cell perturbation and in vivo drug discovery

Motivation

• Known: Virtual cell modeling은 high-throughput screening으로 풍부한 perturbation 데이터를 얻을 수 있지만 불멸화된 암세포주에 국한되어 있고, 임상 bulk RNA-seq는 인간 생리학적 맥락을 담지만 체계적 perturbation 주석이 부족한 "data-utility paradox"에 직면해 있다.
• Gap: 기존 virtual cell 모델들은 플랫폼 간 불일치로 인해 취약한 표현을 만들고, mean-state convergence 문제로 고주파 일반적 반응(스트레스, 대사 변화)에 의존하여 메커니즘 특이성을 잃으며, 환자유래 오가노이드나 임상 코호트 같은 복잡한 인간 생리 환경에서의 예측 충실도가 불확실하다.
• Why: Virtual cell 모델은 약물 개발 과정에서 동물 실험을 대체하는 비동물 인간 관련 증거를 제공할 수 있으며, 특히 환자 맞춤형 치료와 약물 재목적화를 위해 세포 규모에서 임상 수준까지 확장 가능한 정밀 예측 능력이 필수적이다.
• Approach: 1. Deep Backbone VAE를 RNA-seq 코퍼스로 학습하여 일반화된 전사체 manifold 구축

1. Hierarchical Satellite-Backbone 아키텍처로 L1000 데이터를 사전 구축된 global manifold에 정합
2. Probabilistic Manifold Anchoring으로 플랫폼 간 차이를 보존하면서 수학적 유효성 보장
3. MolFormer (LoRA 미세조정) 및 ESM과 STRING PPI 기반 GNN으로 화합물·유전자 perturbation 인코딩
4. Specificity-driven learning framework로 비특이적 스트레스 반응 억제 및 저주파 메커니즘 신호 회복

Achievement

Fig. 2 | AetherCell demonstrates robust generalization and mechanism-specific prediction

• Foundation manifold 구축: UMAP으로 플랫폼 간 정합 확인, ANOSIM·Silhouette 점수 향상, 테스트 세트에서 RNA-seq 및 L1000 모두 중앙값 PCC 0.95 달성
• Generalization 성능: Unseen Cell 시나리오에서 DEG PCC 중앙값 0.82, Unseen Compound 시나리오에서 0.83 기록, SOTA 도구 TranSi 대비 유의미한 우수성 입증
• Cross-platform transferability: 세포주 perturbation 신호를 3D organoid 환경으로 성공적으로 전달
• 임상 적용: 환자유래 오가노이드 및 임상 코호트에서 약물 반응 예측, mixture-of-experts 기반 약물 재목적화로 안구건조증(테리플루노미드), 궤양성 대장염(다비가트란) 인 비보 검증

How

Fig. 2 | AetherCell demonstrates robust generalization and mechanism-specific prediction

• Specificity-driven learning으로 mean-state convergence 문제 해결
• MolFormer·ESM·STRING PPI 기반 다중 기초 모델 통합으로 화학·유전자 정보 인코딩
• Cross-attention mechanism으로 메커니즘 특이적 latent transition vector (Δz) 예측
• AC-RP (응답 예측)와 AC-DR (약물 재목적화) 두 가지 응용 모듈 개발
• 인 비보 질환 모델(안구건조증, 궤양성 대장염)에서 검증

Originality

• Data-utility paradox를 명시적으로 인식하고 이를 해결하는 통합 프레임워크 설계
• Satellite-Backbone 아키텍처로 플랫폼 간 정합 문제를 새로운 관점에서 접근
• Specificity-driven learning을 통해 기존의 mean-state convergence 문제를 직접 겨냥한 해법 제시
• 기존 foundation model들(MolFormer, ESM)을 조합하되 생물학적 맥락에 맞게 적응

Limitation & Further Study

• 임상 코호트 규모와 다양성에 대한 구체적 정보 부족
• L1000 데이터의 landmark gene 제약(~500개)이 전체 전사체 정보 활용에 미치는 영향에 대한 상세 분석 부재
• 약물 재목적화 결과가 두 가지 질환만 인 비보 검증되어 일반화 가능성의 증거 제한적
• 모델 계산 비용, 학습 시간, 확장성에 대한 논의 미흡
• 특정 미알려 perturbation에 대한 예측 신뢰도 경계 또는 불확실성 정량화 부족

Evaluation

총평: AetherCell은 임상 bulk RNA-seq와 perturbation 데이터의 data-utility paradox를 창의적인 생성 모델과 specificity-driven learning으로 해결하며, 강력한 일반화 성능과 실제 인 비보 약물 발견 검증으로 차세대 가상 세포 모델링 및 임상 약물 개발의 실질적 진전을 보여준다.