Celcomen: spatial causal disentanglement for single-cell and tissue perturbation modeling

Motivation

• Known: 최근 공간 전사체 기술은 단일 세포 해상도의 전사체를 공간 정보와 함께 대규모로 프로파일링할 수 있으며, 기존 딥러닝 모델들은 세포 내·외 특성을 동시에 모델링하지만 해석 가능성과 수학적 보증이 부족하다.
• Gap: 현재 대부분의 모델은 인식 가능성 부재로 인해 인과 추론을 수행할 수 없고, 공간 정보와 단일 세포 데이터를 동시에 수용하거나 생체 내 섭동 실험을 모델링하는 역량이 제한적이다.
• Why: 조직의 질병 및 치료 반응을 이해하려면 세포의 본질적 특성과 외재적 미세환경 신호를 분리하여 분석해야 하며, 이는 정밀의학과 조직공학에서 임상적으로 중요한 질병 모델링을 가능하게 한다.
• Approach: Celcomen은 인식 가능한 인과 구조 학습 프레임워크를 생성적 그래프 신경망에 통합하여 CCE(inference module)로 유전자-유전자 상호작용을 분리하고, SCE(generative module)로 섭동 후 조직 행동을 예측한다.

Achievement

Fig. 1 | Celcomen reproduces its identifiability guarantees in simulations.

• 수학적 인식 가능성 증명: 수학적 증명을 통해 Celcomen의 인과 구조 인식 가능성을 보장하며, 100개 시뮬레이션에서 ground truth 유전자-유전자 상호작용과 강한 일치(Spearman correlation p<10⁻¹³) 달성
• 비지도 학습을 통한 분리: 사전 정보 없이 분비 단백질 인코딩 유전자를 세포 간 상호작용으로, 세포질 신호 단백질 인코딩 유전자를 세포 내 상호작용으로 자동 분류
• 임상 검증: 인간 교모세포종, 태아 비장, 마우스 폐암에서 인터페론 녹아웃 시뮬레이션이 알려진 세포-세포 인터페론 신호 전파 생물학을 정확히 재현
• 다중 입력 타입 호환성: 공간 전사체와 단일 세포 데이터를 동시에 수용하며 견고성을 유지

How

Fig. 1 | Celcomen reproduces its identifiability guarantees in simulations.

• CCE(inference module)는 identifiable causal structure learning framework를 사용하여 paracrine/autocrine 신호에 초점을 맞춘 세포 또는 1st neighbor 수준의 유전자 상호작용을 학습
• SCE(generative module)는 학습된 유전자-유전자 관계 행렬(H'ab 세포 내, Hab 세포 간)을 활용하여 섭동 후 조직 행동을 모델링하고 공간 전사체 데이터 생성", '자체 일관성 시뮬레이션: 무작위 유전자-유전자 상호작용 → SCE로 공간 전사체 생성 → CCE로 역추론하여 원본 상호작용 복원
• 표본 특이적 모델과 남은 표본으로 훈련한 모델의 유전자-유전자 상호작용 행렬을 교차 검증하여 훈련 데이터 독립성 확인
• 인터페론 신호 섭동: 고발현 세포 선택 → 인터페론 녹아웃 → 인터페론 관련 유전자 프로그램 스코어링으로 이웃 세포까지의 신호 전파 추적

Originality

• 기존 딥러닝 모델과 달리 수학적으로 증명 가능한 인식 가능성을 제공하는 첫 번째 공간 전사체 분석 도구
• 사전 단백질-단백질 상호작용이나 유전자 조절 네트워크 지식 없이 세포-세포 상호작용을 완전 비지도 방식으로 학습
• 인과 추론 기반 섭동 모델링으로 기존 black-box 딥러닝의 해석 가능성 문제를 근본적으로 해결
• 생성적 능력과 예측 능력을 통합하여 실험 불가능한 조직 상태의 반사실적 공간 전사체 생성 가능

Limitation & Further Study

• 다중 유전자 상호작용(multi-gene interactions) 포착 불가 — 현재는 쌍방향(pairwise) 유전자-유전자 상호작용으로 제한되어 복잡한 경로 모듈 분석에 제약
• 인간 임상 데이터 검증이 제한적 — 세 가지 조직/질병 타입만 시험했으므로 다른 조직 및 질병 상황에서의 일반화 가능성 미확인
• 공간 해상도 및 세포 밀도 의존성 미분석 — 서로 다른 공간 전사체 플랫폼(10x Visium, MERFISH 등)의 해상도 차이에 대한 민감도 평가 부재
• 후속 연구: (1) 다유전자 상호작용 모델링으로 신호 경로 복잡성 증대, (2) 더 다양한 질병 및 조직에서 임상 검증 확대, (3) 시간 경시 데이터를 통한 동적 섭동 효과 모델링, (4) 다중 세포 타입 간 고차 상호작용 포착

Evaluation

총평: Celcomen은 공간 전사체 분석에 수학적 인식 가능성이라는 혁신적 기초를 제공하며, 비지도 학습으로 세포 내·외 유전자 조절을 분리하고 임상 샘플에서 생물학적으로 타당한 섭동 예측을 성공적으로 입증했다. 다만 다중 유전자 상호작용 모델링 미지원과 제한된 임상 검증이 향후 개선 과제이다.