Differential analysis of genomics count data with edgePython

Motivation

• Known: edgeR은 음이항 분포 기반 카운트 데이터 차등 발현 분석의 표준 도구로, TMM 정규화, empirical Bayes 분산 축소, GLM 기반 다중 가설검정(exact test, QL F-test, TREAT, LRT) 등을 제공한다. 하지만 R 구현으로 인해 Python 기반 단일세포 분석 생태계와의 통합이 제한적이다.
• Gap: edgeR의 강력한 통계 방법론이 R에만 구현되어 있어 Python 사용자들이 단일세포 분석 워크플로우에서 이를 활용하려면 R/Python 간 데이터 변환이 필요하며, 또한 기존 edgeR은 단일세포 데이터의 세포 내 과산포(within-cell overdispersion)와 대상자 간 변이를 동시에 모델링하는 혼합 모형과 이에 대한 empirical Bayes 수축을 제공하지 않는다.
• Why: 단일세포 RNA-seq은 현재 생물정보학에서 지배적인 기술이며, 관련 분석 도구 대부분이 Python으로 구현되어 있다. Python 생태계(Scanpy, scverse)에서 표준 데이터 형식인 AnnData와 직접 연동할 수 있는 강력한 통계 방법이 필수적이며, 기존 R 전용 구현은 이 생태계와의 통합 장벽이 되고 있다.
• Approach: edgeR 4.8.2의 전체 기능을 Python으로 포팅하되, Python dictionary로 S3 list 객체를 모방하고 NumPy/SciPy를 사용하여 구현. 특히 C 코드로 구현된 부분(spline 보간, root-finding 등)도 정확히 재현. 추가로 NEBULA-LN의 음이항-감마 혼합 모형을 도입하고, edgeR의 squeezeVar 함수를 활용한 경험적 베이즈 기반 세포 레벨 분산 수축을 구현했다.

Achievement

Figure 1: Validation of edgePython. Each panel shows a scatter plot comparing outputs from identical analyses

Python 포팅의 완성도: edgeR의 86개 공개 함수/클래스를 24개 모듈로 조직화하여 정규화, 분산 추정, GLM 적합, 4가지 가설검정 방식(exact test, LRT, QL F-test, TREAT), 유전자 집합 검정(camera, fry, roast, mroast, romer)을 모두 구현. 검증: 87개 단위 테스트(4,344줄)로 모든 주요 성분을 검증하여 R 결과와 상대 오차 10⁻³ 이내로 일치.

실제 데이터 검증: HOXA1 knockdown 데이터(207,175 transcript)와 GSE60450 마우스 유선 데이터(15,804 gene)에서 TMM 정규화, 분산 추정, GLM 계수, 유전자 집합 검정 결과가 동일하게 나타남(Figure 1 a-p의 산점도에서 대각선상 위치).

새로운 방법론: NEBULA-LN 기반 음이항-감마 혼합 모형과 empirical Bayes 세포 레벨 분산 수축을 edgeR에 처음 구현하여 다중 대상자 단일세포 분석 기능 추가. AnnData와 양방향 변환 지원으로 scverse 생태계 완전 통합.

How

Figure 1: Validation of edgePython. Each panel shows a scatter plot comparing outputs from identical analyses

구현 전략:

• Python dictionary를 S3 list 객체 구조로 맵핑
• NumPy/SciPy를 사용한 행렬 연산 및 sparse matrix 지원
• C 구현 부분(Forsythe-Malcolm-Moler spline fitting, root-finding)을 Python으로 정확히 재현
• NEBULA-LN 혼합 모형 통합: negative binomial-gamma mixed model로 cell-level overdispersion과 subject-level variation 동시 모델링
• squeezeVar를 통한 empirical Bayes 기반 세포별 분산 수축

검증 프로세스:

• R과 Python에서 동일 분석 실행 후 수치 비교
• 모든 주요 워크플로우 성분(정규화→분산→GLM→검정)을 직렬로 검증
• 실수 보간 차이로 인한 기술적 문제 해결(grid search → analytical spline fitting)

Originality

• Python 완전 포팅: 기존 R 전용 edgeR을 Python 생태계로 옮기되, 단순 래퍼가 아닌 네이티브 구현으로 완결성 추구
• 혼합 모형의 새로운 적용: NEBULA-LN의 음이항-감마 혼합 모형에 edgeR의 empirical Bayes 수축을 처음 결합하여, 기존 edgeR과 NEBULA 모두에서 구현하지 않은 방법론 제시
• 생태계 통합: AnnData와 양방향 변환으로 scverse 생태계와 직접 연동 가능하도록 설계

Limitation & Further Study

한계점:

• 저발현 transcript의 분산 추정에서 0.4% 수준의 미세한 수치 오차 존재(spline 보간 민감도)
• 논문 발췌본에서 단일세포 혼합 모형(Figure 2)과 성능 비교(Figure 3)에 대한 상세 결과를 확인할 수 없음
• C 코드 부분 재현 과정에서 수치 안정성 문제 해결에 대한 논의 부족

향후 연구:

• 대규모 단일세포 데이터셋에서의 확장성 및 성능 최적화
• GPU 가속 지원 검토
• 다른 Python 단일세포 분석 도구와의 통합 사례 확대

Evaluation

총평: edgePython은 단일세포 생물정보학 분야에서 현저한 실제 가치를 갖는다. R 전용 edgeR을 Python으로 완전히 포팅하고 새로운 혼합 모형을 추가하여 Python 중심 scverse 생태계와의 완전한 통합을 가능하게 함으로써, 수천 개의 잠재적 사용자가 R/Python 간 번거로운 변환 없이 강력한 통계 방법론을 직접 활용할 수 있도록 했다. 광범위한 검증과 기술적 엄밀성을 갖춘 고품질 포팅으로, 단일세포 RNA-seq 분석 방법론의 실질적 진전을 이룬 중요한 기여다.