Integrated analysis of multimodal single-cell data

Motivation

• Known: 단일 세포 genomics 기술의 발전으로 scRNA-seq을 통한 세포 타입 발견이 가능해졌으나, transcriptomics 정보만으로는 기능적으로 구별되지만 분자적으로 유사한 면역 세포들(예: T cell 서브셋)을 분리하기 어렵다. CITE-seq 같은 multimodal 기술이 등장하면서 동일 세포에서 여러 modality를 동시 측정할 수 있게 되었으나, 이를 통합 분석할 계산 방법이 부재했다.
• Gap: 기존의 multimodal 데이터셋 분석은 주로 한 modality를 기반으로 클러스터링한 후 다른 modality의 특성을 탐색하는 순차적 접근이었다. 또한 modality 간 데이터 품질 차이가 크고, 같은 데이터셋 내에서도 세포마다 각 modality의 정보 함량이 다르다는 문제가 해결되지 않았다.
• Why: multimodal 데이터를 효과적으로 활용하기 위해서는 각 modality의 정보 가치를 객관적으로 평가하고 통합하는 방법이 필수적이다. 이는 세포 상태의 정확한 정의와 발견을 가능하게 하며, RNA와 protein 정보를 모두 활용함으로써 이전에 발견하지 못한 세포 서브타입 식별을 가능하게 한다.
• Approach: 각 세포에서 각 modality에 대해 독립적으로 k=20 nearest neighbor를 계산하고, 이웃 세포의 분자 프로필 평균을 원본 값과 비교하여 예측 정확도를 측정한다. 이 정확도를 기반으로 각 modality의 가중치를 계산하고, 가중 nearest neighbor 그래프를 구성하여 통합 분석을 수행한다.

Achievement

Figure 1: Schematic overview of multimodal integration using Weighted Nearest Neighbor analysis

WNN 방법론 개발: RNA와 protein modality의 정보 가치를 자동으로 학습하고 세포별 가중치를 계산하는 방법 제시. 대규모 atlas 구축: 228개 항체 패널을 포함한 CITE-seq 데이터 211,000 human PBMC의 multimodal reference atlas 생성. 세포 상태 해석 개선: WNN 분석으로 단일 modality 분석 대비 세포 상태 정의 능력 향상 및 미보고 림프구 서브타입 발견 및 검증. 실제 응용: 백신 접종 및 COVID-19 감염에 대한 면역 응답 해석에 성공적으로 적용.

How

Figure 1: Schematic overview of multimodal integration using Weighted Nearest Neighbor analysis

• 각 modality에 대해 독립적으로 k-nearest neighbor 그래프 구축
• Neighbor 세포들의 분자 프로필 평균으로부터 예측 정확도(예측값 vs. 원본값)를 modality별로 계산
• 예측 정확도를 기반으로 modality 가중치를 정규화된 거리 가중치로 변환
• 가중 거리를 사용하여 최종 WNN 그래프 구성
• WNN 기반 clustering, visualization (UMAP), trajectory inference 등 후속 분석 수행

Originality

• Multimodal 데이터 통합에서 modality별 정보 가치를 세포 수준에서 자동 학습하는 접근은 이전에 없었음
• K-NN 예측 정확도를 가중치 계산의 기준으로 사용하는 것은 직관적이면서도 데이터 기반의 방법
• 방법의 일반성: CITE-seq뿐만 아니라 RNA-chromatin, RNA-spatial 등 다양한 modality 조합에 적용 가능
• Seurat v4 툴킷에 구현하여 접근성 높임

Limitation & Further Study

• WNN 방법은 k-NN 선택에 민감할 수 있으며 최적 k값 선택 기준이 명확하지 않음. - 세포 수가 적은 경우 nearest neighbor 계산의 안정성 문제. - 세 개 이상의 modality를 가진 데이터셋에서의 확장성 검증 부족. - 후속 연구: 적응형 k값 선택, 확률 모델 기반 접근, 시간적 변화를 고려한 동적 가중치 계산 등이 필요.

Evaluation

총평: 본 논문은 multimodal single-cell 데이터 분석의 중요한 계산 방법론을 제시하며, 211,000 세포 규모의 multimodal reference atlas 구축으로 실제 적용 가능성을 입증했다. WNN 방법의 개념적 명확성, 방법의 일반성, 그리고 Seurat 오픈소스 툴킷 구현으로 인한 높은 영향력을 고려할 때 우수한 기여도를 가진 논문이다.