A supervised ontology-aware cell annotation method for single-cell transcriptomic data

Motivation

• Known: Azimuth, OnClass, ScTab, Scimilarity 등 기존 scRNA-seq 세포 주석 방법들은 supervised 또는 semi-supervised learning으로 라벨링된 참조 데이터셋을 활용해 세포 유형을 분류하는 데 효과적임이 알려져 있다.
• Gap: 대부분의 기존 방법은 세포 유형을 이산적이고 상호 배타적인 범주로 가정하여 Cell Ontology에 인코딩된 계층적 관계를 충분히 반영하지 못하며, 이로 인해 유사한 세포에 서로 다른 라벨을 부여하면서도 그 유사성/상이성을 인지하지 못해 강건성과 해석 가능성이 저하되는 문제가 있다.
• Why: 세포 유형은 실제로 중첩된 유전자 발현 프로그램에 의해 정의되는 연속체 상에 존재하는 경우가 많아, 온톨로지 일관성을 강제하는 방법은 생물학적으로 의미 있는 관계를 보존하고 전이 상태나 동적 세포 상태에서의 주석 신뢰성을 높이는 데 중요하다.
• Approach: 저자들은 어떤 분류기의 원시 확률(raw probability) 출력에도 재학습 없이 적용 가능한 probability propagation 후처리 전략을 제안하고, 이를 42 million 인간 단일세포 전사체로 학습한 경량 logistic regression 모델에 결합하여 SOCAM이라는 빠르고 해석 가능한 분류기를 만들었다.

Achievement

Figure 3. Azimuth tissue-specific model benchmarking. Azimuth

1. 온톨로지 일관성 강제 기법: Cell Ontology의 is-a 계층 구조를 따라 확률을 상위 노드로 전파시키는 evidence score(qi) 계산법(Eq. 1)을 제안하여, 부모 노드의 확률이 항상 자식 노드 이상이 되도록 보장했다.
2. SOCAM 모델 개발: 20,867개 유전자 발현 프로파일을 입력으로 사용하는 약 14 million 파라미터 규모의 logistic regression 기반 모델을 CZI CELLxGENE Discover 플랫폼의 42 million 세포(670개 세포 유형, 263개 조직, 19개 assay 유형)로 학습시켜 재훈련 없이 기존 모델에도 적용 가능함을 보였다.
3. hop-based F1 score 도입: 정확한 라벨 일치만을 참양성으로 간주하는 기존 지표의 한계를 극복하기 위해, 온톨로지 상의 조상/공통 자손 관계를 고려한 hop-level 기반의 새로운 평가 지표를 제안했다.
4. Azimuth 등 기존 모델에 적용 시 성능 향상: 재학습 없이 추론 단계에서만 propagation을 적용해도 기존 조직 특이적 모델(Azimuth)의 성능이 개선됨을 입증했다.

How

Figure 5. Details of hop-based F1 score calculation. (a) This diagram builds on Figure 1e and adds the complication of a

• 원시 다중 클래스 확률 pi에 대해 evidence score qi = pi + Σ(j∈desc(i)) pj를 계산하여 온톨로지 그래프 상의 모든 노드에 대해 자식 노드들의 확률을 부모 노드에 누적시킴(Eq. 1).
• baseline logistic regression(Eq. 2)에 softmax 이후 propagation을 적용해 SOCAM의 출력 확률을 계산(Fig. 1d).
• 손실 함수는 propagation된 확률 qni에 대한 cross-entropy와 가중치 행렬에 대한 Laplace prior(L1 sparsity 정규화)를 결합한 형태(Eq. 3)로 정의.
• baseline(propagation 없음), 추론 시에만 propagation 적용, 훈련·추론 모두에 propagation 적용(SOCAM)의 세 가지 변형을 비교.
• hop-k F1 계산을 위해 hop-level k에 따라 참양성 집합 T^k_n(직계 조상 포함)과 위양성 집합 F^k_n(조상/자손 관계 없고 공통 자손도 없는 노드)을 정의하고, TPR^k_n = max{qi : i∈T^k_n}, FPR^k_n = max{qi : i∈F^k_n}로 계산(Eq. 4, 5).

Originality

• 기존 분류기의 재학습 없이 추론 시점에 적용 가능한 온톨로지 인식 후처리(probability propagation) 기법을 제안한 점이 독창적이다.
• 42 million 규모의 대용량 인간 단일세포 데이터로 학습된 경량 logistic regression 기반의 해석 가능한 모델(SOCAM)을 구축하여 실용성과 확장성을 모두 고려했다.
• 온톨로지 구조(조상-자손, 공통 자손 관계)를 반영하는 hop-based F1 score라는 새로운 평가 프레임워크를 제시하여 near-miss 예측의 생물학적 타당성을 정량화한 점이 신규성 있다.

Limitation & Further Study

• 발췌된 본문에서는 Cell Ontology가 단순 트리 구조가 아니라는 점을 언급하지만, 다중 부모(multiple inheritance)나 순환 구조에 대한 propagation 알고리즘의 엄밀한 처리 방식(수렴성, 계산 복잡도)에 대한 구체적 설명이 부족하다.
• 42 million 세포로 학습되었으나 조직/세포 유형 간 불균형이 성능에 미치는 영향과 희귀 세포 유형에 대한 일반화 성능에 대한 논의가 제한적이다.
• logistic regression 기반 모델이므로 비선형적 세포 상태 전이나 복잡한 발현 패턴을 완전히 포착하지 못할 가능성이 있으며, 딥러닝 기반 최신 모델(Scimilarity 등)과의 정량적 비교 결과가 발췌 부분에 명확히 제시되지 않았다.
• hop-based F1 score의 하이퍼파라미터(최대 hop level)나 다양한 온톨로지 버전에 대한 강건성에 대한 추가 검증이 필요하다.

Evaluation

총평: 재학습 없이 기존 세포 주석 모델의 성능을 개선할 수 있는 간단하면서도 효과적인 온톨로지 인식 후처리 기법과, 이를 검증하기 위한 새로운 평가 지표를 함께 제시한 실용적이고 의미 있는 연구이다.