Interpretable Neural ODEs for Gene Regulatory Network Discovery under Perturbations

Motivation

• Known: Regression 기반 방법(GENIE3 등)과 differentiable causal graphical model(NO-TEARS, DCDI, DCDFG, Bicycle 등)이 perturbational scRNA-seq 데이터로부터 GRN을 추론하는 데 사용되어 왔으며, 이들은 개입(intervention) 정보를 활용해 causal graph를 학습한다.
• Gap: 기존 방법들은 세포 분화와 같은 생물학적 과정의 비선형 동역학을 포착하지 못하고, 선형 drift(OU process)나 단일 실험 조건에 국한되어 다수의 유전 개입(perturbation)을 동시에 다루지 못하며, 유전자 모듈(co-regulated gene module) 개념을 명시적으로 반영하지 못한다.
• Why: ORF overexpression 기반의 TF Atlas와 같은 대규모 perturbation 데이터셋이 등장하면서 세포 운명 전이와 같은 큰 규모의 비선형 동역학을 정확히 모델링하고 해석 가능한 GRN을 대규모로 추론할 수 있는 방법이 필요하기 때문에 중요하다.
• Approach: PerturbODE는 GRN을 single-hidden-layer feedforward network로 인코딩하는 interpretable neural ODE를 사용해 perturbation 하의 세포 상태 궤적을 모델링하고, 학습된 neural ODE 파라미터로부터 causal GRN을 도출하며 이를 이용해 미지의 perturbation 반응을 예측한다.

Achievement

1. PerturbODE 프레임워크 제안: causal structure learning과 trajectory inference를 통합해 다수의 genetic perturbation 하에서도 세포 동역학을 모델링하고 GRN을 동시에 추론하는 최초의 scalable neural ODE 기반 방법을 제시했다.
2. 해석 가능한 gene module 인코딩: single-hidden-layer feedforward network를 통해 유전자를 암묵적으로 co-regulated gene module로 그룹화하여 계산 복잡도를 줄이고 생물학적 해석 가능성을 높였다.
3. 대규모 실험 검증: SERGIO 시뮬레이션 데이터와 812개 유전자를 포함한 실제 TF Atlas overexpression 데이터셋에서 GRN 추론 성능과 perturbation response 예측 성능을 검증했다.
4. 미지 perturbation 시뮬레이션 가능: 학습된 causal GRN을 활용해 관측되지 않은 유전적 개입의 효과를 다운스트림에서 시뮬레이션할 수 있음을 보였다.

How

• Intervention regime 집합 I = {I0, I1, ..., IR}과 각 regime에 대응하는 empirical gene expression distribution Y(r)을 정의하고, control regime Y(0)을 neural ODE 적분의 초기 상태로 사용
• 세포 상태의 시간에 따른 변화를 neural ODE로 모델링하며, drift function을 single-hidden-layer feedforward network로 파라미터화하여 GRN 구조를 명시적으로 인코딩
• 어떤 유전자가 perturbation되었는지 정보를 모델 입력에 명시적으로 반영해 causal representation learning과 유사한 방식으로 lower-dimensional gene module 공간에 세포 상태를 매핑
• 학습된 neural ODE의 파라미터(가중치)로부터 causal GRN을 도출하고 이를 이용해 unseen perturbation의 효과를 시뮬레이션
• SERGIO로 생성한 simulated 데이터와 TF Atlas의 real overexpression 데이터(812유전자)에서 GRN inference 정확도와 recall 등 성능 지표로 검증

Originality

• 기존 causal graphical model이 다루지 못한 비선형 동역학과 다수 perturbation 조건을 neural ODE 프레임워크 내에서 통합적으로 다룬 점
• GRN을 neural ODE의 파라미터로부터 직접 도출함으로써 trajectory inference와 causal structure learning을 동시에 수행하는 새로운 접근
• Gene module을 causal representation learning과 유사한 저차원 latent space로 암묵적으로 학습하면서도 perturbed gene 정보를 명시적으로 입력할 수 있게 한 설계
• 사이클 구조와 비선형 유전자 상호작용을 모델링할 수 있는 능력을 갖춤으로써 기존 DAG 기반 방법의 acyclicity 제약을 우회

Limitation & Further Study

• 812개 유전자 규모까지 검증되었으나, 수만 개 유전자 규모의 전체 transcriptome 수준 확장성은 추가 검증이 필요함
• Single-hidden-layer feedforward network 기반 GRN 인코딩이 실제 생물학적 조절 메커니즘(예: 협동적 결합, 시간 지연 등)을 얼마나 충실히 반영하는지에 대한 심층적 검증이 부족함
• TF Atlas와 같은 overexpression 데이터에 특화되어 있어 knockout이나 CRISPR 기반 perturbation 데이터에 대한 일반화 가능성은 추가 연구가 필요함
• 논문 발췌본에서는 Methods 섹션의 수식 및 손실함수, acyclicity 제약 처리 방식에 대한 세부 설명이 충분히 드러나지 않아 완전한 기술적 평가가 제한적임

Evaluation

총평: 비선형 세포 동역학과 대규모 perturbation 데이터를 동시에 다루는 interpretable neural ODE 기반 GRN 추론 프레임워크로서 방법론적 참신성과 실용적 가치가 높으며, 향후 확장성과 생물학적 타당성에 대한 추가 검증이 기대된다.