단일세포 파운데이션 모델 내 염증 기반 노화 신호의 교란 요인 검증

scGPT나 Geneformer 같은 단일세포 파운데이션 모델이 연령 정보를 직접 학습하지 않고도 노화 신호를 내부 표상에 반영한다고 알려졌으나, 이것이 실제 생물학적 신호인지 세포 구성비 차이에 의한 교란 효과인지는 명확하지 않았다. 연구진은 약 2,000명의 PBMC 단일세포 데이터(400만~500만 세포)를 활용해 frozen 상태의 두 파운데이션 모델에 내재된 노화 신호를 다각도로 검증하는 9단계 평가 프레임워크를 구축했다.

무엇을 했나

• 파인튜닝을 거치지 않은 scGPT와 Geneformer의 내부 표상을 희소 오토인코더(SAE)로 해동하여 50개 성분 PCA baseline 및 연령 예측 성능과 비교했다.
• 두 모델에서 NF-κB 및 IFN-γ 등 염증 하위 모듈에 집중된 132개의 노화 관련 특성을 발굴하고, 해당 특성의 활성도를 조절(perturbation)할 때 예측 연령이 의도한 방향으로 이동함을 확인했다.
• 연령군 간 세포 유형 비율을 동일하게 맞춘 재샘플링(composition-matching) 기법을 적용하여 세포 구성비 편향을 제거한 상태에서도 노화 신호가 유지되는지 검증했다.

왜 눈여겨볼 만한가

파운데이션 모델이 연령 예측 정확도 측면에서 단순 50-component PCA보다 우수하지 않다는 점을 명확히 제시하여, 정교한 모델이 항상 더 나은 예측력을 보장하지는 않는다는 점을 일깨워 준다. 세포 유형 비율 편향을 통제했을 때 신호의 크기가 약 3배 감소한 결과는 파운데이션 모델 해석 시 데이터 샘플링 구조에 의한 착시를 반드시 통제해야 함을 시사한다. 단일세포 데이터에서 인공지능 모델이 포착한 생물학적 신호의 진위 여부를 판별할 때 본 연구의 대조군 재샘플링 기법을 평가 표준으로 검토해 볼 만하다.

원문

• Biogerontology · DOI 10.1007/s10522-026-10471-8