GCN과 적대적 도메인 적응을 적용한 공간전사체 세포형 디콘볼루션

스팟 기반 공간전사체 데이터는 단일세포 해상도에 미치지 못해 여러 세포가 혼합된 발현 프로파일을 얻게 된다. 여기에 단일세포 전사체(scRNA-seq) 데이터를 참조로 사용할 때 발생하는 플랫폼 간 배치 효과는 정확한 세포 비율 추정을 방해하는 요인이다. 본 연구에서는 공간 이웃 정보와 적대적 도메인 적응 기술을 결합해 세포 유형 구성을 추정하는 디콘볼루션 알고리즘 AddaGCN을 제안한다.

무엇을 했나

• 그래프 합성곱 신경망(GCN)을 활용해 스팟 간의 공간적 위치 관계 및 이웃 정보를 모델에 반영했다.
• 적대적 차별 도메인 적응(ADDA) 기법을 도입해 단일세포 참조 데이터와 공간전사체 데이터 간의 도메인 차이(배치 효과)를 보정했다.
• 다양한 플랫폼으로 생산된 실제 조직 데이터셋에 적용하여 기존 디콘볼루션 기법 대비 향상된 성능과 강인성을 검증했다.
• 조직 발달 과정에서의 시공간적 변화 분석 및 종양 미세환경(TME) 특성 파악에 대한 적용 가능성을 확인했다.

왜 눈여겨볼 만한가

스팟 기반 공간전사체 디콘볼루션에서 scRNA-seq 참조 데이터와 공간 데이터 사이의 플랫폼 차이는 분석 결과의 편향을 유발하는 주요 원인이다. AddaGCN은 공간 구조 정보 반영과 배치 효과 보정을 동시에 다룬다는 점에서 기술적 타당성이 높다. 다만 GCN 그래프 구축 방식이나 도메인 적응 학습 과정에서의 하이퍼파라미터 민감도에 따른 영향은 실제 데이터 적용 시 추가 확인이 필요하다. 참조 단일세포 데이터와 공간 데이터 간의 발현 패턴 격차가 큰 연구 환경에서 우선적으로 적용을 검토해 볼 만하다.

원문

• PLoS computational biology · DOI 10.1371/journal.pcbi.1014609