단일세포 다중오믹스의 위상 구조를 보존하는 통합 모델 scGSI

동일 세포에서 여러 오믹스 데이터를 동시에 측정하는 기술이 발전했으나, 기존 통합 알고리즘은 모달리티 간 위상 불일치를 해결하지 못하거나 정렬 과정에서 고유한 생물학적 변이 정보를 손실하는 문제가 있었다. scGSI는 이종 그래프 인코더와 교차 융합 메커니즘을 결합해 세포 상태 정렬과 생물학적 구조 보존 사이의 불균형을 해결하고자 개발된 자기지도학습 프레임워크다.

무엇을 했나

• 각 오믹스 모달리티의 이웃 위상 구조를 보존하는 이종 그래프 인코더와 사전 정렬 안정을 위한 투영 모듈, 대조 학습 기반 교차 융합 메커니즘을 구사하는 scGSI 모델을 구축했다.
• 4개 실험 플랫폼에서 얻은 5개의 페어드(paired) 단일세포 다중오믹스 데이터셋을 활용해 기존 통합 알고리즘들과 성능을 비교 평가했다.
• scGSI는 오믹스 간 혼합 성능을 높이면서도 각 모달리티의 생물학적 변이를 왜곡 없이 유지함을 입증했다.
• 통합 과정에서 확보한 임베딩을 바탕으로 세포 타입 식별 및 발달 경로(trajectory) 추정 등 후속 분석 성능이 향상됨을 확인했다.

왜 눈여겨볼 만한가

다중오믹스 데이터 통합 시 과도한 정렬로 인해 개별 오믹스의 특이적 신호가 상쇄되는 현상은 연구 현장에서 흔히 겪는 문제다. scGSI는 대조 정제 기법을 통해 모달리티 고유의 위상 정보를 유지하므로, 세포 아형 구분이나 연속적인 분화 궤적 추적이 필요한 데이터셋 분석 시 유용한 선택지가 될 수 있다. 다만 그래프 구조 생성 및 대조 학습 특성상 연산 자원 소모가 증가할 수 있어, 대규모 세포 데이터셋 적용 시 스케일러빌리티에 관한 검토는 필요해 보인다.

원문

• PLoS computational biology · DOI 10.1371/journal.pcbi.1014773