단일세포와 공간 멀티오믹스 데이터 통합 그래프 프레임워크 DePass

단일세포 및 공간 멀티오믹스 데이터는 단일 모달리티보다 노이즈 수준이 높지만, 기존 통합 분석 도구들은 이 문제를 충분히 고려하지 않았다. 또한 대다수 알고리즘이 단일세포 데이터나 공간전사체 중 한쪽에만 특화되어 범용적인 적용에 한계가 있었다. DePass는 데이터의 노이즈 제거와 통합 임베딩 형성을 상호 연동하여 수행하는 그래프 학습 프레임워크로 이 한계를 극복하고자 했다.

무엇을 했나

• 노이즈 제거와 통합 임베딩 향상을 반복 수행하는 결합형(coupled) 그래프 학습 아키텍처 DePass를 구축했다.
• 6가지 모달리티, 9가지 조직 유형, 13가지 시퀀싱 및 공간 분석 플랫폼에 걸쳐 성능 평가를 진행했다.
• 자체 대장암 데이터에 적용하여 단일세포 해상도에 가까운 면역 니치 세부 구조와 공간적 암 조직 이질성을 확인했다.

왜 눈여겨볼 만한가

scRNA-seq와 scATAC-seq, 혹은 공간전사체와 프로테오믹스 등 쌍(paired)으로 산출된 데이터를 다룰 때 노이즈로 인해 클러스터링이 뭉개지던 현상을 개선하는 데 도움을 줄 수 있다. 단일세포와 공간 분석 파이프라인을 개별 도구로 나누어 처리하던 프로세스를 단일 알고리즘으로 단순화할 수 있는 가능성을 보여준다. 다만 초록 기준으로는 페어링되지 않은(unpaired) 멀티오믹스 통합 성능이나 초대용량 공간 데이터 처리 시의 계산 비용에 대해서는 실제 벤치마크 코드를 확인해 볼 필요가 있다.

원문

• Nature cell biology · DOI 10.1038/s41556-026-02067-8