[논문 초록 읽기 8] Generative modeling of single-cell gene expression for dose-dependent chemical perturbations

 

용량 의존적 (dose-dependetn)인 화학적 변동 (chemical perturbations)에 대한 단일세포유전자발현의 생성 모델링

 

---

 

화학적 섭동 (chemical perturbation)에 대한 세포의 반응은 매우 이질적이고 (heterogeneous) 용량 의존적(dose dependent)이다. 모든 관련 세포 유형, 화합물, 그리고 용량의 조합에 걸친 화학물질 또는 약물 노출의 위험을 실험적으로 완전하게 특성화하는 것은 불가능할 것이다. 이 논문에서는 scVIDR (single-cell variational inference of dose-response) 을 소개하는데, 이는 앞서 말한 문제를 generative deep learning 으로 해결하기 위한 computational method이다. 화학적 노출 시나리오에 걸쳐, 연구자들은 이용가능한 단일세포유전자발현 데이터를 이용한 훈련을 거친 이후, scVIDR이 테스트되지 않은(untested) 세포 유형과 약물에 걸쳐 섭동을 예측할 수 있음을 확인하였다. 이들은 scVIDR이 반복되는 동물 실험의 필요성을 줄일 것으로 예상하고 있다.

 

<Summary>

단일세포시퀀싱은 화학적 섭동에 대한 이질적인 세포의 반응을 보여준다. 그러나, 모든 관련성있는 세포 유형, 화학물질, 용량의 조합에 대해 테스트하는 것은 벅찬 일이다. 변이 자동 인코더(Variational Autoencoder)라고 불리는 deep generative learning은 단일 용량에 대한 단일 세포 유전자 발현의 변화를 예측하는 데 효과적이다. 이 논문에서, 연구자들은 단일 용량 및 multiple용량에 대한 세포 반응을 기존 모델보다 더 예측하는 VAE-based 모델을 소개한다. 또한 scVIDR이 mouse hepatocytes, human blood cells, cancer cell lines에 대해 용량 의존적인 유전자 발현을 예측할 수 있음을 확인했다. 이들은 scVIDR의 잠재 공간을 회귀(repression) 모델을 사용하여 생물학적으로 해석하고, 각 세포에 'pseudo-dose' 값을 할당함으로써 개별 세포를 화학적 변동에 대한 민감도에 따라 순서를 매깁니다. 우리는 scVIDR이 조직, 화합물 및 용량에 걸친 사전 준비된 동물 실험의 필요성을 줄일 수 있다고 생각합니다.