단일 세포 CRISPR 섭동의 기하학적 일관성을 통한 조절 구조 규명 및 세포 스트레스 예측

유전자 편집 기술의 정밀도는 높아졌으나 편집 후 세포의 상태를 예측하는 것은 여전히 어렵다. 이 논문은 세포들이 얼마나 일관된 방향으로 변화하는지를 측정하는 새로운 기하학적 지표를 제시하여, 단순한 변화량 측정만으로는 알 수 없었던 세포의 안정성과 스트레스 상태를 진단할 수 있게 한다.

기존의 단일 세포 분석은 유전자 편집 후 세포가 원래 상태에서 얼마나 멀어졌는가(Euclidean distance)에만 집중했다. 하지만 이는 마치 여러 개의 공을 쳤을 때 공들이 한 방향으로 모여 이동하는지, 아니면 사방으로 흩어지는지를 구분하지 못하는 것과 같다. 딥러닝의 Embedding 공간에서 세포의 상태를 벡터로 표현할 때, 모든 세포가 동일한 방향 벡터를 가지는 것이 생물학적으로 더 안정적인 상태임을 가정한 것이다.

논문은 이 한계를 해결하기 위해 '방향적 일관성'이라는 개념을 도입했다. 개별 세포들이 이동하는 방향이 서로 일치할수록 해당 유전자 섭동이 세포를 견고한 생물학적 상태(Attractor)로 유도하고 있음을 의미한다. 반대로 방향이 제각각이라면 세포는 안정적인 경로를 찾지 못하고 불안정한 상태에 놓이게 된다.

결과적으로 이러한 기하학적 분석은 단순한 수치적 변화를 넘어 세포가 처한 생물학적 맥락을 읽어낸다. 이는 세포 치료제 제조 시 세포들이 의도한 대로 안정적인 분화 경로를 밟고 있는지, 아니면 비정상적인 스트레스 상태에 빠져 있는지를 판별하는 새로운 기준이 된다.

Shesha라고 명명된 기하학적 안정성 지표를 정의했다. 각 섭동 p에 대해 n_p개의 세포가 있을 때, 개별 세포 i의 변화 벡터 d_i = x_i - μ_ctrl을 계산한다. 여기서 x_i는 PCA 공간에서의 세포 위치이고 μ_ctrl은 대조군 세포들의 중심점이다. 이후 평균 변화 방향 d_bar = (1/n_p) * Σd_i를 구하고, 개별 d_i와 d_bar 사이의 코사인 유사도를 평균 내어 안정성 점수 S_p를 산출한다.

[개별 세포의 변화 벡터와 평균 방향 벡터를 입력으로] → [두 벡터 사이의 각도를 이용한 코사인 유사도 연산을 수행해] → [0에서 1 사이의 평균값을 얻고] → [1에 가까울수록 모든 세포가 한 방향으로 일관되게 움직였음을 의미한다].

검증을 위해 5개의 공개 CRISPR 데이터셋(Norman 2019, Replogle 2022 등)을 사용했으며, PCA 기반 임베딩뿐만 아니라 scGPT와 같은 트랜스포머 기반 파운데이션 모델의 비선형 임베딩 공간에서도 동일한 분석을 수행하여 지표의 범용성을 확인했다. 또한 변화 크기(Effect Magnitude)의 영향을 배제하기 위해 편상관관계(Partial Correlation) 분석을 적용하여 안정성과 스트레스 마커 사이의 독립적 관계를 도출했다.

모든 데이터셋에서 섭동의 크기와 안정성 사이에 매우 높은 상관관계가 나타났다. Norman 데이터셋에서 ρ = 0.953, Replogle 데이터셋에서 ρ = 0.970을 기록하며, 강한 자극일수록 세포들이 더 일관되게 반응하는 경향을 보였다. 하지만 CEBPA, GATA1과 같은 다분화능 조절 인자들은 변화량은 크지만 안정성은 예측치보다 낮게 나타나는 '기하학적 세금' 현상을 보였다.

세포 스트레스 분석 결과, 안정성이 낮은 섭동일수록 샤페론 단백질인 HSPA5의 발현량이 유의미하게 높았다. Replogle 데이터셋에서 변화 크기를 보정한 후의 편상관계수는 -0.206으로 나타났으며, 고안정성/고스트레스 사분면의 섭동은 통계적으로 매우 희귀했다. 이는 기하학적 일관성이 세포의 항상성 유지를 위한 전제 조건임을 시사한다.

본 연구는 Waddington의 후성유전적 지형(Epigenetic Landscape) 개념을 현대적인 단일 세포 기하학으로 재해석했다. 안정적인 세포 상태는 지형의 골짜기(Attractor)에 해당하며, 섭동은 세포를 이 골짜기 사이의 능선으로 밀어올리는 행위로 간주된다. Shesha 지표는 세포가 새로운 안정적 상태로 이동하는지, 아니면 불안정한 능선에 머무는지를 방향적 일관성으로 측정한다.

기술적으로는 PCA 공간의 선형성 한계를 극복하기 위해 scGPT 파운데이션 모델을 활용했다. 3,300만 개의 세포 데이터로 사전 학습된 scGPT의 비선형 임베딩에서도 크기-안정성 상관관계가 유지됨을 확인했으며, 이는 이 현상이 단순한 투영 아티팩트가 아닌 생물학적 상태 공간의 고유한 특성임을 뒷받침한다. 또한 조합 섭동(Combinatorial Perturbation)이 단일 유전자 섭동보다 더 높은 안정성을 보인다는 점을 통해, 다중 타겟팅이 세포를 특정 분화 경로로 더 확실하게 유도할 수 있음을 수학적으로 설명했다.

PCA를 주요 임베딩 방식으로 사용했기에 복잡한 비선형 구조를 완전히 포착하지 못했을 수 있다. 또한 안정성과 스트레스 사이의 관계는 상관관계일 뿐 인과관계가 실험적으로 완전히 증명된 것은 아니다. Shesha 점수는 섭동당 하나의 스칼라 값으로 요약되므로, 하위 세포 집단의 분기 반응이나 용량 의존적 이질성을 세부적으로 묘사하지는 못한다.