세포지도 Cell atlas

[문형철]

https://www.nature.com/articles/s41586-024-08411-y

이 연구에서는

SCimilarity라는 metric-learning 기반 foundation model을 개발.

수억 개의 인간 단일세포 RNA-seq (sc/snRNA-seq) 데이터를 통합해,

전신적으로 유사한 세포 상태를 빠르게 검색할 수 있는 강력한 도구를 만들었습니다.

핵심 아이디어

• 기존 단일세포 데이터는 양이 폭발적으로 증가하고 있지만, 서로 다른 연구 간 세포를 비교하고 유사한 세포를 검색하는 데 어려움이 많음.
• SCimilarity는 triplet loss (유사한 세포는 가깝게, 다른 세포는 멀게) + reconstruction loss (원래 발현 패턴 보존)를 결합한 metric learning으로 학습.
• Cell Ontology를 활용해 대규모 triplet을 생성하여 학습 (훈련 데이터: 56개 연구, 약 788만 세포).

규모

• 23.4 million cells (412개 연구, 10x Genomics 기반)로 구성된 reference atlas 구축.
• 조직 184종, 질환 132종 포함.

성능

• 새로운 데이터셋에 대한 일반화 능력이 우수.
• 기존 foundation model (scGPT, scFoundation)보다 유사 세포 검색 정확도가 월등히 높음.
• 데이터 통합(integration) 성능도 Harmony, scVI 등 전용 방법과 비슷하거나 우수.

실험적 적용 예시

• Interstitial Lung Disease (ILD) 환자의 macrophage와 fibroblast 쿼리.
  • 다른 섬유화 질환(fibrotic diseases)에서 유사 세포 발견.
  • In vitro 모델 중 3D hydrogel 시스템이 가장 유사한 macrophage 상태를 재현 → 실험적으로 검증 성공.

의의

SCimilarity는 Human Cell Atlas를 실질적으로 활용할 수 있게 하는 검색 엔진 같은 도구입니다.

• 질환 관련 세포 상태 찾기
• 예상치 못한 조직에서의 세포 상태 발견
• in vivo ↔ in vitro 모델 매칭
• 새로운 데이터셋을 별도 학습 없이 바로 쿼리 가능

한 줄 요약: 단일세포 전장 아틀라스를 검색 가능한 foundation model로 만들어, “이 세포와 비슷한 세포는 인간 몸 어디에, 어떤 상황에서 있나?”를 빠르게 답할 수 있게 한 연구.

a. SCimilarity 검색 워크플로우 (SCimilarity Search)

• Query cell (예: 특정 세포)을 입력하면, Searchable foundation model이 빠르게 검색을 수행합니다.
• 모델은 23.4 million cells (412개 연구, 전신 조직·질환 포함)으로 구축된 reference atlas를 기반으로 작동.
• 검색 결과: 0.05초 만에 10,000개의 유사 세포를 찾아냄.

검색 예시:

1. Intestine (Kim et al. 2022) — 337 similar cells
2. Intestine (Torres et al. 2022, Crohn’s disease) — 293 similar cells
3. In vitro PBMCs (Smith et al. 2021) — Novel cell model 후보
4. COVID-19 lung (Johnson et al. 2023) — Novel disease association 발견

우측: 유사도에 따라 색상으로 표시된 embedding 공간 (SCimilarity score: Low → High). 유사한 세포들이 embedding 상에서 가까이 클러스터링되어 있음을 보여줍니다.

---

b. 모델 학습 방법 (Training Process)

1. Training Data

• 전신(Healthy tissue, Immune, Infectious disease 등)에서 수집된 56개 연구의 단일세포 데이터.
• 세포 유형 주석(Annotations) 활용 (T cell, CD4+, Treg, CD8+ 등).

2. Triplet Sampling (Cell Ontology 기반)

• Cell Ontology 계층 구조를 이용해 Anchor, Positive, Negative triplet을 생성.
  • Ancestor–descendant 관계, Cousin 관계 등 활용.
  • 모호한(ambiguous) 비교는 버리고, 명확한(valid) triplet만 학습에 사용.

3. Metric Learning

• Loss function:
  • Reconstruction loss (MSE) + Triplet loss 조합
• 모델은 입력 세포의 유전자 발현을 embedding으로 변환.
• SCimilarity score = Embedding 공간에서의 거리(distance)의 역수 (가까울수록 높은 유사도).

---

한 줄 핵심

SCimilarity는 대규모 단일세포 아틀라스를 검색 가능한 foundation model로 만든 것으로, 특정 세포를 입력하면 전신 어디서, 어떤 질환·실험 조건에서 유사한 세포 상태가 존재하는지 초고속으로 찾아주는 세포 검색 엔진입니다

세포지도(단일세포 아틀라스)를 인체 질환·건강 연구에 활용하는 방법을 실용적으로 정리해드릴게요.

1. 기본 개념

세포지도(예: Human Cell Atlas, Tabula Sapiens, SCimilarity 등)는 수천만~억 단위의 단일세포 RNA-seq 데이터를 통합해, 정상/질환 상태에서 세포 유형·상태·위치·유전자 발현 패턴을 지도로 만든 것입니다. 이 지도를 활용하면 “이 세포 상태가 정상인가? 질환과 어떻게 관련되어 있나?”를 전신적으로 이해할 수 있습니다.

2. 주요 활용 분야와 방법

분야구체적 활용 방법대표 사례

질환 기전 규명	환자 샘플의 단일세포 데이터를 정상 아틀라스와 비교 → 질환 특이적 세포 상태(예: 섬유화 macrophage, 염증 fibroblast) 발견	Interstitial Lung Disease (ILD)에서 SCimilarity로 다른 섬유화 질환의 유사 세포 검색
바이오마커·진단 표적 발굴	질환 vs 정상 세포 간 차이 유전자(signature) 도출 → 혈액·조직 기반 비침습 진단 개발	IBD(염증성 장질환), 암, COVID-19에서 세포 상태 기반 바이오마커
신약 표적·치료제 개발	질환 관련 세포 상태를 유발하는 경로(TF, receptor) 식별 → 약물 스크리닝	면역세포, 암 미세환경 세포를 타겟으로 한 CAR-T, checkpoint inhibitor 개선
In vitro 모델 검증	환자 세포와 가장 유사한 실험 모델(in vitro, organoid, hydrogel 등) 검색	SCimilarity로 ILD macrophage와 가장 잘 맞는 3D hydrogel 모델 실험 검증
환자 층화·정밀의학	환자별 세포 상태 프로파일링 → 치료 반응 예측 (Responder vs Non-responder)	면역치료 반응 예측, 암 이질성 분석
약물 부작용·Off-target 예측	정상 아틀라스에서 약물이 영향을 줄 수 있는 세포 상태 검색	약물 개발 초기 단계에서 독성 예측
발달·노화·재생 연구	정상 발달 아틀라스와 비교 → 질환에서 재현된/잃어버린 세포 상태 분석	소아 질환, 재생의학

3. 실제 연구 워크플로우 (SCimilarity 중심)

1. 환자/실험 세포 준비
   • scRNA-seq 또는 spatial transcriptomics 데이터 생성
   • 관심 세포(예: macrophage)의 평균 발현 프로파일 추출
2. 아틀라스 검색 (SCimilarity 등)
   • Query cell → 0.05초 만에 수만 개 유사 세포 검색
   • 결과: 조직, 질환, 연구, in vitro 모델 등에서 유사도 순위 제공
3. 해석과 가설 생성
   • 유사 세포가 나타나는 질환/조건 분석 → 새로운 질환 연관성 발견
   • 예상치 못한 조직에서의 세포 상태 재발견
4. 실험 검증
   • Top hit 모델(organoid, 3D culture)로 실험
   • 공간전사체(spatial)로 위치 확인
5. 통합 분석
   • Multi-omics (ATAC-seq, proteomics) + AI foundation model 결합

4. 실제로 사용 가능한 도구·자원

• SCimilarity (Genentech): 23.4M cells 기반 검색 엔진 (가장 추천)
• Human Cell Atlas (humancellatlas.org): 전신 정상/질환 지도
• cellxgene, CZ CELLxGENE, Single Cell Portal
• Seurat, Scanpy (분석)
• CellTypist, scGPT, scFoundation 등 foundation model

5. 한국 연구자/임상 적용 팁

• 국내에서도 암, 염증성 질환, 신경질환 중심으로 단일세포 아틀라스 구축 연구 활발
• K-MAP, 국가 바이오 빅데이터 등과 연계 가능
• SCimilarity 같은 tool은 별도 학습 없이 기존 public atlas를 바로 쿼리할 수 있어 연구 속도가 매우 빠름

한 줄 요약: 세포지도를 활용하면 “환자 세포 → 전신 검색 → 새로운 가설 → 모델 검증 → 정밀 치료”라는 빠른 번역 연구(translational research) 사이클을 만들 수 있습니다.