[논문 리뷰] scMODAL: a general deep learning framework for comprehensive single-cell multi-omics data alignment with feature links

졸프 면담 중 교수님의 권유로 읽어본 논문! 바이오 관련 논문은 처음인데 방법론이나 구조가 깔끔해서 읽는데 큰 어려움은 없었지만 결과 부분은 해석하기 쉽지 않다..

scMODAL: a general deep learning framework for comprehensive single-cell multi-omics data alignment with feature links | Nature Communications

 

---

• 논문의 간단한 IDEA 정리
  • 문제점 : single cell이 갖고 있는 서로 다른 modality (RNA, ATAC, Protein 등..) 데이터를 통합하기 어렵다.
  • 제안
    • 두 개의 modality 데이터셋 준비 (여기서 Linked features 도 추출해둠)
    • Encoder 통과 (비선형 신경망이므로 batch effect 같은 복잡한 변형도 처리 가능)
    • GAN을 통한 Distribution alignment → RNA embedding과 ATAC embedding이 같은 latent 분포로 정렬되게!
    • Prior anchors (MNN pairs) 적용 → Linked features 기반
    • Topology preservation
    • 최종적으로 aligned latent space Z 생성
    • 활용:
    1. Integration: RNA, ATAC, Protein 모두 같은 공간에서 비교 가능.
    2. Cell type matching: 서로 다른 모달리티에서도 같은 세포 상태 매칭.
    3. Feature imputation:
       • RNA embedding → Protein decoder (G2) → 단백질 abundance 예측.
       • Protein embedding → RNA decoder (G1) → 유전자 발현 예측.
    4. Relationship inference: cross-modality feature correlation 네트워크 추론 가능

• 그렇다면 이 논문 IDEA와 우리 연구의 관련성은..
  1. 범용성 강화 측면
     • scMODAL은 linked features가 적어도 robust하게 통합 가능하다는 장점이 있으니
     • 의료 현실에서는 모든 환자가 모든 modality 데이터를 다 갖고 있지 않음 (예: MRI만 있고 유전자 데이터 없음)
     • → scMODAL식 접근은 결측 modality를 보완할 수 있어, 불완전한 데이터 환경에서도 작동하는 범용 의료 AI 개발에 적합하지 않을까
  2. 설명 가능성 측면
     1. scMODAL은 linked features(RNA ↔ ATAC, RNA ↔ Protein 같은 생물학적 대응)를 anchor로 사용
     2. 의료 분야에서 이를 임상 지식 기반 link로 확장 가능하지 않을까
     3. 이 anchor 기반 정렬은 “왜 이 진단이 나왔는지”를 설명할 수 있는 근거가 됨.
     4. 단순히 “AI가 암이라고 함”이 아니라 → 영상 병변 ↔ 분자 검사 ↔ 임상 feature가 어떻게 연결되는지 설명 가능