고차원 계수(count) 데이터는 단일세포 RNA 시퀀싱(single-cell RNA sequencing) 및 신경 스파이크 트레인(neural spike trains)과 같은 응용에서 나타나며, 연속적인 배치 또는 시점에 걸친 분포 간 매핑은 데이터 분석의 핵심 구성 요소를 이룬다. 이미지, 동영상, 텍스트에 대한 확산(diffusion) 및 플로우 기반 심층 생성 모델의 최근 성공은 이러한 아이디어를 계수 값 설정으로 확장할 동기를 주지만, 기존 방법의 다수는 각 계수를 범주형 상태로 취급하거나 계수를 연속 공간으로 변환하는데, 계수 범위가 클 때 이 둘 모두 자연스럽거나 효율적이지 않다. 우리는 국소 단위 점프를 갖는 연속 시간 출생-사망(birth-death) 과정에 기반한 계수 데이터용 플로우 매칭 프레임워크인 count-FM을 제안한다. count-FM은 조건부 전이율의 시뮬레이션 없는(simulation-free) 학습을 통해 계수 공간에서 주변 전이를 효율적으로 학습하여, 임의의 계수 분포를 따르는 소스 및 타깃 모집단 간 수송(transport)을 가능하게 한다. 시뮬레이션에서 count-FM 변형들은 훨씬 적은 파라미터를 사용하면서도 강한 샘플 품질을 달성한다. 또한 우리는 무조건 생성, 수송, 조건부 생성을 위해 count-FM을 scRNA-seq 및 신경 스파이크 트레인 데이터에 적용한다. 이러한 과제 전반에 걸쳐 count-FM은 향상된 샘플 품질, 더 큰 모델링 효율, 해석 가능한 수송 경로를 제공한다.
단일세포 RNA 시퀀싱(scRNA-seq) 클러스터링은 세포 유형 식별에 필수적이지만, 고차원성, 희소성, 드롭아웃, 기술적 노이즈가 강건한 발현 표현 및 세포 그래프 구축을 방해한다. 기존의 마스크 오토인코더는 주로 특징 재구성을 위한 발현 복원을 사용하는 반면, 그래프 클러스터링 방법은 일반적으로 고정된 KNN 그래프에 의존하며 복원된 발현을 그래프 최적화에 다시 반영하지 않는다. 우리는 scRNA-seq 클러스터링을 위한 KAN 기반 동적 그래프 마스크 학습 프레임워크인 scKDGM을 제안한다. scKDGM은 세포 정체성을 교란하기 위한 그래프 인식 분포 보존 유전자 마스킹(GDP-Mask), 마스크 뷰 표현 학습을 위한 KAN 기반 TAKGCN 인코더, 동적 그래프 구축을 위한 마스크 기반 발현 복원, 그리고 복원 신호를 위상 업데이트로 전달하는 교차 뷰 대조 학습을 사용한다. ZINB 손실은 과산포와 영 팽창을 모델링한다. 12개의 실제 scRNA-seq 데이터셋에 대한 실험에서 scKDGM은 평균 NMI 및 ARI에서 10개의 베이스라인을 능가한다.
비만은 제2형 당뇨병 및 심혈관 질환과 같은 대사성 장애와 연관된 전 세계적 건강 위기이다. 본 연구는 지방조직 샘플에서 인체 지방세포의 발달 궤적을 재구성하기 위해 단일세포 RNA 시퀀싱(single-cell RNA sequencing)을 사용하였다. 우리의 분석은 7개의 전이 상태를 포함하여 전사적으로 구별되는 15개의 세포 클러스터를 확인했으며, 지방세포 분화의 동적 과정을 밝혀냈다. 우리는 지방세포와 그 전구세포 간의 세포 간 통신을 매개하는 16개의 기능적으로 활성화된 신호 전달 경로를 확인했다. 이 중 인슐린 유사 성장인자(insulin-like growth factor, IGF) 및 섬유아세포 성장인자(fibroblast growth factor, FGF) 경로가 가장 두드러진 네트워크로 나타났으며, 분화 단계 전반에 걸쳐 일관된 활성을 보였다(p<0.05). 본 연구는 부위 특이적(depot-specific) 차이를 밝혔으며, 내장 지방세포(visceral adipocytes)는 피하지방(subcutaneous) 분화에서는 나타나지 않는 추가적인 세포외 기질(extracellular matrix) 리모델링을 겪는 것으로 나타났다. 공간 분석(spatial analysis)은 추가로 IGF 신호 전달이 혈관 주위 틈새(perivascular niches)에서 특히 활성화되어 있었고, FGF 활성은 성숙 지방세포 영역에서 우세함을 보였다. 이 결과는 인체 지방세포 발달에 대한 최초의 포괄적 지도를 제공하며, IGF 및 FGF 경로를 잠재적 치료 표적으로 강조한다. 확인된 신호 전달 네트워크는 건강한 지방조직 확장을 촉진하거나 병리적 지방 축적을 억제하는 개입 개발을 위한 새로운 통찰을 제공한다. 본 연구는 대사성 장애 치료를 위한 임상적으로 관련 있는 데이터를 제공하는 동시에 지방조직 생물학에 대한 근본적 이해를 발전시킨다.
단일세포 RNA 시퀀싱(scRNA-seq) 클러스터링에서 희소성·노이즈와 세포 간 구조 정보를 충분히 활용하지 못하는 한계를 해결하기 위해, 유전자 발현과 세포 그래프 구조를 통합한 scGTN(Deep Siamese Graph Transformer Network)을 제안한다. 두 증강 그래프 뷰에 Siamese 그래프 트랜스포머로 최단 경로와 노드 거리를 반영하고 최적 수송(optimal transport) 기반 자기지도 학습으로 클러스터링하며, 여러 벤치마크 scRNA-seq 데이터셋에서 기존 방법보다 우수한 성능을 보였다.