arXiv:2606.27657v1 q-bio.GN

단일세포 RNA 시퀀싱을 이용한 인체 지방조직 지방세포 발달 궤적 재구성

Reconstructing the Developmental Trajectory of Adipocytes in Human Adipose Tissue Using Single-Cell RNA Sequencing

Weny S. M Sitinjak, Humasak Tommy Argo Simanjuntak

제출 2026-06-26

한국어 초록

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.

원문 초록

Obesity is a global health crisis associated with metabolic disorders such as type 2 diabetes and cardiovascular disease. This study employed single-cell RNA sequencing to reconstruct the developmental trajectory of human adipocytes from adipose tissue samples. Our analysis identified 15 transcriptionally distinct cell clusters, including 7 transitional states, revealing the dynamic process of adipocyte differentiation. We detected 16 functionally active signaling pathways mediating cellular communication between adipocytes and their progenitors. Among these, insulin-like growth factor (IGF) and fibroblast growth factor (FGF) pathways emerged as the most prominent networks, showing consistent activity across differentiation stages (p<0.05). The study revealed depot-specific differences, with visceral adipocytes undergoing additional extracellular matrix remodeling absent in subcutaneous differentiation. Spatial analysis further showed that IGF signaling was particularly active in perivascular niches, while FGF activity dominated in mature adipocyte zones. These results provide the first comprehensive map of human adipocyte development, highlighting IGF and FGF pathways as potential therapeutic targets. The identified signaling networks offer new insights for developing interventions to promote healthy adipose expansion or inhibit pathological fat accumulation. This work advances our fundamental understanding of adipose tissue biology while providing clinically relevant data for metabolic disorder treatments.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2606.27657v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2606.28459v1cs.LG공통 태그 Clustering, scrna-seq

scKDGM: 단일세포 RNA-seq 클러스터링을 위한 KAN 기반 동적 그래프 마스크 학습

scKDGM: KAN-guided Dynamic Graph Masked Learning for Single-Cell RNA-seq Clustering

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.

arXiv:2607.21426v2cs.LG공통 태그 Clustering

건설적·협력적 멀티태스킹을 위한 의미 인식 태스크 클러스터링

Semantic-Aware Task Clustering for Constructive and Cooperative Multi-Tasking

협력적 멀티태스크 의미 통신(cooperative multi-task semantic communication, CMT-SemCom)은 공유 표현을 활용하여 태스크 실행 성능을 향상시킨다. 그러나 [1]에서 보인 바와 같이, 협력적 멀티태스킹은 태스크 간 의미적 관계에 따라 건설적일 수도 있고 파괴적일 수도 있다. 건설적 협력을 보장하기 위해, 우리는 CMT-SemCom을 위한 의미 인식 태스크 클러스터링 방법을 제안한다. 짧은 초기 학습 단계 이후 의미적으로 정렬된 태스크가 한 번 클러스터링되고, 이후 발견된 그룹 내에서만 엔드투엔드(end-to-end, E2E) 공동 학습이 수행되는 순차적 다단계 최적화 문제를 수식화했다. 구체적으로, 이 문제는 두 단계로 분해된다: (i) 계층적 밀도 기반 공간 클러스터링(hierarchical density-based spatial clustering)을 활용한 의미 클러스터링 문제, (ii) 클러스터 내 E2E CMT-SemCom 학습 문제. 시뮬레이션 결과는 제안된 프레임워크가 파괴적 협력과 부정적 전이(negative transfer)를 효과적으로 완화하며, 클러스터링되지 않은 멀티태스킹 및 개별 학습 기준선 대비 정확도 향상을 달성함을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.