단일세포 RNA 시퀀싱과 CRISPR 데이터 모델링 분석 파이프라인

세포 발현과 유전자 교란을 함께 해석하는 분석 체계

단일세포 RNA 시퀀싱(scRNA-seq)과 CRISPR 교란 데이터 모델링은 서로 다른 관점에서 유전체 데이터를 읽는다. 전자는 세포별 전사체 발현을 통해 세포 상태와 아형을 찾고, 후자는 유전자 교란 뒤의 변화를 바탕으로 기능 효과를 추정한다. 두 결과를 연결하면 발현 맥락을 가진 타깃 후보와 경로 수준의 영향을 함께 검토할 수 있다.

scRNA-seq가 다루는 데이터

scRNA-seq 분석은 개별 세포의 전사체 발현량을 UMI 기반 희소 행렬로 계량한다. 품질관리(QC), 정규화, 특징 추출, 차원 축소, 클러스터링, 차등발현 분석을 거쳐 세포 상태·아형·경로를 추정한다.

입력 데이터는 보통 셀×유전자 희소 행렬과 배치, 샘플, QC 지표 같은 메타데이터로 구성된다. 분석 규모는 10^4~10^6 셀까지 확장될 수 있으며, 제로 인플레이션, 드롭아웃, 배치 효과를 함께 다뤄야 한다.

CRISPR 스크린에서 유전자 효과를 추정하는 방법

CRISPR 데이터 모델링은 gRNA 수준의 카운트 또는 풍부도 변화에서 유전자 수준의 기능 효과를 끌어낸다. NB GLM, RRA, 베이지안 모델을 사용해 필수성(essentiality), 합성치사(synthetic lethality), 경로 영향력을 평가한다.

핵심 입력은 시점 또는 처리군별 gRNA 카운트 매트릭스다. 여기에 gRNA↔유전자 매핑을 담은 라이브러리 설계 메타데이터와 복제수, 오프타깃, 복제수 변이(CNV) 보정 요소가 결합된다.

분석 파이프라인에서 관리할 지점

scRNA-seq는 FASTQ, MTX, H5AD를 입력으로 받아 정렬·카운팅 후 nFeature, nCount, 미토콘드리아 비율을 기준으로 QC를 수행한다. 이후 SCT, CLR, log1p 등의 정규화와 HVG 선택, PCA·UMAP 차원 축소, 그래프 기반 클러스터링, 차등발현 또는 궤적 추정으로 이어진다.

CRISPR 파이프라인은 read count에서 시작한다. 라이브러리 커버리지와 복제 상관을 점검하고 median-ratio 또는 size factor로 정규화한 뒤, NB GLM·RRA·CERES·JACKS 등을 통해 효과를 추정한다. 유전자 스코어를 통합한 다음 경로 또는 풍부도 분석으로 확장한다.

scRNA-seq에서는 음이항 또는 허들 모델로 드롭아웃과 과산포를 다루며, Harmony·BBKNN·MNN으로 배치 보정을 수행할 수 있다. 다중검정은 FDR로 제어한다. CRISPR 분석은 NB 기반 대조–처리 비교와 RRA 기반 gRNA→유전자 통합을 사용하며, CRISPRcleanR·CERES로 CNV와 오프타깃 교란을 보정한다.

대규모 분석에는 희소 행렬과 HDF5/Zarr, AnnData backed 같은 on-disk 백엔드가 필요하다. Dask와 Ray를 통한 병렬·분산 처리로 수백만 셀 규모를 지원할 수 있다. 실행 환경은 conda/mamba 또는 Docker로 고정하고, 랜덤 시드와 Snakemake·Nextflow 파이프라인 정의를 함께 관리해야 실행 이력을 추적할 수 있다.

품질 관리 역시 분석마다 다르다. scRNA-seq에서는 이중세포(doublet), 주변 RNA(ambient), 세포주기와 미토콘드리아 비율을 확인한다. CRISPR에서는 라이브러리 편향, 복제 품질, gRNA 불균형, CNV, 시간경과 및 복제 간 일관성을 점검한다.

결합 분석이 쓰이는 장면

CRISPR 스크린의 유전자 스코어와 scRNA-seq의 세포형 특이 발현을 교차 분석하면 치료 타깃 후보를 추출할 수 있다. scRNA-seq 클러스터를 세포 조성 지표로 환자 단위에 집약하고 임상 반응과 연동하면 환자 서브타입 정의에도 활용된다.

처리군 scRNA-seq의 궤적 변화와 CRISPR 유전자 의존도 변화를 결합하면 경로 수준의 약물 작용기전을 추정할 수 있다. CRISPR 스코어 공변 네트워크와 발현 네트워크는 합성치사 상호작용 후보의 우선순위를 정하는 데 쓰인다. 운영 측면에서는 H5AD/Zarr 기반 온디스크 처리와 QA 지표 대시보드화를 통해 일일 배치 분석을 자동화할 수 있다.

온디스크·병렬 처리에서는 10^6 셀 기준 분석 시간이 35배 단축될 수 있으며, 환경 의존적이다. 클라우드 스팟·프리엠션 최적화는 인프라 비용을 3050% 절감할 수 있다. 배치 보정과 로버스트 추정을 함께 적용하면 재현성(AUROC/AUPRC)이 5~15%p 개선될 수 있다.

세포형과 경로 수준의 원인 설명은 해석 가능성을 높인다. 표준화된 QC, 로그, 모니터링은 실패 지점을 드러내며, 데이터와 모델 이력 관리는 검증과 감사 대응을 수월하게 만든다.

분석 경로가 만나는 지점

⤢✕

파이프라인별 운영 특성

항목	성능	확장성	일관성	안정성	운영 편의
scRNA-seq 파이프라인(Scanpy/Seurat)	희소 연산·그래프 기반, 대용량 최적화	HDF5/Zarr 온디스크, 분산 처리	시드·파라미터 고정으로 재현성 확보	배치/드롭아웃 보정 시 성능 안정	생태계 풍부, 시각화·주석 용이
CRISPR 모델링(MAGeCK/CERES 등)	NB/RRA 로버스트 추정, 대규모 gRNA 처리	복제 확장, 프로젝트 단위 스케일	파이프라인·메타데이터로 재현성	CNV/오프타깃 보정 시 편향 감소	CLI·R/Python 연동, 경로 분석 연계 용이

Scanpy로 처리하는 scRNA-seq 데이터

공개 데이터셋 분석과 재현성 검증을 위한 계산 예시이며, 실험 설계나 실행 지침은 아니다.

환경은 Python 3.10, scanpy 1.9.8, anndata 0.10.x, numpy/scipy를 전제로 하며 운영 메모리는 ≥ 32GB를 권장한다. 입력 파일은 셀×유전자 raw counts를 담은 counts.h5ad다.

# pip install scanpy anndata==0.10.7 harmonypy
import scanpy as sc

adata = sc.read_h5ad("counts.h5ad")  # on-disk: sc.read_h5ad(..., backed='r')
sc.pp.calculate_qc_metrics(adata, inplace=True)

# 기본 QC 필터(프로젝트별 기준 조정)
adata = adata[ (adata.obs['n_genes_by_counts'] >= 500)
             & (adata.obs['pct_counts_mt'] <= 10), : ].copy()

# 정규화/변환/가변 유전자
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=3000, flavor='seurat_v3')
adata = adata[:, adata.var['highly_variable']].copy()

# 배치 보정(옵션: adata.obs['batch'] 존재 시)
# import harmonypy as hm; sc.external.pp.harmony_integrate(adata, 'batch')

# 차원 축소/군집/시각화
sc.pp.scale(adata, max_value=10)
sc.tl.pca(adata, n_comps=50, svd_solver='arpack')
sc.pp.neighbors(adata, n_neighbors=15, n_pcs=30)
sc.tl.umap(adata)
sc.tl.leiden(adata, resolution=0.6)

# 차등 발현
sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon')
adata.write_h5ad("processed.h5ad")

메모리가 부족하면 backed='r'로 온디스크 처리를 사용하고, n_top_genes를 줄이거나 Zarr 변환을 고려할 수 있다. 배치 보정은 통합 전후의 ARI/NMI, kBET 지표를 비교해 파라미터를 조정하며 과보정을 피한다.

MAGeCK로 CRISPR 스크린을 모델링하는 흐름

환경은 mageck 0.5.9와 Python/R 런타임(옵션)을 전제로 한다. 복제파일의 fastq 카운트가 끝난 상태에서 count.txt에는 샘플별 gRNA 카운트, design.txt에는 샘플↔조건 매핑이 들어간다.

# 설치 예: conda create -n crispr -c bioconda mageck=0.5.9 python=3.10 -y
# 카운트 파일 생성 단계는 생략(이미 gRNA 카운트 존재 가정)

# 유전자 효과 추정(RRA 또는 MLE)
mageck test -k count.txt \
  -t treated_rep1,treated_rep2 \
  -c control_rep1,control_rep2 \
  --norm-method median \
  --gene-test-fdr 0.1 \
  --output-prefix screen_out

# 결과: screen_out.gene_summary.txt (유전자별 logFC, p, FDR)

품질 검증에서는 복제 상관(Pearson/Spearman ≥ 0.9 권장), 라이브러리 커버리지(>90% gRNA 검출), 음성·양성 컨트롤의 분리도(AUROC)를 확인한다.

최신 도구/버전은 변경 가능성이 있어 최신 정보 확인 필요.

보정 강도와 모델 복잡도 사이의 선택

배치 보정은 통합 전후에도 생물학적 신호가 보존되는지 마커 기반으로 검증해야 한다. 배치 제거 강도를 높이면 기술 변동은 감소하지만 미세 아형이 사라질 위험이 있다.

CRISPR 모델은 NB GLM으로 과산포를 반영하고 RRA로 gRNA→유전자 통합의 로버스트성을 확보할 수 있다. 모델 복잡도가 높아질수록 추정 안정성은 높아질 수 있지만 계산 비용과 해석 난이도도 함께 높아진다.

온디스크 백엔드와 Nextflow/Snakemake 같은 워크플로우 엔진을 사용하면 재현성과 비용 최적화를 함께 다룰 수 있다. 대신 파이프라인 표준화가 높아질수록 일부 유연성은 제한된다.