세포계측 기초 모델을 향하여: 사전 훈련된 트랜스포머를 통한 해석 가능한 샘플 수준 예측 모델링

기초 모델은 다양한 분야에서 과학적 데이터 모델링을 변혁시켰지만, 유세포 분석 분야에는 이러한 모델이 없었다. 고차원 세포 데이터가 풍부함에도 불구하고, 자동화된 분석은 마커 변동성에 의해 병목 현상을 겪고 있다: 이전 연구들은 일반적으로 고정 마커 패널과 동질적인 데이터에 국한되어 있으며, 이는 구조적 제약으로 인해 확장성과 일반화를 제한한다. 우리는 샘플 수준 예측 모델링을 위해 이질적인 마커 패널로부터 학습하도록 설계된 해석 가능한 프레임워크인 일반화된 사전 훈련 세포계측 트랜스포머(GPCT)를 제시한다. GPCT는 새로운 세포계측 전용 사전 훈련 프로세스를 통해 다양한 데이터 세트에서 높은 분류 정확도를 달성하는 전이 가능한 세포 표현을 학습한다. 특히, 사전 훈련은 데이터가 부족한 다운스트림 작업에서 성능을 크게 향상시키며, 이는 세포계측 기초 모델을 향한 중요한 발걸음을 의미한다. 더욱이, GPCT는 해석 가능성을 유지하고 예측에 가장 영향을 미치는 특정 세포 하위 집합을 식별한다. 이는 학습된 패턴의 직접적인 생물학적 검증을 가능하게 하며, 전통적인 게이팅 전략을 정교하게 다듬기 위한 데이터 기반 기초를 제공한다.