> - 코드: [saeyslab/nichenetr](https://github.com/saeyslab/nichenetr) ## 1. 개요 NicheNet은 세포 간 리간드–수용체 상호작용과 그 하류 타깃 유전자 발현 변화를 예측하기 위해 개발된 컴퓨팅 툴입니다. 주요 목적은 특정 조건 하에서 차등발현 유전자(DEG)를 유발하는 리간드와 그 리간드 신호를 전달하는 세포(또는 세포 군집)를 식별하는 것입니다. - **핵심 아이디어** 1. 다양한 공개 데이터베이스에서 수집한 리간드–수용체, 단백질–단백질, 전사인자–타깃 상호작용 정보를 통합 2. 각 리간드가 표적 유전자에 끼치는 규제 잠재력을 계산 3. DEG 프로필과 비교하여 가능한 리간드 출처와 세포간 통신 네트워크를 재구성 - **적용 예시** - 종양 미세환경에서 종양세포 ↔ 면역세포 간 신호 경로 분석 - 조직 재생 또는 손상 복구 과정에서 분비인자(사이토카인) 역할 규명 --- ## 2. 설치 및 기본 사용법 ```r # 설치 (Bioconductor) if (!requireNamespace("BiocManager", quietly=TRUE)) install.packages("BiocManager") BiocManager::install("nichenetr") # 패키지 로드 library(nichenetr) ```` - **의존 패키지**: `tidyverse`, `SingleCellExperiment`, `magrittr` 등 - **데이터 다운로드**: `nichenet_load_data()` 함수를 통해 사전 구축된 네트워크, ligand–target matrix, 전처리된 scRNA-seq 예제 데이터를 호출할 수 있습니다. --- ## 3. 주요 데이터셋 NicheNet은 크게 세 가지 데이터 소스 집합을 사용합니다. 1. **ComPlex Pathway DB (cpdb)** 2. **EVEX** 3. **Harmonizome** ### 3.1. 데이터 구조 예시 - **Ligand–Receptor 네트워크**: 각 리간드와 수용체 사이의 결합 가능성 및 상호작용 강도를 가중치로 표현 - **Signaling 네트워크**: PPI–based 경로 정보, 세포 내 신호전달 Cascades - **Gene Regulatory 네트워크**: 전사인자와 표적 유전자 간의 조절 관계 --- ## 4. 알고리즘 상세 1. **Adjacency Matrix 구성** - ALRA_{LR}: 리간드–수용체 행렬 (m × n) - APPA_{PP}: PPI 행렬 (n × n) - AGRA_{GR}: 전사인자–유전자 행렬 (p × q) 2. **가중행렬 결합** Aintegrated=w1ALR+w2APP+w3AGRA_{\text{integrated}} = w_1 A_{LR} + w_2 A_{PP} + w_3 A_{GR} - wiw_i는 mlrMBO를 통해 최적화된 파라미터 3. **Ligand–Target Regulatory Potential (RP) 계산** RPl,g=∑k=1KAintegrated(l,k)×Aintegrated(k,g)RP_{l,g} = \sum_{k=1}^K A_{\text{integrated}}(l, k)\times A_{\text{integrated}}(k, g) - 중간 노드 kk를 통해 리간드 ll가 유전자 gg에 미치는 영향력 4. **Parameter Optimization (mlrMBO)** - 검증용 데이터셋 분리 후 Bayesian optimization으로 (w1,w2,w3)(w_1, w_2, w_3) 탐색 5. **Validation Metrics** - **AUC-ROC**: 타깃 유전자 예측 - **Precision-Recall**: 리간드 활성 예측 - **세포 유형별 바이어스**: 각 세포 cluster에서의 예측 성능 --- ## 5. R 코드 예제 워크플로우 ```r # 1) 데이터 로드 data <- nichenet_load_data() # 2) DEG 리스트 준비 geneset_oi <- c("GeneA", "GeneB", "GeneC") # 3) Ligand 후보 선정 ligands <- nichenet_predict_ligands(geneset_oi, data) # 4) 네트워크 시각화 library(igraph) ig <- graph_from_data_frame(data$interactions, directed=TRUE) plot(ig, vertex.label=V(ig)$name) ``` --- ## 6. 장단점 및 한계 - **장점** - 다양한 데이터 소스 통합으로 예측 신뢰도 상승 - Bayesian optimization으로 파라미터 튜닝 - R 패키지 형태로 사용 편의성 제공 - **한계** - 대규모 scRNA-seq 데이터 처리 시 메모리·계산 시간 요구 - 네트워크 정보의 불완전성에 크게 의존 - 새로운 리간드–수용체 상호작용 업데이트 반영에 시간 소요 --- ## 7. 결론 - NicheNet은 **리간드–타깃 관계** 예측 분야에서 강력한 도구이며, **CellPhoneDB**, **CellChat** 등 다른 방법론과 비교해도 우수한 성능을 보입니다. - 실제 분석 시에는 **데이터 전처리**, **파라미터 최적화**, **검증 지표** 설정을 꼼꼼히 수행해야 합니다.