본문 바로가기
AI & Data Analysis/Paper Reviews

Graph Attention Network (GAT)-based approach to scRNA

by doraemin_dev 2025. 7. 8.

GAT(Graph Attention Network) 기반 접근 방식을 scRNA‑seq 분석에 적용한 주요 논문들입니다. 

📄 1. scGAEGAT

  • "Single-cell RNA‑seq data analysis using graph autoencoders and graph attention networks" (Feng et al., 2022)
  • scRNA‑seq 데이터를 대상으로 그래프 오토인코더 + GAT 구조를 도입하여 유전자 임퓨테이션 및 세포 클러스터링 향상을 달성한 모델입니다 (frontiersin.org).

📄 2. GNNImpute

  • "An efficient scRNA‑seq dropout imputation method using graph attention network" (Xu, Cai & Gao, 2021)
  • 그래프 attention convolution 기반 오토인코더로 드롭아웃 노이즈를 제거하고 임퓨테이션을 수행한 연구입니다 (bmcbioinformatics.biomedcentral.com).

📄 3. scVGATAE

  • "scVGATAE: A Variational Graph Attentional Autoencoder Model for Clustering Single‑Cell RNA‑seq Data" (Liu et al., 2024)
  • 변분 그래프 오토인코더 + GAT 방식으로 세포 클러스터링 성능을 높이고 계산 효율성도 개선하였습니다 (mdpi.com).

📄 4. Disease State Prediction with GAT

  • "Disease State Prediction From Single‑Cell Data Using Graph Attention Networks" (Ravindra et al., arXiv 2020)
  • MS 환자의 scRNA‑seq 데이터를 대상으로 GAT를 활용한 질병 예측 모델로, 약 92% 정확도를 달성했습니다 (arxiv.org).

📄 5. GENELink

  • "Graph attention network for link prediction of gene regulations from single‑cell RNA‑sequencing data" (Chen & Liu, 2022)
  • scRNA‑seq + TF‑gene binding 데이터를 결합해 GAT 기반 그래프 링크 예측으로 유전자 규제망 재구성을 시도한 사례입니다 (pubmed.ncbi.nlm.nih.gov).

📄 6. DeepTalk

  • “Deciphering cell‑cell communication at single‑cell resolution …” (Nature Comm., 2024)
  • scRNA‑seq와 공간전사체(ST)를 통합, subgraph 기반 GAT를 활용하여 공간적으로 cell‑cell 커뮤니케이션을 추론하는 모델입니다 (pubmed.ncbi.nlm.nih.gov).

이 외에도 scGAT, scGAAC, STGAT, scGAAC, scBiGNN 등 다양한 파생 모델들이 있습니다.
특히 **scGAT(scGAT: A Graph Attention Network Approach… 2025)**는 멀티오믹스 기반 cell 상태 예측 및 바이오마커 발굴에 GAT를 활용한 최신 모델로 주목받고 있습니다 (sciencedirect.com, sciety.org).

🔍 논문 비교 요약

모델 주요 목적 방법론 구성 요소 Graph의 노드 단위 Graph의 edge 기준 특징 출판연도
scGAEGAT 유전자 임퓨테이션 + 클러스터링 GAEs + GAT Cell cell 간 유사도 각 cell을 노드로 하고, 유사도 기반으로 그래프 구성 후 GAT 적용 2022
GNNImpute 드롭아웃 임퓨테이션 GAT 기반 오토인코더 Gene gene 간 co-expression gene 간 co-expression을 기반으로 그래프 구성 (노드는 gene) 2021
scVGATAE 클러스터링 중심 Variational GAE + GAT Cell cell 간 관계 cell 간 그래프 + GAT 적용 (VAE 구조 포함) 2024
Disease‑GAT 질병 상태 예측 GAT (질병 분류)       2020
GENELink 유전자 규제망 링크 예측 GAT + TF-gene binding Gene TF-gene regulation gene regulation 예측 → 노드는 gene이며, edge는 regulation 관계 2022
DeepTalk 공간적 세포 통신 복원 subgraph GAT + 스케이 조합 분석 Cell 공간 근접성 + 유전자 발현 spatial transcriptomics 기반 cell 간 그래프 구성하여 subgraph attention 적용 2024
scGAT 멀티오믹스 기반 세포 상태 + 바이오마커 GAT 기반 분류 + 해석 Cell graph of cell similarity cell 간 similarity 또는 spatial proximity 기반 edge 구성 후 GAT 사용 2025

Graph Attention Network(GAT)를 활용한 scRNA 분석 논문

아래는 Graph Attention Network(GAT)를 활용하여 단일세포 RNA 시퀀싱(scRNA-seq) 데이터를 분석한 대표 논문 목록입니다.

1. scGAEGAT: 그래프 오토인코더와 GAT 기반 scRNA-seq 분석

  • 내용: scGAEGAT는 그래프 오토인코더(GAE)와 그래프 어텐션 네트워크(GAT)를 결합하여 scRNA-seq 데이터의 유전자 결손 보정(gene imputation)과 세포 클러스터링(cell clustering)을 수행합니다. 다양한 데이터셋에서 기존 방법보다 뛰어난 성능을 보였으며, GAT의 어텐션 메커니즘을 통해 세포 간의 중요한 관계를 효과적으로 포착합니다1.

2. CellVGAE: GAT 기반 변분 그래프 오토인코더

  • 내용: CellVGAE는 변분 그래프 오토인코더(VGAE) 구조에 GAT 레이어를 적용하여, scRNA-seq 데이터의 차원 축소와 클러스터링에 활용합니다. 여러 데이터셋에서 기존 신경망 및 비신경망 기반 방법보다 우수한 결과를 보였으며, 어텐션 계수를 통한 해석 가능성도 강조하였습니다2.

3. scGANSL: GAT와 Subspace Learning을 결합한 클러스터링

  • 내용: scGANSL은 GAT와 서브스페이스 러닝(subspace learning)을 결합하여 scRNA-seq 데이터의 클러스터링 정확도를 높인 새로운 방법론을 제안합니다34.

4. GENELink: GAT 기반 유전자 조절 네트워크 예측

  • 내용: GENELink는 GAT를 활용하여 scRNA-seq 데이터로부터 유전자 조절 네트워크(GRN)를 예측하는 프레임워크입니다. 다양한 벤치마크 데이터셋에서 기존 방법 대비 높은 정확도를 보였으며, 실제 암 전이 과정에서의 유전자 네트워크 변화를 분석하는 데 활용되었습니다56.

5. scGAT: GAT 기반 세포 상태 분류 및 바이오마커 탐색

  • 내용: scGAT는 scRNA-seq 데이터에서 GAT를 이용해 세포 상태를 분류하고, 질병 관련 바이오마커를 추출하는 방법입니다. 다양한 질환 데이터셋에서 기존 방법이 놓친 새로운 바이오마커를 발견하는 데 성공하였습니다7.

6. scVGATAE: 변분 그래프 어텐션 오토인코더 기반 클러스터링

  • 내용: scVGATAE는 GAT와 변분 오토인코더를 결합하여, 비지도 학습 기반으로 scRNA-seq 데이터의 클러스터링을 수행합니다8.

논문 요약 표

 

논문명/모델 주요 내용 및 활용 그래프 노드 (임베딩 주체) 그래프 엣지 (관계) 입력 특징 요약 출처
scGAEGAT GAE+GAT 기반 클러스터링, 결손 보정 Cell Cell-Cell (유사도 기반) 각 cell이 노드, KNN 등으로 cell 간 유사도 기반 엣지 1
CellVGAE GAT 기반 VAE, 차원축소·클러스터링 Cell Cell-Cell (KNN/상관계수) cell이 노드, 유전자 발현 벡터가 node feature, KNN 등 2
scGANSL GAT+서브스페이스 러닝, 클러스터링 Cell Cell-Cell (HVG/PCA 기반) cell이 노드, HVG 및 PCA로 추출된 feature로 그래프 구성 34
GENELink GAT 기반 유전자 네트워크 예측 Gene Gene-Gene (조절 네트워크) gene이 노드, 유전자 조절 네트워크 기반 엣지, gene feature로 발현값 사용 56
scGAT GAT 기반 세포 상태 분류·바이오마커 탐색 Cell Cell-Cell (유사도 기반) cell이 노드, 발현 데이터 기반 cell 간 유사도 엣지 7
scVGATAE GAT+VAE 기반 클러스터링 Cell Cell-Cell (유사도 기반) cell이 노드, 발현 벡터가 feature, cell 간 유사도 엣지 8
 

참고

  • 각 논문은 GAT의 어텐션 메커니즘을 활용해 세포 간 관계, 유전자 네트워크, 클러스터링, 바이오마커 탐색 등 다양한 scRNA-seq 분석에 적용되고 있습니다.
  • 최신 논문은 GAT와 오토인코더, 트랜스포머 등 다양한 딥러닝 구조와의 융합을 통해 분석 성능과 해석 가능성을 높이고 있습니다.
  1. https://www.frontiersin.org/articles/10.3389/fgene.2022.1003711/full
  2. https://academic.oup.com/bioinformatics/article/38/5/1277/6448212
  3. https://pubs.acs.org/doi/10.1021/acs.jcim.5c00731?ai=556&mi=0&af=R
  4. https://pubs.acs.org/doi/abs/10.1021/acs.jcim.5c00731
  5. https://pubmed.ncbi.nlm.nih.gov/35961023/
  6. https://academic.oup.com/bioinformatics/article/38/19/4522/6663989
  7. https://sciety.org/articles/activity/10.21203/rs.3.rs-6217595/v1
  8. https://www.mdpi.com/2079-7737/13/9/713
  9. https://www.sciencedirect.com/science/article/abs/pii/S1046202323000312
  10. https://www.nature.com/articles/s41598-024-73356-1
  11. https://pmc.ncbi.nlm.nih.gov/articles/PMC11926986/
  12. https://academic.oup.com/bib/article/24/6/bbad414/7434465
  13. https://www.sciencedirect.com/science/article/pii/S0952197624010960/pdf
  14. https://www.sciencedirect.com/science/article/pii/S2667370325000220
  15. https://pmc.ncbi.nlm.nih.gov/articles/PMC6072887/
  16. https://www.sciencedirect.com/science/article/abs/pii/S1046202324001609
  17. https://cegat.com/research-pharma-solutions/sequencing-services/single-cell-rna-sequencing/
  18. https://arxiv.org/abs/2002.07128
  19. https://www.sciencedirect.com/science/article/pii/S2001037021004499

 

아래는 **노드가 유전자(gene)**로 정의되고, **Graph Attention Network (GAT)**를 활용해 scRNA‑seq 데이터를 분석하거나 유전자 규제망(Inferred Gene Regulatory Network, GRN)을 재구성한 주요 논문들입니다.

🧬 1. scMGATGRN

  • 제목: A multiview graph attention network–based method for inferring gene regulatory networks from single-cell transcriptomic data
  • 컨셉: scRNA‑seq 데이터를 기반으로 **다중 뷰 그래프 주의 메커니즘(multiview GAT)**을 도입해 유전자 간 규제(edge) 링크를 예측하고 GRN을 추정
  • 출처: PubMed Central 논문 소개 (academic.oup.com, frontiersin.org)

🧬 2. GENELink

  • 제목: Graph attention network for link prediction of gene regulations from single-cell RNA-sequencing data (Bioinformatics, 2022)
  • 컨셉: scRNA‑seq에서 얻은 유전자 발현 데이터를 기반으로, 유전자 노드 간의 연결(link)을 예측하는 링크 예측(link prediction) 작업을 GAT 구조로 수행
  • 특징: TF–target gene 이전 지식을 graph 초기화로 사용, 이후 GAT으로 잠재적인 GRN 구조를 학습함 (academic.oup.com)

🧬 3. Graph attention network with convolutional layer for predicting gene regulations from single-cell RNA-seq

🧬 4. Disease State Prediction with GAT

  • 제목: Disease State Prediction From Single‑Cell Data Using Graph Attention Networks (Ravindra et al., 2020, arXiv)
  • 컨셉: 노드를 세포 단위로 정의한 연구지만, attention weight 분석을 통해 특정 유전자의 세포 내 중요도까지 도출 가능
  • 연관성: 유전자–세포 구조 GAT 활용, scRNA‑seq 기반 분류 작업에 GAT 적용 (arxiv.org)

✅ 요약 비교

논문명 노드 정의 주된 목적 주요 기법

scMGATGRN 유전자 GRN 복원 (링크 예측) multiview GAT
GENELink 유전자 GRN 재구성 / 링크 예측 GAT + TF prior
GAT + Conv 층 모델 유전자 유전자 규제 관계 예측 GAT + CNN
Disease‑GAT 세포 질병 상태 분류 (세포 분류) GAT, attention 기반

🔍 활용성 및 연구 확장

  • 유전자 노드 기반 연구: scMGATGRN, GENELink, GAT+Conv 모델
  • 세포 노드로 시작하지만 유전자 중요도까지 해석 가능: Disease‑GAT
  • 응용 처리: GRN 재구성, 유전자 링크 예측, 드라이브 또는 질병 바이오마커 탐색 등

더 궁금하신 부분이 있다면 원문 링크, 모델 구조, 성능 지표, 코드 리포지토리 등을 제공해드릴 수 있어요! 원하시는 방향을 말씀해 주세요.

GAT 기반 Gene-Graph(single-cell RNA-seq) 분석 논문

아래는 **그래프의 노드가 gene(유전자)**로 정의되고, **Graph Attention Network(GAT)**를 활용하여 단일세포 RNA 시퀀싱(scRNA-seq) 데이터를 분석한 대표 논문들입니다.

1. GENELink: GAT 기반 유전자 조절 네트워크(GRN) 예측

  • 논문명: "Graph attention network for link prediction of gene regulations from single-cell gene expression data"
  • 핵심 내용:
    • 노드: Gene(유전자)
    • 엣지: Gene-gene (조절 네트워크, TF-타겟 유전자 간 관계)
    • 입력: scRNA-seq의 유전자 발현값을 gene feature로 사용, 유전자 조절 네트워크의 prior 정보와 결합
    • 주요 기여:
      • GAT를 활용해 단일세포 수준에서 유전자 간 조절 네트워크(GRN)를 예측
      • 멀티헤드 어텐션으로 조절 강도와 노드 임베딩을 학습
      • 실제 암 전이 데이터 등 다양한 데이터셋에서 기존 방법보다 높은 정확도 달성1
  • 특징:
    • supervised link prediction 방식으로, 유전자 간의 조절 관계(엣지)를 예측
    • gene graph 구조를 명확히 사용

2. GATCL: GAT+Convolutional Layer 기반 GRN 예측

  • 논문명: "Graph attention network with convolutional layer for inferring gene regulatory network from single-cell RNA-seq data"
  • 핵심 내용:
    • 노드: Gene(유전자)
    • 엣지: Gene-gene (TF-타겟 유전자 간 조절 관계)
    • 입력: scRNA-seq 데이터에서 유전자 발현값을 feature로 사용
    • 주요 기여:
      • GAT와 컨볼루션 레이어를 결합해 단일세포 데이터에서 GRN을 예측
      • TF와 타겟 유전자 간의 조절 관계를 효과적으로 추론23
  • 특징:
    • gene graph를 기반으로 GAT를 적용

3. GNNLink: GAT 활용 유전자 조절 네트워크 추론

  • 논문명: "Predicting gene regulatory links from single-cell RNA-seq data using graph neural networks"
  • 핵심 내용:
    • 노드: Gene(유전자)
    • 엣지: Gene-gene (조절 관계)
    • 입력: scRNA-seq 유전자 발현 데이터, GRN prior
    • 주요 기여:
      • GAT 등 GNN 계열 모델로 단일세포 데이터에서 유전자 간 조절 관계를 추론4
  • 특징:
    • gene graph를 명확히 사용하며, 다양한 GNN 중 GAT를 포함

논문별 요약 표

논문/모델명그래프 노드그래프 엣지주요 목적/기여비고
GENELink Gene Gene-gene (조절) 단일세포 GRN 예측, GAT 적용 멀티헤드 어텐션, 암 데이터 적용1
GATCL Gene Gene-gene (조절) GRN 예측, GAT+Conv TF-타겟 예측23
GNNLink Gene Gene-gene (조절) GRN 추론, GAT 포함 GNN 계열 비교4
 

참고 사항

  • 위 논문들은 모두 유전자를 그래프의 노드로 정의하고, 유전자 간 조절 네트워크(엣지)를 기반으로 GAT를 적용하여 scRNA-seq 데이터의 GRN(유전자 조절 네트워크) 예측에 초점을 맞추고 있습니다.
  • 대부분의 GAT 기반 scRNA 분석 논문은 cell-graph 구조를 사용하지만, 위 논문들은 gene-graph 구조를 명확히 사용합니다.
  • 각 논문은 실제 scRNA 데이터셋에서 기존 GRN 추론 방법 대비 높은 성능을 보였으며, 암 등 다양한 생물학적 현상 분석에 활용되었습니다.

추가 정보(초록, 코드, 데이터 등)가 필요하시면 논문명을 지정해주시면 상세히 안내해드릴 수 있습니다.

  1. https://academic.oup.com/bioinformatics/article/38/19/4522/6663989
  2. https://www.sciencedirect.com/science/article/abs/pii/S0952197624010960
  3. https://www.sciencedirect.com/science/article/pii/S0952197624010960/pdf
  4. https://pubmed.ncbi.nlm.nih.gov/37985457/
  5. https://www.frontiersin.org/articles/10.3389/fgene.2022.1003711/full
  6. https://pubs.acs.org/doi/10.1021/acs.jcim.5c00731?ai=556&mi=0&af=R
  7. https://pmc.ncbi.nlm.nih.gov/articles/PMC8825872/
  8. https://www.nature.com/articles/s41467-021-22197-x
  9. https://pmc.ncbi.nlm.nih.gov/articles/PMC10612495/
  10. https://www.sciencedirect.com/science/article/pii/S1673852722000339
  11. https://academic.oup.com/bib/article/26/2/bbaf089/8068119
  12. https://www.biorxiv.org/content/10.1101/2022.06.08.495390.full
  13. https://pubmed.ncbi.nlm.nih.gov/39694856/
  14. https://dl.acm.org/doi/pdf/10.1145/3368555.3384449
  15. https://arxiv.org/abs/2002.07128
  16. https://www.nature.com/articles/s41587-024-02182-7
  17. https://arxiv.org/html/2403.08959v2
  18. https://academic.oup.com/bib/article/25/1/bbad469/7484598
  19. https://arxiv.org/abs/2407.18181
  20. https://www.sciencedirect.com/science/article/abs/pii/S1046202323000312

'AI & Data Analysis > Paper Reviews' 카테고리의 다른 글

[GENELink] Graph attention network for link prediction of gene regulations from single-cell RNA-sequencing data  (0) 2025.07.17
RECOVERING TIME-VARYING NETWORKS FROM SINGLE-CELLDATA  (3) 2025.07.16
scGAC: a graph attentional architecture for clustering single-cell RNA-seq data  (0) 2025.07.08
Gene Analysis Papers 2  (0) 2025.07.08
GeneCover: A Combinatorial Approach for Label-free Marker Gene Selection  (0) 2025.06.27

관련글

티스토리툴바