지도 학습 기반의 Disentanglement를 이용한 조직 그래프에서의 반사실적 질의 (Querying Counterfactuals on

\textit{조직 그래프 반사실적 (Tissue graph counterfactuals)}은 세포의 공간적 이웃 맥락 (spatial neighbor contexts)이 변화할 때 세포의 발현이 어떻게 변할지를 묻습니다. 이러한 질의는 조직 내 세포 행동을 예측하는 데 핵심적이지만, 기존 방법론들은 특정 개입 (intervention) 유형만을 목표로 하거나 세포를 독립 항등 분포 (i.i.d.)로 취급하여 통일된 정의가 부족한 상태입니다. 본 연구에서는 먼저 \textit{조직 그래프 반사실적}을 세포 간의 연결을 재구성하거나 (\textit{edge perturbation}, 에지 섭동) 이웃 세포의 발현을 수정하는 (\textit{node perturbation}, 노드 섭동) 공간적 개입의 한 종류로 공식화합니다. 그런 다음, 지도 학습 기반의 Disentanglement (분리 학습)를 사용하여 세포의 고유 상태 (intrinsic state)를 공간적 맥락 (spatial context)으로부터 분리하고, 후자를 반사실적 예측을 위한 조건부 입력 (conditioning input)으로 사용하는 프레임워크인 \textit{Cellina} {\renewcommand{\thefootnote}‡\footnote{https://cellina.readthedocs.io}\addtocounter{footnote}{-1}}를 소개합니다. 대장암 및 마우스 뇌의 250만 개 이상의 공간 해상도 세포 (spatially-resolved cells)를 아우르는 벤치마크 전반에 걸쳐, \textit{Cellina}는 조직 섭동 (tissue perturbations), Disentanglement (분리 학습), 그리고 확장성 (scalability) 측면에서 공간 정보를 활용하는 모델 및 비공간적 경쟁 모델들보다 뛰어난 성능을 보였습니다. 또한, \textit{Cellina}가 비지도 학습 (unsupervised) 방식으로 생물학적으로 구별되는 암 하위 영역 (cancer subdomains)을 밝혀내고, 표적화된 이웃 섭동 시뮬레이션 (targeted neighbor perturbation simulations)을 가능하게 함을 보여줍니다.