SPATIA: Multimodal Generation and Prediction of Spatial Cell Phenotypes

이 논문은 세포 형태, 유전자 발현, 공간적 맥락을 통합하여 조직 수준의 표현을 학습하고 교란 하의 세포 형태를 예측하는 다중 모달 생성 및 예측 모델인 SPATIA 를 제안하며, 대규모 데이터셋과 광범위한 벤치마크를 통해 기존 최첨단 모델보다 우수한 성능을 입증했습니다.

핵심

SPATIA: 세포의 '모습', '말', 그리고 '주변 환경'을 한 번에 이해하는 AI

이 논문은 생물학의 거대한 퍼즐 조각을 맞춰주는 새로운 인공지능 모델, SPATIA를 소개합니다.

기존의 생물학 연구는 마치 세포의 사진만 보거나, **세포가 하는 말 (유전자)**만 듣는 식으로 진행되었습니다. 하지만 세포는 혼자 있는 게 아니라, 주변 이웃들과 함께 조직을 이루고 있습니다. SPATIA 는 이 세 가지 (모습, 말, 주변 환경) 를 모두 한 번에 분석하여 세포가 어떤 상태인지, 그리고 어떤 변화가 일어날지 예측하는 '슈퍼 스카우트' 역할을 합니다.

---

1. 왜 이 연구가 필요한가요? (기존의 문제점)

생각해 보세요. 어떤 마을의 주민을 이해하려면 어떻게 해야 할까요?

• 기존 방법 1 (사진만 보는 경우): 주민의 옷차림이나 얼굴 생김새만 보고 "저 사람은 건강해 보인다"고 추측합니다. 하지만 그 사람이 속한 집단의 이야기나 건강 상태는 모릅니다.
• 기존 방법 2 (말만 듣는 경우): 주민이 하는 말 (유전자 정보) 만 분석합니다. "나는 배가 고파"라고 말하지만, 왜 배가 고픈지, 주변에 음식이 있는지, 혹은 병에 걸린 건지 알 수 없습니다.
• 기존 방법 3 (단순 합치기): 사진과 말을 그냥 나란히 붙여놓습니다. 하지만 "이 사람이 왜 이렇게 생겼는지"에 대한 깊은 연결고리를 찾지 못합니다.

SPATIA 는 이 모든 것을 한 번에 이해합니다. "이 세포는 이런 생김새를 하고, 이런 말을 하고, 이런 이웃들 사이에 있는데, 그래서 이런 상태다"라고 종합적으로 판단합니다.

2. SPATIA 는 어떻게 작동할까요? (3 단계 구조)

SPATIA 는 세포를 이해할 때 세 가지 레벨로 나누어 생각합니다.

1. 개별 세포 레벨 (개인): 각 세포의 사진 (모양) 과 유전자 (말) 를 연결합니다. 마치 한 사람의 얼굴과 그 사람의 일기를 동시에 읽는 것과 같습니다.
2. 이웃 구역 레벨 (동네): 세포들이 모여 있는 작은 구역 (니치) 을 봅니다. "이 동네에 어떤 세포들이 모여 살고 있나?"를 파악합니다.
3. 전체 조직 레벨 (도시): 전체 조직을 한눈에 봅니다. "이 도시 전체의 구조는 어떤가?"를 파악합니다.

이 세 가지 정보를 Transformer(고급 언어 모델) 기술로 하나로 엮어, 세포가 어디에 있고, 누구와 함께 있으며, 무엇을 하고 있는지 완벽하게 이해합니다.

3. 가장 혁신적인 기능: "만약에..." 시뮬레이션

SPATIA 의 가장 놀라운 점은 미래를 예측하고 상상할 수 있다는 것입니다.

• 상황: 암세포가 정상 세포에서 악성으로 변하는 과정이나, 면역 세포가 활성화되는 과정을 연구할 때, 우리는 보통 "변화 전"과 "변화 후"의 같은 세포를 동시에 볼 수 없습니다. (세포를 잘라내면 죽기 때문이죠.)
• SPATIA 의 해결책: SPATIA 는 약한 지도 (Weak Supervision) 기술을 사용합니다.
  • 마치 추리 소설을 쓰는 것처럼, "유전자 패턴이 비슷한 세포 A(정상)"와 "유전자 패턴이 비슷한 세포 B(병든 상태)"를 찾아 연결합니다.
  • 이때, **최적 수송 (Optimal Transport)**이라는 수학적 도구를 써서 "어떤 세포가 어떤 세포로 변했을 가능성이 가장 높을까?"를 계산합니다.
  • 그리고 Flow Matching(흐름 매칭) 기술을 통해, "만약 이 세포가 변한다면, 모양은 어떻게 변할까?"를 이미지로 생성해냅니다.

비유하자면:

"이 사람이 젊었을 때 사진 (정상 세포) 과 늙었을 때 사진 (병든 세포) 을 따로 가지고 있는데, SPATIA 는 이 두 사진을 보고 **'이 사람이 어떻게 늙어갔는지'의 중간 과정 (모양 변화)**을 완벽하게 그려내는 것"입니다.

4. 거대한 데이터 도서관 (MIST)

이 모델을 가르치기 위해 연구팀은 MIST라는 거대한 데이터 도서관을 만들었습니다.

• 규모: 2,590 만 개의 세포 쌍 (세포 사진 + 유전자 정보).
• 범위: 17 가지 다른 장기, 60 명의 기부자, 4 가지 다른 기술 플랫폼에서 수집된 데이터.
• 의미: 다양한 질병 (암, 알츠하이머 등) 과 다양한 조직을 아우르는 방대한 자료로, 모델이 어떤 상황에서도 잘 작동하도록 훈련시켰습니다.

5. 결과: 얼마나 잘할까요?

SPATIA 는 12 가지 다양한 테스트에서 기존 최고의 모델들보다 더 좋은 성능을 냈습니다.

• 생성 능력: 세포의 모양을 그릴 때, 실제 세포와 구별하기 힘들 정도로 8% 더 정교하게 그렸습니다.
• 예측 능력: 세포의 상태를 예측하거나 유전자를 채워 넣을 때 3% 더 정확하게 예측했습니다.

6. 요약: 왜 이것이 중요한가요?

SPATIA 는 단순히 데이터를 분석하는 것을 넘어, 생물학적 현상을 '시뮬레이션'하는 도구가 되었습니다.

• 약 개발: "이 약을 먹으면 세포 모양이 어떻게 변할까?"를 실험실 밖에서 먼저 시뮬레이션해 볼 수 있습니다.
• 질병 이해: 암이 어떻게 퍼지고, 면역 체계가 어떻게 반응하는지 그 '이동 경로'를 시각적으로 보여줍니다.
• 미래: 실험실에서의 시간과 비용을 줄이면서, 세포의 변화를 가상으로 탐험할 수 있는 길을 열었습니다.

한 줄 요약:

SPATIA 는 세포의 모습, 말, 그리고 주변 환경을 모두 읽어서, 세포가 어떻게 변해갈지를 그림으로 그려주는 생물학의 미래 예측 AI입니다.

기술 요약

1. 문제 정의 (Problem)

생물학의 핵심 과제는 세포의 형태 (morphology), 유전자 발현 (gene expression), 그리고 공간적 맥락 (spatial context) 이 어떻게 상호작용하여 조직 기능을 형성하는지 이해하는 것입니다. 최근 이미지 기반 공간 전사체학 (Spatial Transcriptomics, ST) 기술은 고해상도 세포 이미지와 유전자 발현 프로파일을 동시에 제공합니다. 그러나 기존 방법론들은 다음과 같은 한계를 가지고 있습니다:

• 모달리티 분리 분석: 형태와 유전자 발현을 분리하여 분석하거나, 제한된 해상도 (스팟/패치 단위) 에서만 분석하여 세포 수준의 통합 표현을 학습하지 못함.
• 공간적 의존성 무시: 세포 수준의 공간적 상호작용과 국소적 니치 (niche) 에서 전체 조직에 이르는 계층적 구조를 고려하지 않음.
• 변형 예측의 부재: 외부 자극 (perturbation) 하에서 미세 환경에 의존하는 세포 형태 변화 (예: 암 진행, 면역 반응) 를 정확히 예측하거나 생성하는 모델이 부족함.

2. 방법론 (Methodology)

저자들은 SPATIA라는 다중 레벨 (multi-level) 생성 및 예측 모델을 제안합니다. 이 모델은 세포 수준에서 조직 수준까지 형태, 유전자 발현, 공간 좌표를 통합한 통일된 표현을 학습합니다.

A. 계층적 다중 레벨 아키텍처 (Hierarchical Multi-level Architecture)

SPATIA 는 세 가지 수준에서 정보를 통합합니다:

1. 세포 수준 (Cell Level): ViT 기반 인코더로 추출한 세포 이미지 토큰과 사전 학습된 단일 세포 인코더 (scPRINT 기반) 로부터의 유전자 토큰을 **크로스 어텐션 (Cross-Attention)**을 통해 융합하여 세포 임베딩을 생성합니다.
2. 니치 수준 (Niche Level): 인접한 세포들을 공간 패치 (예: 256x256 픽셀) 로 그룹화하고, 트랜스포머를 적용하여 국소적인 세포 간 상호작용을 모델링합니다.
3. 조직 수준 (Tissue Level): 전역 트랜스포머를 사용하여 전체 슬라이드 전체에 걸친 장기적 의존성 (long-range dependencies) 을 포착합니다.

B. 공간 조건부 생성 모델 (Spatially Conditioned Generative Modeling)

파괴적인 공간 전사체학 실험에서는 동일한 세포의 '전 (Before)'과 '후 (After)' 데이터를 얻을 수 없으므로, SPATIA 는 **약한 지도 학습 (Weak Supervision)**을 기반으로 합니다.

• 약한 쌍 구성 (Weak Pairing): 유전자 발현 공간에서 **엔트로피 정규화 최적 수송 (Entropy-Regularized Optimal Transport, OT)**을 사용하여 대조군 (Control) 과 변형된 세포 (Target) 간의 확률적 매칭을 수행합니다.
• 신뢰도 인식 흐름 매칭 (Confidence-Aware Flow Matching): OT 매칭의 불확실성을 고려하여, 매칭 신뢰도 (coupling strength) 에 따라 흐름 매칭 (Flow Matching) 의 가중치를 재조정합니다. 이는 노이즈가 있는 약한 지도 신호를 안정화합니다.
• 형태 - 프로파일 정렬 (Morphology-Profile Alignment): 생성된 세포가 생물학적으로 의미 있는 형태 분포를 따르도록 CellProfiler 특징을 기반으로 한 분산 정렬 손실 (Sliced Wasserstein Distance) 을 도입합니다.
• 조건 - 대비 정규화 (Condition-Contrastive Regularization): 올바른 변형 조건과 잘못된 조건을 대비시켜 모델이 특정 생물학적 상태 전이를 명확히 구분하도록 합니다.

C. 플랫폼 불변 표현 학습 (Invariant Learning)

다양한 플랫폼 (Xenium, CosMx 등) 간의 기술적 편차를 제거하기 위해, 잠재 공간에서 생물학적 변이와 기술적 아티팩트를 분리하는 임베딩 독립성 목적함수와 플랫폼 특정 토큰을 사용합니다.

3. 주요 기여 (Key Contributions)

1. MIST 데이터셋 구축: 17 개 조직, 60 명의 기증자, 4 개 플랫폼에서 수집된 2,590 만 개의 세포 - 유전자 쌍을 포함한 대규모 다중 스케일 데이터셋 (MIST) 을 구축했습니다.
2. 통합 모델 아키텍처: 세포, 니치, 조직 수준의 계층적 어텐션 설계를 통해 공간적 맥락을 명시적으로 모델링하는 최초의 다중 모달 모델 중 하나입니다.
3. 약한 지도 하의 생성 모델링: 쌍을 이루는 전후 데이터가 없어도 OT 와 흐름 매칭을 결합하여 미세 환경 의존적 표현형 전환 (예: DCIS 에서 침윤성 암으로의 진행) 을 시뮬레이션할 수 있는 새로운 프레임워크를 제안했습니다.
4. 광범위한 벤치마크: 12 가지 태스크 (형태 생성, 주석, 클러스터링, 유전자 보간, 크로스 모달 예측 등) 에서 18 개의 기존 모델과 비교하여 성능을 입증했습니다.

4. 실험 결과 (Results)

SPATIA 는 12 가지 태스크에서 18 개의 기존 모델 (scGPT, CellPLM, UNI, MorphDiff 등) 보다 우수한 성능을 보였습니다.

• 생성 성능 (Generative Fidelity): 세포 형태 생성의 정확도가 기존 최첨단 모델 대비 8% 향상되었습니다 (FID, KID 점수 개선).
• 예측 정확도 (Predictive Accuracy): 제로샷 전이 (Zero-shot transfer) 및 바이오마커 분류 태스크에서 최대 3% 향상된 정확도를 달성했습니다.
• 크로스 플랫폼 일반화: Xenium 과 CosMx 두 가지 다른 플랫폼에서 세포 클러스터링 시 ARI/NMI 지표를 통해 생물학적 구조를 더 잘 보존함을 입증했습니다.
• 생물학적 타당성: 생성된 이미지들이 단순한 시각적 사실성을 넘어, CellProfiler 특징 분포를 따르는 생물학적으로 타당한 형태 변화 (예: 면역-콜드에서 면역-핫으로의 전환) 를 구현함을 확인했습니다.

5. 의의 및 결론 (Significance)

SPATIA 는 세포 형태, 전사체학, 공간 조직화 간의 간극을 메우는 강력한 범용 다중 모달 백본 모델입니다.

• 가상 실험 (In-silico Exploration): 실험적으로 측정하기 어려운 세포 상태 전이와 미세 환경 변화를 시뮬레이션하여 가설 생성을 지원합니다.
• 다중 스케일 통합: 단일 세포의 미세한 변화부터 전체 조직의 구조적 맥락까지 통합적으로 이해할 수 있는 새로운 패러다임을 제시합니다.
• 임상 및 연구 활용: 암 진행 메커니즘 규명, 면역 치료 반응 예측, 그리고 새로운 치료 표적 발견에 기여할 수 있는 도구로 기대됩니다.

이 연구는 생성형 AI 와 공간 전사체학의 융합을 통해 생물학적 데이터 분석의 새로운 지평을 열었으며, 특히 데이터가 부족한 상황에서도 신뢰할 수 있는 세포 표현형 예측 및 생성이 가능함을 증명했습니다.