Advancing Cancer Prognosis with Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data from a Systems Biology Perspective

논문 개요: HFGPI (Hierarchical Fusion of Genomic, Proteomic and Pathology Imaging Data)

이 논문은 시스템 생물학 (Systems Biology) 관점에서 유전체 (Genomic), 단백질체 (Proteomic), 그리고 병리 영상 (Pathology Imaging) 데이터를 계층적으로 융합하여 암 예후 (생존율) 예측의 정확도를 획기적으로 높이는 새로운 프레임워크인 HFGPI를 제안합니다.

1. 문제 정의 (Problem Statement)

기존의 암 예후 예측 연구는 주로 유전체 데이터와 조직병리학적 이미지 (WSI) 를 결합하는 다중 모달 (Multimodal) 접근법에 집중해 왔습니다. 그러나 이러한 기존 방법론들은 두 가지 근본적인 한계를 가지고 있습니다.

• 단백질체 (Proteome) 의 간과: 유전체 변이와 조직병리학적 특징 사이에는 '단백질'이라는 중간 계층이 존재합니다. 유전자 발현이 단백질 합성으로 이어지고, 이 단백질들이 세포의 형태와 조직 구조를 결정합니다. 기존 연구들은 전사 후 조절 (post-transcriptional) 및 번역 후 조절 (translational) 메커니즘을 반영하지 못해, 실제 세포 표현형과 조직 구조를 결정하는 핵심 생물학적 정보를 놓치고 있습니다.
• 평면적 (Flat) 데이터 융합의 한계: 기존 통합 분석 연구들은 이질적인 데이터 소스 (유전체, 이미지 등) 를 평면적으로 융합합니다. 이는 생물학적 조직의 본질적인 계층 구조 (유전자 $\rightarrow$ 단백질 $\rightarrow$ 표현형) 를 반영하지 못하여, 분자적 이상과 형태학적 결과 사이의 인과적 메커니즘을 효과적으로 포착하지 못합니다.

2. 제안 방법론 (Methodology: HFGPI)

HFGPI 는 유전자에서 단백질, 그리고 조직 병리 이미지로 이어지는 생물학적 진행 과정을 모델링하는 4 단계 프레임워크로 구성됩니다.

1 단계: 특징 추출 및 Molecular Tokenizer (특징 인코딩)

• 병리 이미지: 전처리된 비전 언어 모델 (VLM, 예: CONCH) 을 사용하여 슬라이드 이미지를 패치 (Patch) 단위로 분할하고 특징을 추출합니다.
• Molecular Tokenizer: 유전자와 단백질의 고유한 생물학적 속성 (Identity) 과 환자별 발현 수준 (Expression Profile) 을 통합하여 인코딩합니다.
  • 유전자: Gene2Vec 을 사용하여 기능적 관계와 공발현 패턴을 인코딩한 Identity Embedding 과 발현 데이터를 결합합니다.
  • 단백질: 대규모 언어 모델 (LLM, 예: GPT-5) 을 활용하여 각 단백질의 생물학적 기능과 HE 염색 이미지에서 관찰 가능한 형태학적 특징에 대한 텍스트 설명을 생성합니다. 이를 VLM 의 텍스트 인코더로 변환하여, 단백질 특징 공간이 병리 이미지 공간과 자연스럽게 정렬되도록 합니다.

2 단계: 유전자 조절 단백질 융합 (Gene-Regulated Protein Fusion, GRPF)

• 생물학적 배경: 유전자가 단백질을 조절하는 방향성 (Gene $\rightarrow$ Protein) 을 모델링합니다.
• 그래프 인식 크로스 어텐션 (Graph-Aware Cross-Attention): 유전자와 단백질 간의 상호작용을 그래프 (k-NN 기반) 로 구성하고, 그래프 신경망 (GCN) 을 통해 정보를 전파합니다. 이후 단백질이 유전자로부터 조절 정보를 쿼리하는 크로스 어텐션 메커니즘을 적용하여 '유전자에 의해 조절된 단백질 표현 (Gene-Regulated Protein Representations)'을 생성합니다.
• 구조 보존 정렬 (Structure-Preserving Alignment): 학습된 어텐션 행렬이 유전자와 단백질 네트워크의 내재적 위상 구조를 따르도록 제약 조건을 부과하여 생물학적 일관성을 유지합니다.

3 단계: 단백질 유도 초그래프 학습 (Protein-Guided Hypergraph Learning, PGHL)

• 생물학적 배경: 하나의 단백질이 조직의 여러 영역에 발현되고, 하나의 이미지 패치가 여러 단백질의 활동을 반영하는 '다대다 (Many-to-Many)' 관계를 모델링합니다.
• 초그래프 (Hypergraph) 구성: 각 단백질을 '초엣지 (Hyperedge)'로 정의하고, 해당 단백질과 의미적으로 관련된 상위 k 개의 이미지 패치들을 노드로 연결합니다.
• 초그래프 합성곱: 이를 통해 단백질과 형태학적 특징 간의 고차원 (Higher-order) 관계를 포착하고, 패치 간 맥락 정보를 집계하여 단백질 기반의 형태학적 표현을 생성합니다.

4 단계: 계층적 융합 및 생존 예측

• 최종적으로 계층적으로 융합된 특징들 (유전자, 조절된 단백질, 형태학적 특징) 을 Transformer 인코더와 어텐션 풀링을 통해 통합하여 환자 수준의 임베딩을 생성하고, 생존 분석 (Cox Proportional Hazards 모델 기반) 을 수행합니다.

3. 주요 기여 (Key Contributions)

1. 단백질체 계층의 도입: 유전체와 표현형 (이미지) 사이의 간극을 메우는 단백질체 데이터를 필수적인 중간 계층으로 도입하여 생물학적 현실성을 높였습니다.
2. 계층적 융합 프레임워크: 기존 평면적 융합을 넘어, 유전자 $\rightarrow$ 단백질 $\rightarrow$ 이미지라는 생물학적 계층 구조를 명시적으로 모델링하는 HFGPI 를 제안했습니다.
3. 새로운 인코딩 및 융합 기법:
   • Molecular Tokenizer: LLM 과 VLM 을 활용하여 분자의 정체성과 발현을 통합한 새로운 인코딩 전략.
   • GRPF: 그래프 기반 크로스 어텐션을 통한 방향성 있는 유전자 - 단백질 조절 관계 모델링.
   • PGHL: 초그래프를 활용한 단백질과 조직 형태 간의 복잡한 다대다 관계 포착.
4. 해석 가능성 (Interpretability): 모델이 특정 단백질 (예: PCNA, EGFR) 과 관련된 상위 유전자 및 병리학적 이미지 패치를 시각화하여, 임상적으로 검증 가능한 생물학적 통찰력을 제공합니다.

4. 실험 결과 (Results)

• 데이터셋: TCGA(The Cancer Genome Atlas) 의 5 가지 암 데이터셋 (BLCA, BRCA, GBMLGG, LUAD, UCEC) 을 사용했습니다.
• 성능: 제안된 HFGPI 는 5 개 데이터셋에서 평균 C-index 0.753을 기록하여, 기존 최첨단 (SOTA) 방법론 (PS3, ICFNet 등) 보다 우수한 성능을 보였습니다.
  • 단일 모달 (Unimodal) 방법 대비 약 6.7% 향상.
  • 3 모달 (유전체 + 이미지) 기반 방법 대비 단백질체 추가 시 1.1%~5.4% 추가 향상.
  • 평면적 융합 방법 대비 계층적 융합 전략이 1.8%~2.4% 더 높은 성능을 입증했습니다.
• 생존 분석: Kaplan-Meier 곡선 및 Log-rank 검정에서 제안된 모델이 고위험군과 저위험군을 통계적으로 유의미하게 구분함을 보였습니다.
• 효율성: ICFNet 등 다른 3 모달 모델에 비해 파라미터 수와 추론 시간이 적어 임상 적용에 유리합니다.

5. 의의 및 결론 (Significance)

이 연구는 암 예후 예측에 있어 단백질체 데이터의 중요성을 재조명하고, 이를 시스템 생물학적 계층 구조에 맞게 통합하는 새로운 패러다임을 제시했습니다. 단순히 데이터를 쌓는 것이 아니라, 유전자가 어떻게 단백질을 만들고, 그것이 어떻게 조직의 형태를 바꾸는지에 대한 인과적 메커니즘을 모델링함으로써, 더 정확하고 해석 가능한 예후 예측 모델을 구축할 수 있음을 증명했습니다. 이는 향후 정밀 의학 (Precision Medicine) 과 개인 맞춤형 치료 전략 수립에 중요한 기여를 할 것으로 기대됩니다.