🤖 AI

FEAST: Fully Connected Expressive Attention for Spatial Transcriptomics

이 논문은 그래프 신경망의 구조적 한계를 극복하고 조직의 완전 연결 상호작용, 억제적 관계, 그리고 오프-그리드 샘플링을 통해 공간 전사체 데이터의 유전자 발현 예측 성능을 획기적으로 개선한 'FEAST'라는 새로운 어텐션 기반 프레임워크를 제안합니다.

원저자: Taejin Jeong, Joohyeok Kim, Jinyeong Kim, Chanyoung Kim, Seong Jae Hwang

게시일 2026-03-27

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Taejin Jeong, Joohyeok Kim, Jinyeong Kim, Chanyoung Kim, Seong Jae Hwang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

이 논문은 **'FEAST'**라는 새로운 인공지능 모델을 소개합니다. 이 모델은 조직의 모양 (이미지) 을 보고 유전자 활동 (어떤 유전자가 켜져 있는지) 을 예측하는 기술을 발전시킨 것입니다.

생각해 보세요. 병원에서 의사가 현미경으로 조직 슬라이드를 보면, 세포의 모양을 통해 암인지 아닌지 대략 알 수 있습니다. 하지만 "정확히 어떤 유전자가 얼마나 활발하게 작동하고 있을까?"를 눈으로만 보는 것은 불가능합니다. 보통은 별도의 고가의 실험 (공간 전사체 분석) 을 해야 알 수 있는데, 이 실험은 비싸고 시간이 오래 걸립니다.

이 문제를 해결하기 위해, 연구팀은 **"이미지만 보고도 유전자 활동을 정확히 예측할 수 있는 AI"**를 만들었습니다. 기존 방법들의 한계를 깨고 더 똑똑하게 만든 비결 3 가지를 쉬운 비유로 설명해 드릴게요.

1. "친구 관계도"를 다시 그렸다: 모든 것을 연결하다 (Fully Connected)

기존 방법의 문제:
기존 AI 는 조직 속의 세포들을 '이웃'으로만 연결했습니다. 마치 학교에서 오직 옆에 앉은 친구와만 대화하도록 제한하는 것과 같습니다. 하지만 실제 생물학에서는, 멀리 떨어진 세포끼리도 서로 영향을 주고받을 수 있습니다. 기존 방법은 이 '멀리 있는 친구'와의 관계를 무시했기 때문에 중요한 정보를 놓쳤습니다.

FEAST 의 해결책:
FEAST 는 **"이 조직에 있는 모든 세포는 서로 친구일 수 있다"**고 가정합니다. 마치 모든 학생이 서로 대화할 수 있는 거대한 파티를 여는 것처럼, AI 는 모든 세포 쌍을 연결하여 관계를 분석합니다.

비유: 기존 방법은 '이웃집'만 방문했지만, FEAST 는 '마을 전체'를 돌아다니며 모든 사람의 관계를 파악합니다.

2. "좋음"과 "싫음"을 모두 읽는 눈: 부정적 감정을 이해하다 (Negative-aware Attention)

기존 방법의 문제:
기존 AI 는 세포 간의 관계를 볼 때 **"유사하면 좋은 관계 (긍정)"**만 보았습니다. 하지만 생물학에는 **"한 세포가 다른 세포의 활동을 억제 (억제/부정)"**하는 경우가 많습니다. 예를 들어, 면역 세포가 암 세포의 활동을 막는 것처럼요. 기존 AI 는 "서로 다르다"는 것을 단순히 '관계가 없다'고 여겨 무시해버렸습니다.

FEAST 의 해결책:
FEAST 는 "좋음 (흥분)"과 "싫음 (억제)"을 모두 숫자로 표현할 수 있습니다.

비유: 기존 AI 는 "친구면 점수 +1, 아니면 0"이라고만 봤습니다. 하지만 FEAST 는 "친구면 +1, 적대적이면 -1"이라고 정확히 구분합니다. 이렇게 하면 "이 세포는 저 세포를 막고 있구나!"라는 중요한 생물학적 사실을 놓치지 않습니다.

3. 빈 공간도 채워 넣다: 격자 밖의 정보도 챙기다 (Off-grid Sampling)

기존 방법의 문제:
조직 이미지를 분석할 때, AI 는 보통 정해진 격자 (사각형) 모양으로 잘라내서 봅니다. 하지만 실제 조직은 불규칙합니다. 격자 사이사이의 빈 공간이나, 격자 경계 때문에 잘려나간 세포의 일부는 중요한 정보가 될 수 있는데, 기존 방법은 이 부분을 그냥 버렸습니다.

FEAST 의 해결책:
FEAST 는 격자 사이사이의 빈 공간에도 가상의 점 (Pseudo-spot) 을 찍어서 이미지를 추가로 채워 넣습니다.

비유: 퍼즐을 풀 때, 기존 방법은 정해진 칸만 끼워 넣느라 빈 공간이 생겼습니다. FEAST 는 빈 공간에 가상의 퍼즐 조각을 끼워 넣어서 전체 그림이 더 매끄럽고 완전해지도록 합니다. 이렇게 하면 세포가 잘려나간 부분의 정보도 복원할 수 있습니다.

🏆 결론: 왜 이것이 중요한가요?

FEAST 는 이 세 가지 아이디어를 합쳐서 기존 최고의 방법들보다 훨씬 정확하게 유전자 활동을 예측했습니다.

정확도: 실제 실험 결과와 가장 비슷하게 예측했습니다.
해석 가능성: AI 가 왜 그렇게 판단했는지 설명할 때, "이 세포는 저 세포를 도와주고, 저 세포는 막고 있다"는 식으로 생물학적으로 타당한 이유를 보여줍니다.
비용 절감: 비싼 유전자 실험 없이도, 이미 있는 조직 이미지 (H&E 염색) 만으로 정밀한 분석이 가능해져서 연구 비용과 시간을 크게 아낄 수 있습니다.

한 줄 요약:
FEAST 는 **"이웃뿐만 아니라 멀리 떨어진 친구도, 그리고 적대적인 관계까지 모두 이해하고, 빈 공간까지 채워 넣는 똑똑한 AI"**로, 비싼 실험 없이도 조직의 비밀을 더 깊이 있게 읽어냅니다.

1. 연구 배경 및 문제 제기 (Problem)

**공간 전사체학 (Spatial Transcriptomics, ST)**은 조직의 공간적 구조를 유지하면서 유전자 발현을 정량화하여 조직 구조와 복잡한 질병 메커니즘을 이해하는 데 필수적인 기술입니다. 그러나 ST 데이터 획득 비용이 매우 비싸고 접근성이 낮아, 널리 사용되기 어렵다는 한계가 있습니다.

이를 해결하기 위해 최근 연구들은 **헤마톡실린 - 에오신 (H&E) 염색 전장 슬라이드 이미지 (WSI)**로부터 공간 유전자 발현을 추론하는 딥러닝 기반 접근법을 제안하고 있습니다. 기존 방법론들은 주로 **그래프 신경망 (GNN)**을 사용하여 조직 영역 (Spot) 간의 상호작용을 모델링했으나, 다음과 같은 구조적 한계를 가지고 있었습니다:

사전 정의된 희소 그래프 (Pre-defined Sparse Graphs) 의 한계: 기존 GNN 기반 방법들은 공간적 인접성이나 형태적 유사성에 기반하여 미리 정의된 희소 그래프를 사용합니다. 이는 실제 생물학적 상호작용이 발생할 수 있는 모든 Spot 쌍을 고려하지 못하게 하여, 중요한 상호작용을 놓치는 구조적 결함을 초래합니다.
음성 (억제적) 상호작용의 무시: 기존 어텐션 메커니즘은 가중치가 0~1 사이로 제한되어 '유사성 (양적 관계)'만 학습합니다. 그러나 생물학적 시스템 (예: 면역 체크포인트 경로) 에서는 한 요소가 다른 요소를 억제하는 음성 (억제적) 관계가 존재하는데, 이를 기존 방법은 포착하지 못합니다.
정보 손실 (Information Loss): 고정된 패치 (Patch) 기반 이미지 추출 방식은 Spot 사이의 간격 (Off-grid) 이나 잘려나가는 형태학적 구조의 중요한 정보를 누락시킵니다.

2. 제안 방법론: FEAST (Methodology)

저자들은 위 한계를 극복하기 위해 **FEAST (Fully connected Expressive Attention for Spatial Transcriptomics)**라는 어텐션 기반 프레임워크를 제안합니다. 주요 구성 요소는 다음과 같습니다.

가. 완전 연결 그래프 모델링 (Fully Connected Graph Modeling)

개념: 사전 정의된 희소 그래프 대신, 모든 Spot 쌍 간의 상호작용을 고려하는 완전 연결 (Fully Connected) 구조를 채택합니다.
구현: GNN 대신 Self-Attention 메커니즘을 활용하여 모든 Spot 쌍 간의 상호작용 강도를 동적으로 학습합니다. 이는 Query 와 Key 의 내적을 통해 모든 쌍의 관계를 자연스럽게 모델링합니다.
위치 편향 (Positional Bias): 공간적 거리가 가까운 Spot 들이 더 관련성이 높다는 가정을 반영하기 위해, ALiBi 및 TITAN 에서 제안된 방식과 유사하게 **정적 위치 편향 (Static Positional Bias)**을 어텐션 점수에 추가합니다. 이를 통해 각 어텐션 헤드가 국소적 또는 전역적 상호작용을 특화하여 학습할 수 있게 합니다.

나. 음성 인식 어텐션 (Negative-aware Attention)

동기: 생물학적 상호작용은 '활성화 (Excitatory)'뿐만 아니라 '억제 (Inhibitory)'도 포함합니다. 기존 Softmax 기반 어텐션은 음수 가중치를 허용하지 않아 억제적 관계를 표현할 수 없습니다.
메커니즘:
1. 양성 점수 ( $S_{pos}$ ): 일반적인 어텐션 점수.
2. 음성 점수 ( $S_{neg}$ ): 원본 점수의 부호를 반전시킨 값 ( $-S$ ). 이는 원래 낮은 점수를 받았던 (즉, 억제적 관계가 예상되는) Spot 쌍을 높은 음성 점수로 변환합니다.
3. 최종 가중치: 양성과 음성 어텐션 가중치를 조합하여 최종 가중치를 계산합니다 ( $A_{final} = A_{pos} - \beta \cdot A_{neg}$ ).
효과: 최종 어텐션 맵이 양수 (활성화) 와 음수 (억제) 값을 모두 가질 수 있게 되어, 생물학적으로 더 타당한 해석이 가능해집니다.

다. 오프-그리드 샘플링 전략 (Off-grid Sampling Strategy)

문제: 고정된 그리드 기반 Spot 추출은 Spot 사이의 간격이나 잘린 형태학적 구조에서 중요한 정보를 잃게 합니다.
해결: 원본 Spot 좌표 사이의 **중간 위치 (Off-grid)**에서 **가상 Spot (Pseudo-spots)**을 추가로 샘플링합니다.
계층적 어텐션 (Hierarchical Attention): 가상 Spot 을 포함하면 입력 크기가 급증하여 $O(N^2)$ $O (N^{2})$ 계산 비용이 문제가 됩니다. 이를 해결하기 위해 두 단계의 어텐션을 적용합니다:
1. 국소 k-NN 어텐션: 원본 Spot 과 가상 Spot 이 서로의 k-최근접 이웃과만 상호작용하여 풍부한 국소 문맥을 흡수합니다.
2. 전역 자기 어텐션: 국소 문맥이 강화된 원본 Spot들끼리만 전역 어텐션을 수행합니다.
효과: 계산 비용을 증가시키지 않으면서도 누락된 형태학적 정보를 복원하고 공간적 연속성을 확보합니다.

3. 주요 기여 (Key Contributions)

FEAST 프레임워크 제안: 사전 정의된 희소 그래프의 한계를 극복하고, 완전 연결 그래프 구조를 어텐션 메커니즘을 통해 구현하여 모든 Spot 쌍의 상호작용을 모델링합니다.
음성 인식 어텐션 도입: 생물학적 억제 (Inhibitory) 관계를 명시적으로 모델링할 수 있는 새로운 어텐션 메커니즘을 제안하여 예측 성능 향상과 함께 생물학적 해석 가능성 (Interpretability) 을 높였습니다.
오프-그리드 샘플링 및 계층적 어텐션: 고정 패치 추출로 인한 정보 손실을 보완하는 가상 Spot 샘플링 전략과 이를 효율적으로 처리하는 계층적 어텐션 메커니즘을 제안했습니다.
State-of-the-Art 성능 달성: 공개된 ST 데이터셋 (ST-Net, Her2ST, SCC) 에서 기존 최첨단 모델 (MERGE, HisToGene 등) 을 능가하는 예측 성능을 입증했습니다.

4. 실험 결과 (Results)

정량적 평가: 3 개의 공개 데이터셋 (ST-Net, Her2ST, SCC) 에서 8 폴드 교차 검증을 수행했습니다.
- 성능: 9 개 평가 지표 중 7 개에서 최우수 성능을 기록했습니다. 특히 Her2ST 데이터셋에서 MSE(0.5761) 와 PCC(0.5524) 에서 기존 최상위 모델 (MERGE) 보다 크게 개선된 결과를 보였습니다.
- 상관관계: SCC 데이터셋에서도 PCC(0.5811) 에서 1 위를 기록하며, 예측값과 실제값 간의 선형 관계를 가장 잘 포착함을 입증했습니다.
정성적 평가:
- 유전자 발현 히트맵: FEAST 는 MERGE 보다 Ground Truth 에 훨씬 가깝고 선명한 공간적 패턴을 복원했습니다.
- 어텐션 맵 분석: 음성 인식 어텐션을 적용한 모델은 구조적으로 다른 조직 (예: 지방 조직) 을 '음성 (Negative)'으로 명확히 구분하는 반면, 기존 모델은 이를 무시하거나 잘못 분류하는 경향이 있었습니다. 이는 생물학적 억제 관계를 정확히 포착함을 시사합니다.
- 오프-그리드 샘플링 효과: 주변 Spot 이 희소하거나 정보가 부족한 영역에서 가상 Spot 을 도입했을 때 예측 정확도 (PCC) 가 유의미하게 향상되었습니다.

5. 의의 및 결론 (Significance)

FEAST 는 공간 전사체학 데이터의 예측 문제를 해결하기 위해 **구조적 제약 (희소 그래프)**과 **생물학적 표현력 부족 (음성 관계 무시, 정보 손실)**이라는 세 가지 핵심 과제를 동시에 해결했습니다.

생물학적 통찰력: 단순히 유전자 발현을 예측하는 것을 넘어, 조직 내에서의 활성화 및 억제 상호작용을 시각화할 수 있어, 암 미세환경 분석 및 세포 간 통신 연구에 새로운 통찰력을 제공합니다.
방법론적 혁신: 전장 슬라이드 이미지 분석 분야에서 완전 연결 그래프와 음성 어텐션을 결합한 새로운 패러다임을 제시했습니다.
실용성: 고비용의 ST 데이터 획득 없이도 고품질의 공간 유전자 발현 정보를 추론할 수 있게 하여, 임상 및 연구 현장에서의 적용 가능성을 크게 높였습니다.

이 연구는 계산 병리학 (Computational Pathology) 과 공간 전사체학의 융합 분야에서 새로운 기준 (SOTA) 을 제시하며, 향후 하류 생물학적 검증 및 가설 생성을 위한 강력한 도구로 활용될 것으로 기대됩니다.