Central-to-Local Adaptive Generative Diffusion Framework for Improving Gene Expression Prediction in Data-Limited Spatial Transcriptomics

1. 연구 배경 및 문제 정의 (Problem)

• 공간 전사체학 (Spatial Transcriptomics, ST) 의 한계: ST 는 조직의 구조적 맥락 내에서 유전자 발현을 공간적으로 매핑할 수 있게 해주지만, 실험 비용이 높고 처리량이 제한적이며 데이터 공유가 어렵습니다. 이로 인해 데이터 부족 (Data Scarcity) 현상이 심화되어 강력한 계산 모델 개발이 저해됩니다.
• 기존 모델의 제약: 조직병리 이미지를 기반으로 유전자 발현을 예측하는 기존 모델들 (ST-Net, EGN 등) 은 공개된 고품질 ST 데이터셋이 부족하고, 기관 간 데이터 공유의 규제 (개인정보 보호 등) 로 인해 훈련 데이터가 제한적입니다. 또한, 기존 생성 모델들은 주로 형태학적 수준에 머무르거나, Bulk RNA-seq 에 의존하여 공간 해상도가 낮아 ST 의 미세한 분자 정보를 포착하지 못합니다.
• 핵심 과제: 제한된 데이터 환경에서 조직 병리 이미지와 공간 분해능을 갖춘 유전자 발현 데이터를 통합하여, 현실적인 합성 데이터를 생성하고 이를 통해 유전자 발현 예측 정확도를 높이는 방법론이 필요합니다.

2. 제안된 방법론: C2L-ST (Methodology)

저자들은 **중앙 - 로컬 적응형 생성 확산 프레임워크 (C2L-ST)**를 제안하며, 두 단계로 구성된 학습 과정을 통해 문제를 해결합니다.

2.1 단계 1: 글로벌 중앙 모델 사전 학습 (Global Central Model Pre-training)

• 목표: 대규모 공개 조직병리 이미지 데이터셋 (HistAI 의 SPIDER 데이터셋 등, 피부, 대장, 흉부, 유방 조직 등 40 만 개 이상의 패치) 을 사용하여 **보편적인 형태학적 사전 지식 (Morphological Prior)**을 학습합니다.
• 모델: 무조건부 (Unconditional) 확산 모델 (Diffusion Model) 을 U-Net 아키텍처로 구현하여 훈련합니다.
• 특징: 이 단계에서는 분자 (유전자) 정보가 필요 없으며, 다양한 조직의 형태학적 패턴을 포착하여 전이 학습 가능한 생성 기반을 마련합니다.

2.2 단계 2: 기관별 로컬 모델 적응 (Institution-specific Local Adaptation)

• 목표: 각 기관이 보유한 소량의 **쌍을 이룬 이미지 - 유전자 발현 데이터 (Paired Image-Gene Spots)**를 사용하여 중앙 모델을 해당 기관의 분자 맥락에 맞게 적응시킵니다.
• 기술적 핵심 (Gene-Conditioned Modulation):
  • 고차원의 유전자 발현 벡터 ($G$) 를 저차원 잠재 표현으로 압축합니다.
  • 이 임베딩을 통해 U-Net 의 ResNet 블록 내 정규화 레이어에 적용되는 스케일링 ($\gamma$) 및 쉬프팅 ($\beta$) 계수를 생성합니다 (Adaptive Normalization).
  • 경량화: 원본 U-Net 의 가중치는 고정 (Freeze) 하고, 유전자 조건부 모듈레이션 파라미터만 미세 조정 (Fine-tuning) 합니다.
• 생성: 적응된 로컬 모델은 유전자 발현 조건에 따라 현실적인 조직 병리 패치를 생성하며, 이는 실제 환자 데이터가 아닌 합성 데이터이므로 개인정보 보호 규정을 준수합니다.

2.3 단계 3: 공훈련 (Co-training) 을 통한 유전자 발현 예측

• 생성된 합성 이미지 - 유전자 쌍 ($D_{syn}$) 과 제한된 실제 데이터 ($D_{real}$) 를 결합하여 훈련 세트 ($D_{train}$) 를 구성합니다.
• 이 데이터를 기반으로 ResNet-50 등을 사용하여 조직 이미지에서 유전자 발현을 예측하는 회귀 모델을 학습시킵니다.

3. 주요 기여 (Key Contributions)

1. 중앙 - 로컬 (Central-to-Local) 아키텍처: 대규모 형태학적 지식과 소량의 기관별 분자 데이터를 효율적으로 결합하여 데이터 공유 없이도 개인화된 모델 적응을 가능하게 합니다.
2. 분자 수준의 조건부 생성: Bulk RNA-seq 이 아닌 **공간 분해능을 갖춘 유전자 발현 (Spatial Gene Expression)**을 조건으로 사용하여, 조직의 미세한 구조와 분자 신호 간의 연속적인 관계를 포착합니다.
3. 데이터 효율성 및 프라이버시 보호: 소량의 스포트 (Spots) 만으로 모델을 적응시킬 수 있으며, 민감한 환자 데이터를 외부로 공유하지 않고도 합성 데이터를 통해 모델 성능을 향상시킵니다.

4. 실험 결과 (Results)

연구는 장 (Bowel), 유방 (Breast), 피부 (Skin), 폐 (Lung) 등 4 개의 기관 및 조직 유형에서 검증되었습니다.

• 형태 - 분자 대응성: 생성된 이미지들은 유전자 발현 클러스터에 따라 조직 구조가 명확하게 구분되었으며, 실제 조직과 유사한 세포 조직화 및 구조적 연속성을 보였습니다.
• 분포 정렬 (Distribution Alignment): t-SNE 시각화 및 Conch 기반 임베딩 분석 결과, 합성 데이터는 실제 데이터의 분포와 높은 유사성 (Cosine Similarity: 0.79~0.89) 을 가지면서도 더 넓은 다양성을 확보했습니다.
• 세포 구성 보존: HoverNet 을 이용한 세포 분할 결과, 합성 이미지는 실제 조직의 주요 세포 유형 (상피, 종양, 염증 등) 비율과 공간적 배치를 정확하게 재현했습니다.
• 유전자 발현 예측 성능 향상:
  • 합성 데이터를 추가 훈련에 포함했을 때, 유전자 발현 예측 오차 (MAE) 가 일관되게 감소했습니다 (예: ZEN48 데이터셋에서 10 배 합성 데이터 추가 시 MAE 0.4115 → 0.3546 감소).
  • 희소 샘플링 효율성: 실제 데이터의 **5%~10%**만 사용하여 로컬 적응을 수행하더라도, 합성 데이터를 활용하면 실제 데이터만 사용한 경우보다 예측 정확도가 크게 향상되었습니다. 이는 데이터가 극도로 부족한 상황에서도 모델이 견고하게 작동함을 의미합니다.

5. 의의 및 결론 (Significance)

• 데이터 부족 문제 해결: ST 의 고비용과 데이터 공유 장벽을 극복하기 위한 확장 가능하고 데이터 효율적인 프레임워크를 제시했습니다.
• 다기관 협력 촉진: 각 기관이 로컬 데이터를 공유하지 않고도 글로벌 사전 지식을 기반으로 모델을 개선할 수 있어, 의료 데이터 프라이버시 규정을 준수하면서도 협력적 연구가 가능해집니다.
• 미래 방향: 이 프레임워크는 조직병리학과 전사체학의 통합을 넘어, 공간 프로테오믹스 등 다른 공간 오믹스 모달리티로 확장 가능하며, 정밀 의학 및 질병 메커니즘 규명에 중요한 도구가 될 것으로 기대됩니다.

요약하자면, C2L-ST는 대규모 조직 이미지로 학습된 일반적 지식을 소량의 기관별 분자 데이터로 미세 조정하여, 현실적인 합성 데이터를 생성하고 이를 통해 공간 전사체학의 핵심 과제인 유전자 발현 예측 정확도를 획기적으로 개선한 혁신적인 접근법입니다.