JASPER: Joint Bayesian Analysis of Spatial Expression via Regression

논문 요약: JASPER (Joint Bayesian Analysis of Spatial Expression via Regression)

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 공간 해상도 전사체학 (Spatially Resolved Transcriptomics, SRT) 은 조직 내 특정 위치에서의 유전자 발현을 측정할 수 있는 혁신적인 기술입니다. 이를 통해 세포 구조, 조직 조직화, 질병 미세환경 등을 이해할 수 있습니다.
• 핵심 문제: SRT 데이터 분석의 핵심은 공간적으로 변하는 유전자 (Spatially Varying Genes, SVGs) 를 식별하는 것입니다.
• 기존 방법의 한계:
  1. 유전자 간 상관관계 무시: 대부분의 기존 방법 (SPARK, SpatialDE 등) 은 유전자를 하나씩 독립적으로 분석 (Screening) 합니다. 이로 인해 유전자 간의 공동 발현 (Co-expression) 구조를 반영하지 못해 위양성 (False Positive) 과 위음성 (False Negative) 비율이 증가합니다.
  2. 커널 의존성: 많은 모델이 사전에 정의된 공간 공분산 커널 (예: Gaussian Process 기반의 Squared-exponential, Matern 커널) 에 의존합니다. 실제 생물학적 데이터는 비정상성 (Non-stationarity) 이나 복잡한 공간 패턴을 보일 수 있어, 커널이 잘못 지정되면 검정력이 크게 떨어집니다.
  3. 정규화 문제: 기존 방법들은 종종 라이브러리 크기 (Library size) 기반 정규화를 전제하는데, 이는 인위적인 공간 효과를 도입할 수 있습니다.

2. 제안된 방법론: JASPER (Methodology)

저자들은 이러한 한계를 극복하기 위해 JASPER라는 완전 베이지안 (Fully Bayesian) 프레임워크를 제안합니다.

• 핵심 아이디어: 다중 유전자를 동시 (Joint) 로 모델링하여 유전자 간 상관관계를 고려하고, 사전 정의된 커널 대신 공간 기저 함수 (Spatial Basis Function) 회귀를 사용합니다.
• 모델 구성:
  1. 관측 데이터 모델링: 각 위치의 유전자 발현 카운트 ($C_j(s_i)$) 를 Negative Binomial 분포로 모델링합니다. 이는 SRT 데이터에 흔한 과분산 (Overdispersion) 과 영과잉 (Zero-inflation) 을 처리하며, 사전 정규화 없이 원시 카운트 (Raw counts) 를 직접 사용할 수 있게 합니다.
  2. 잠재 변수 모델링: 관측 카운트 뒤에 숨겨진 잠재 가우시안 변수 ($Y_j(s_i)$) 를 도입합니다.
     • $Y_j(s_i) = \alpha_j + \beta_j^T X(s_i) + \epsilon_j(s_i)$
     • 여기서 $X(s_i)$는 공간 기저 함수 (예: Cubic B-spline) 의 벡터이며, $\beta_j$는 회귀 계수입니다.
     • 오차항 $\epsilon$은 공분산 행렬 $\Sigma$를 통해 유전자 간의 공동 발현 (Co-expression) 구조를 포착합니다.
  3. SVG 선택 (Spike-and-Slab Prior): 각 유전자 $j$가 SVG 인지 여부를 나타내는 지표 변수 $\gamma_j$를 도입합니다.
     • $\gamma_j = 0$이면 $\beta_j = 0$ (SVG 아님).
     • $\gamma_j = 1$이면 $\beta_j$는 0 이 아닌 분포를 따름 (SVG 임).
     • 이를 위해 Spike-and-Slab Prior를 사용하여 변수 선택을 수행합니다.
• 추론 알고리즘:
  • Polya-Gamma 데이터 증강 (Data Augmentation): Negative Binomial 모델의 잠재 변수를 효율적으로 샘플링하기 위해 사용합니다.
  • Collapsed Gibbs Sampler: 잠재 변수, 회귀 계수, 공분산 행렬, 그리고 SVG 지표 변수 ($\gamma$) 를 조건부 분포에서 반복적으로 샘플링합니다.
  • 결과 도출: 포함 확률 (Posterior Probability of Inclusion, PPI) 을 계산하여 임계값 (예: FDR < 0.05) 을 기준으로 SVG 를 선정합니다.

3. 주요 기여 (Key Contributions)

1. 공동 모델링 (Joint Modeling): 유전자들을 개별적으로 분석하는 것이 아니라, 유전자 간 상관관계를 명시적으로 모델링하여 정보 공유 (Borrowing strength) 를 통해 검정력을 높였습니다.
2. 커널 독립성 (Kernel Independence): Gaussian Process 와 같은 고정된 커널에 의존하지 않고, 유연한 공간 기저 함수 회귀를 사용하여 다양한 공간 패턴 (비정상성 포함) 에 적응할 수 있습니다.
3. 정규화 불필요: Negative Binomial 분포를 사용하여 원시 카운트 데이터를 직접 모델링함으로써, 정규화 과정에서 발생할 수 있는 왜곡을 방지했습니다.

4. 실험 결과 (Results)

• 시뮬레이션 연구:

  • 상관관계 효과: 유전자 간 상관관계가 강할수록 JASPER 의 성능 (민감도 및 특이도) 이 기존 방법 (SPARK, SpatialDE) 보다 현저히 우월함을 보였습니다.
  • 커널 오지정 (Misspecification): 실제 데이터가 가정한 커널과 다를 때 (예: 주기적 패턴), 기존 커널 기반 방법들은 낮은 검출률 (True Positive Rate) 을 보인 반면, JASPER 는 93.5% 의 높은 검출률을 유지했습니다.
  • 희소성 (Sparsity): SVG 의 비율이 변하는 상황에서도 JASPER 는 일관된 성능을 보였습니다.

• 실제 데이터 적용:

  1. 인간 유방암 데이터 (10x Visium):
     • JASPER 는 SPARK 와 SpatialDE 보다 더 많은 생물학적으로 유의미한 SVG 를 발견했습니다.
     • 생물학적 타당성: JASPER 가 유일하게 발견한 유전자들 (예: $COX6C$, $EFNA1$) 은 호르몬 반응성 유방암, 종양 침습성, 전이와 밀접한 관련이 있는 것으로 확인되었습니다.
     • 경로 분석 (Pathway Analysis): JASPER 로 발견된 유전자들은 "세포 접착 분자 결합", "세포 외 기질 (ECM) 조직화" 등 유방암 진행과 관련된 GO terms 와 KEGG 경로에서 높은 enrichment 를 보였습니다.
     • 재현성: 다른 플랫폼 (ST 기술) 의 데이터에서도 JASPER 가 발견한 유전자들의 재현율이 89.8% 로, 기존 방법들 (61.3%, 54.9%) 보다 훨씬 높았습니다.
  2. 마우스 시각 피질 (STARmap) 및 후각구 (ST) 데이터:
     • 다양한 플랫폼과 조직에서 JASPER 는 기존 연구에서 알려진 공간적 유전자 패턴을 더 잘 포착했으며, 생물학적 관련성이 높은 유전자 (Harmonizome 데이터베이스 기반) 를 더 많이 식별했습니다.

5. 의의 및 결론 (Significance)

• 통계적 및 생물학적 해석력 향상: JASPER 는 통계적 정확도 (낮은 오검출률) 와 생물학적 해석력 (관련성 높은 유전자 및 경로 발견) 을 동시에 향상시킵니다.
• 복잡한 생물학적 시스템 대응: 비정상적인 공간 패턴과 복잡한 유전자 상호작용을 가진 현대적인 SRT 데이터를 분석하는 데 강력한 도구가 됩니다.
• 미래 전망: 세포 유형별 모델링, 멀티-오믹 통합, 발현 패턴에 따른 유전자 분류 등 향후 연구 방향을 제시하며, 개인 맞춤형 치료 표적 및 바이오마커 발견에 기여할 것으로 기대됩니다.

이 논문은 공간 전사체학 데이터 분석의 새로운 표준을 제시하며, 유전자 간 상호작용과 복잡한 공간 구조를 동시에 고려하는 통합적 베이지안 접근법의 중요성을 입증했습니다.