ProtoPathway: Biologically Structured Prototype-Pathway Fusion for Multimodal Cancer Survival Prediction

ProtoPathway 의 기술적 요약: 다중 모달 암 생존 예측을 위한 생물학적 구조 기반 프로토타입 - 경로 융합

문제 제기
현재 암에 대한 다중 모달 생존 예측 모델들은 종종 전체 슬라이드 이미지 (WSI) 와 벌크 전사체 프로파일을 통합하지만, 두 가지 주요 한계를 겪고 있습니다: 내재적 해석 가능성의 부재와 교차 모달 융합 메커니즘에서 생물학적 기반의 의미적 정체성 결여입니다. 기존 방법들은 모델을 블랙박스로 취급하는 사후 설명 가능성 기법 (예: SHAP, LIME) 에 자주 의존하거나, 환자 간에 안정적인 의미를 갖지 않는 표현을 사용하여 모달리티를 융합합니다 (예: 개별적이고 일관성 없는 패치에 대한 어텐션 또는 유전자 - 경로 토폴로지를 무시하는 독립적인 경로 인코더). 임상 의사들은 예측을 알려진 질병 메커니즘과 검증할 수 있도록, 표현이 확립된 생물학적 계층 구조와 정렬되어 추론이 설계 단계에서 투명하게 이루어지는 모델을 요구합니다.

방법론
ProtoPathway 는 융합의 양쪽에서 생물학적 기반 표현을 생성하는 인코더를 통해 WSI 와 전사체를 통합하는 설계 단계에서 해석 가능한 프레임워크입니다. 이 아키텍처는 세 가지 핵심 구성 요소로 이루어져 있습니다:

1. 학습 가능한 형태학적 프로토타입 (WSI 인코더): 어텐션 가중치를 통해 수천 개의 가변 길이 이미지 패치를 집계하는 대신, ProtoPathway 는 WSI 를 $K$개의 학습 가능한 프로토타입 벡터의 고정된 집합으로 압축합니다. 이러한 프로토타입은 생존 목표와 함께 엔드 - 투 - 엔드로 훈련됩니다. 패치들은 공유 투영 공간 내의 코사인 유사도에 기반한 소프트 할당을 통해 프로토타입에 할당됩니다. 결과적으로 생성된 프로토타입 토큰은 슬라이드 표현 그 자체로 기능하며, 예후와 관련된 반복적인 형태학적 패턴을 포착합니다. 이는 패치를 할당된 프로토타입에 기반하여 특정 조직 위치로 매핑할 수 있게 하므로 공간적 해석 가능성을 제공합니다.

2. 토폴로지 인식 전사체 인코딩 (유전체 인코더): 각 경로에 대해 독립적인 Self-Normalizing Networks(SNN) 를 사용하는 대신, ProtoPathway 는 Reactome 경로 계층 구조 위에 이분형 그래프 신경망 (GNN) 을 적용합니다. 유전자와 경로는 양방향 소속 간선으로 연결된 두 가지 노드 유형을 형성합니다. 정보는 평균 집계와 함께 GraphSAGE 계층을 통해 전파되어, 여러 경로에 참여하는 유전자가 암묵적인 교차 경로 통신을 가능하게 합니다. 최종 GATv2 어텐션 계층은 경로 내 유전자 중요도 가중치를 계산합니다. 이 구조는 경로 임베딩이 구성 유전자와 더 넓은 생물학적 맥락 모두를 반영하도록 보장합니다.

3. 의미적으로 기반을 둔 비대칭 교차 모달 융합: 융합 메커니즘은 분자 프로그램에서 조직 형태학으로의 생물학적 인과 방향을 모델링합니다. 프로토타입 토큰 (형태학) 은 멀티헤드 교차 어텐션을 통해 경로 임베딩 (유전체) 을 쿼리합니다. 이는 프로토타입이 쿼리로, 경로가 키/값으로 작용하는 컴팩트한 $K \times P$ 어텐션 행렬을 생성합니다. 두 축 모두 안정적인 작업 학습 정체성을 지니기 때문에, 이 어텐션 행렬은 단순한 내부 계산이 아니라 특정 조직 패턴을 특정 생물학적 프로그램에 연결하는 직접적인 해석 가능 출력입니다.

주요 기여
본 논문은 세 가지 구체적인 기여를 제시합니다:

• 슬라이드 표현으로서의 학습된 프로토타입: 모델은 보조 참조점으로 사용되지 않고, 엔드 - 투 - 엔드로 훈련된 $K$개의 학습 가능한 프로토타입 벡터를 주된 슬라이드 표현으로 사용합니다. 이러한 토큰은 형태학적 집계자이자 교차 모달 어텐션에서의 쿼리로 이중 역할을 수행합니다.
• 전사체 내 양방향 메시지 전달: 이분형 GNN 은 Reactome 계층 구조 내에서 유전자 발현을 인코딩하여, 공유 유전자를 통한 매개변수 공유 및 교차 경로 통신을 가능하게 하며, 기존 연구에서 사용된 경로별 독립 인코더를 대체합니다.
• 내재적 해석 가능성을 갖춘 비대칭 융합: 교차 어텐션 메커니즘은 프로토타입 $\times$ 경로 행렬 위에서 작동하여, 분자 프로그램에서 형태학으로의 생물학적 방향을 반영합니다. 이 설계는 사후 기법 없이 유전자에서 경로와 프로토타입을 거쳐 공간적 조직 지도까지 추적 가능한 귀속 체인을 산출합니다.

실험 결과
ProtoPathway 는 다섯 가지 TCGA 암 코호트 (BRCA, BLCA, COADREAD, HNSC, STAD) 에서 평가되었습니다.

• 성능: 이 모델은 0.670 의 최고 전체 일관성 지수 (C-index) 를 달성하여 MCAT(0.662) 및 MMP(0.659) 와 같은 확립된 다중 모달 베이스라인을 능가했습니다. 다섯 개 코호트 중 네 개에서 1 위를 차지했습니다. 특히 HNSC 코호트에서는 유전자 전용 SNN 베이스라인을 명확히 능가한 유일한 다중 모달 방법이었습니다.
• 효율성: 프로토타입 기반 압축은 계산 비용을 크게 줄였습니다. ProtoPathway 는 480K 개의 매개변수와 3.9G FLOPs 를 요구하여 MCAT 및 SurvPath 와 같은 방법에 비해 28~50 배의 훈련 속도 향상을 달성하면서 더 적은 VRAM(325 MB 대 SurvPath 의 818 MB) 을 사용했습니다.
• 해석 가능성: BLCA 코호트에 대한 정성적 분석은 모델이 알려진 예후 지문을 복원했음을 보여주었습니다. 예를 들어, 모델은 근육 침습 (주요 병기 결정 요인) 과 간질 - 면역 구성이 중요하다고 식별하여, 경로 맥락을 통합한 후 형태학적으로 우세한 종양 영역에서 미세환경으로 어텐션을 전환시켰습니다. 공간 오버레이는 특정 경로 (예: 콜레스테롤 대사, 사이토카인 신호 전달) 와 유전자 (예: IL7R, FGFR2b) 를 서로 다른 조직 구획에 성공적으로 매핑했습니다.

의의 및 주장
저자들은 ProtoPathway 가 개별 유전자에서 공간적 조직 영역까지 완전한 해석 가능성 체인을 제공하면서도 기존 방법의 예측 성능을 일치시키거나 능가한다고 주장합니다. 그 의의는 모델의 추론이 표현 자체가 도메인 기반 정체성을 지니기 때문에 투명해지는 "내재적 추론 시 귀속"을 생성할 수 있는 능력에 있습니다. 형태학적 및 유전체 축 모두에 안정적인 작업 학습 의미적 정체성을 강제함으로써, 이 프레임워크는 사후 설명의 "블랙박스" 성향과 독립적 경로 인코더의 생물학적 불일치를 피합니다. 본 논문은 이 접근법이 임상 의사들이 확립된 생물학에 대해 모델 추론을 검증할 수 있게 하여, 고위험 의사결정에서의 임상 도입에 필수적인 조건을 충족한다고 주장합니다. 저자들은 벌크 전사체 (세포 집단의 평균화) 사용과 어텐션 크기가 발현 변화의 방향을 인코딩하지 않아 완전한 생물학적 해석을 위해 별도의 차등 발현 분석이 필요하다는 한계를 지적합니다.