기술 요약: 공간 전사체학을 위한 CAMMST

문제 정의

공간 전사체학(Spatial Transcriptomics, ST)은 높은 해상도의 유전자 발현 프로파일링과 공간적 맥락을 제공하지만, 높은 비용, 전문 지식 요구, 노동 집약적인 워크플로로 인해 일상적인 임상 도입에 장벽이 존재한다. 헤마톡실린 및 에오신(H&E) 염색된 전체 슬라이드 이미지(WSI)는 널리 사용 가능하지만, 형태학만으로 유전자 발현을 예측하는 것은 불충분한 것으로 입증되었다. 이러한 한계는 "시간적 비동기화(time uncoupling)"와 같은 생물학적 현상, 즉 전사체 변화가 관찰 가능한 형태적 변화보다 앞서 발생하는 현상 때문에, 조직 형태학 자체만으로는 기저의 유전자 발현을 해결하는 데 필요한 공유 정보를 충분히 갖추지 못하기 때문에 발생한다.

부분적인 유전자 발현을 "앵커(anchor)"로 사용하여 예측을 유도하려는 최근의 접근 방식들은 유망한 결과를 보여주었으나, 최적화되지 않은 샘플링 전략이라는 문제를 안고 있다. 기존 방법들은 종종 비적응적이고 무작위적인 스팟(spot) 선택에 의존하며, 이는 정보가 풍부한 영역을 포착하는 데 실패할 수 있다. 또한, 실제 ST 하드웨어(예: 10× Visium, GeoMx)는 공간적으로 파편화된 점보다는 연속적인 관심 영역(ROI)을 캡처하도록 최적화되어 있다. 현재의 프레임워크는 유전적 앵커 역할을 할 가장 정보가 풍부한 연속적 영역을 적응적으로 식별하고, 이러한 유전적 신호를 형태학적 맥락과 효과적으로 통합하는 메커니즘이 부족하다.

방법론: CAMMST

저자들은 CAMMST(Contrastive and Adaptive Multi-modal Masked Autoencoder for ST)를 제안하며, 이 프레임워크는 공간적 유전자 발현 예측을 공간적 임퓨테이션(imputation, 결측치 보간) 문제로 취급한다. 아키텍처는 세 가지 주요 구성 요소로 이루어진다:

1. 생체 유의성 영역 샘플링 (Bio-Saliency Region Sampling)

유전적 앵커를 선택하는 과제를 해결하기 위해, CAMMST는 **생체 유의성 점수(bio-saliency score)**를 기반으로 연속적인 영역을 적응적으로 식별하는 샘플러 네트워크를 도입한다.

• 생체 유의성 점수 ($S_{bio}$): 이 지표는 국소적 전사체 편차를 정량화한다. 이는 한 스팟의 정규화된 유전자 발현이 공간적 이웃과 얼마나 다른지를 측정하는 국소 편차 항($D_i$)과, 기술적 노이즈에 의해 지배되는 저신호 스팟을 필터링하는 노이즈 억제 게이팅 항($T_i$)을 결합한다.
• 샘플러 네트워크: 조직학적 이미지 특징으로부터 이러한 생체 유의성 점수를 직접 예측하도록 훈련된 신경망이다.
• 연속적 선택: 추론 과정에서, 예측된 점수가 가장 높은 상위-$K$개의 스팟이 중심점으로 선택된다. 각 중심점은 그 공간적 이웃을 포함하도록 확장되어, ST 하드웨어의 물리적 제약을 준수하는 연속적인 영역을 형성한다.
• 스케일 인식 랭킹 손실 (Scale-Aware Ranking Loss): 서로 다른 슬라이드 간의 염색 강도 차이로 인한 배치 효과(batch effects)를 완화하기 위해, 샘플러는 쌍별 랭킹(pairwise ranking) 전략을 사용하여 훈련된다. 네트워크는 절대적인 점수를 회귀하는 대신, 스팟 쌍 사이의 생체 유의성 상대적 순서를 학습함으로써 교차 슬라이드 분포 변화에 대한 견고성을 확보한다.

2. 대조적 교차 모달 융합 (Contrastive Cross-Modal Fusion)

CAMMST는 시각적 및 유전적 양상을 통합하기 위해 마스크 오토인코더(MAE) 패러다임에 기반한 교차 모달 공동 인코더를 채택한다.

• 아키텍처: 모델은 가시적 세트(측정된 유전자 발현 및 대응하는 이미지 패치)와 마스크 세트(측정되지 않은 영역)를 독립적인 레이어 정규화를 가진 공유 트랜스포머 백본을 통해 처리한다.
• 특징 정렬: 측정된 유전자 발현 특징을 그에 대응하는 조직학적 특징과 정렬하기 위해 대조 학습(contrastive learning) 목적 함수를 사용한다.
• 소프트 타겟 대조 손실 (Soft-Target Contrastive Loss): 생물학적으로 유사한 인접 스팟이 잘못된 부정적 사례(negative)로 취급되는 "거짓 충돌(false conflicts)"을 방지하기 위해, 프레임워크는 소프트 타겟 대조 손실을 활용한다. 이 접근 방식은 공간적으로 연속적인 영역이 유사한 형태학적 및 전사체 프로파일을 공유할 가능성이 높다는 점을 인정하여, 보다 생물학적으로 일관된 공동 표현을 생성한다.

3. MAE를 통한 예측

MAE 패러다임 하에서, 모델은 가시적 세트(유전적 앵커)의 정렬된 표현과 전체 슬라이드의 형태학적 맥락을 활용하여 마스크 세트의 유전자 발현 프로파일을 재구성한다. 디코더는 전체 슬라이드에 대한 전체 전사체 프로파일을 예측하며, 이는 효과적으로 공간적 임퓨테이션을 수행하는 것이다.

주요 기여

1. 적응형 연속 샘플링: 유전적 앵커링을 위한 가장 정보가 풍부한 연속적 영역을 식별하는 생체 유의성 가이드 샘플러를 도입하여, 실제 ST 하드웨어의 제약 조건과 일치시켰다.
2. 스케일 인식 학습-투-랭크 (Learning-to-Rank): 배치 효과와 염색 변이를 처리하기 위해 절대값보다 상대적 순서를 우선시하는 샘플러 네트워크를 위한 새로운 훈련 전략을 제시했다.
3. 대조적 교차 모달 통합: 공간적으로 상관된 데이터에서의 거짓 음성을 완화하면서 시각적 및 유전적 양상을 정렬하기 위해 소프트 타겟 대조 학습을 사용하는 공동 인코더 설계를 사용했다.
4. 효율적인 아키텍처: 기존 베이스라인 모델들과 비교하여 계산 자원을 크게 절감하면서도 높은 성능을 달성하는 경량화된 MAE 기반 프레임워크를 구축했다.

실험 결과

프레임워크는 ST-Net, Her2ST, cSCC의 세 가지 데이터셋에 대해 8-겹 교차 검증(8-fold cross-validation)을 통해 평가되었다.

• 임퓨테이션 성능: 유전자 발현 데이터의 일부(앵커)가 제공되는 설정에서, CAMMST는 PH2ST를 포함한 최신 기술(SOTA) 베이스라인들을 일관되게 능가했다. 예를 들어, 유전자 커버리지가 10%($r_V=0.1$)인 cSCC 데이터셋에서 CAMMST는 0.6273의 피어슨 상관 계수(PCC)를 달 기록하며, 베이스라인인 PH2ST(0.4330)를 크게 앞질렀다.
• 형태학 전용 예측: 유전적 앵커가 없는 경우($r_V=0.0$)에도, CAMMST는 기존의 이미지 전용 예측 방법들을 지속적으로 능가하여 강력한 형태학-유전자 매핑 능력을 입증했다.
• 정성적 분석: 시각적 비교 결과, CAMMST는 ground truth와 매우 유사한 미세한 유전자 발현 패턴(예: 바이오마커 FASN 및 GNAS)을 복원하는 반면, PH2ST와 같은 베이스라인은 국소적 변화를 포착하지 못하고 과도하게 매끄러운(over-smoothed) 패턴을 생성함을 보여주었다.
• 계산 효율성: CAMMST는 상당한 효율성 이득을 보여주었다. Her2ST 데이터셋에서 CAMMST는 44.59M 개의 파라미터만을 필요로 했으며(PH2ST의 290.73M 대비), 슬라이드당 추론 시간을 0.021초로 단축했다(PH2ST의 0.946초 대비). 이는 자원이 제한된 임상 환경에 적합함을 의미한다.

의의 및 주장

본 논문은 CAMMST가 널리 사용 가능한 H&E 이미지와 비용이 많이 드는 ST 데이터 사이의 간극을 메움으로써 임상 워크플로를 위한 실용적이고 고정밀한 솔루션을 제공한다고 주장한다. 공간적 임퓨테이션 문제로 과업을 정의하고 적응형 연속 샘플링을 활용함으로써, 이 프레임워크는 최소한의 유전 데이터(단 10%의 커버리지)를 사용하여 전체 슬라이드의 전사체 프로파일을 효과적으로 추론한다. 저자들은 이 접근 방식이 예측 정확도를 향 개선할 뿐만 아니라 실제 ST 프로파일링의 물리적 및 계산적 제약을 해결함으로써, 공간 전사체학을 일상적인 임상 실무에 통합할 수 있는 실행 가능한 경로를 제공한다고 강조한다.