💻 computer science

PaSTel: Anchoring Histology in Spatial Transcriptomics via Multi-Scale Hierarchical Bio-Prior Contrastive Pretraining

PaSTel은 기존의 유전자 선택 및 정렬 방식의 한계를 극복하기 위해 스팟(spot), 기능(functional), 영역(regional) 수준에서 생물학적 사전 지식을 통합함으로써 공간 전사체 표현형을 향상시키는 계층적 멀티모달 사전 학습 프레임워크이다.

원저자: Azim Dehghani Amirabad, Junchao Zhu, Pushpak Pati, Walid Abdelmoula, Tommaso Mansi, Rui Liao

게시일 2026-08-18

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Azim Dehghani Amirabad, Junchao Zhu, Pushpak Pati, Walid Abdelmoula, Tommaso Mansi, Rui Liao

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

의사가 환자의 조직을 담은 표준 현미경 슬라이드를 보고 그 안의 세포들을 움직이는 정확한 분자적 명령을 즉각적으로 알 수 있는 세상을 상상해 보십시오. 이것이 바로 공간 전사체학(spatial transcriptomics)이라 불리는 기술이 약속하는 미래입니다. 수십 년 동안 과학자들은 세포의 유전 코드를 읽을 수 있었지만, 종양이나 뇌와 같은 복잡한 조직 내부에서 해당 세포들이 정확히 어디에 위치하는지까지 추적하며 읽어내는 것은 매우 어렵고 비용이 많이 드는 일이었습니다. 공간 전사체학으로 알려진 이 새로운 방법은 유전자 활동을 조직의 물리적 구조 위에 직접 매핑함으로써 이 문제를 해결합니다. 그러나 이 기술은 너무 복잡하고 비용이 많이 들어 아직 병원에서 일상적으로 사용하거나 대규모 집단을 연구하는 데 쓰일 수는 없습니다. 반면, 표준 병리학에서 사용하는 현미경 슬라이드는 저렴하고 빠르며 거의 모든 환자에게 적용 가능합니다. 연구자들의 큰 과제는 컴퓨터에게 이 평범한 슬라이드를 보고 그 안에 숨겨진 유전적 활동을 정확하게 예측하도록 가르칠 수 있는가 하는 것이었습니다.

연구팀은 이 질문에 답하기 위해 PaSTel이라는 새로운 접근 방식을 개발했습니다. 그들의 연구는 조직 이미지와 유전 데이터를 연결하려는 이전 시도들의 특정 문제를 다룹니다. 이전 방식들은 흔히 이미지의 작은 패치를 유전자 목록과 일치시키려 노력했지만, 모든 유전자를 동일하게 취급했기 때문에 어려움을 겪었습니다. 이는 컴퓨터가 특정 조직 유형이나 질병 상태를 정의하는 특정 유전자에 집중하기보다, 세포가 생존하기 위해 온몸 어디에서나 활성화되는 일반적인 유전자들에 의해 주의가 분산되게 만들었습니다. 더욱이, 이러한 구식 방법들은 각 미세한 조직 패치를 고립된 상태로 살펴보았기에, 인접한 세포들이 어떻게 더 큰 구조를 형성하며 조직화되는지에 대한 거시적인 관점을 놓쳤습니다. 연구진은 세포 간의 공간적 관계와 유전자 그룹의 특정한 역할을 무시함으로써 이전 모델들이 모호하고 신뢰할 수 없는 예측을 내놓는다는 것을 발견했습니다.

이를 해결하기 위해 연구진은 단순히 원시 데이터로부터 배우는 것이 아니라, 생물학 자체로부터 배우는 시스템을 구축했습니다. 그들은 컴퓨터가 생물학자처럼 볼 수 있도록 가르치는 3단계 과정을 설계했습니다. 첫째, 슬라이드의 단일 지점 수준에서, 시스템은 흔하고 일상적인 유전자를 무시하고 특정 위치를 나타내는 고유한 키워드 역할을 하는 희귀하고 정보 가치가 높은 유전자에만 집중하는 법을 배웁니다. 이는 사서가 특정 책을 찾을 때 "그(the)"나 "그리고(and)"와 같은 흔한 단어들은 무시하고, 대신 한 권의 책을 구별 짓는 고유한 제목과 저자에 집중하는 것과 유사합니다. 둘째, 시스템은 감염과 싸우거나 조직을 구축하는 등 특정 기능을 수행하기 위해 함께 작동하는 유전자 그룹을 살펴봅니다. 시스템은 알려진 기능적 그룹을 닻(anchor)으로 사용하여 이미지 속에서 일어나는 더 넓은 생물학적 이야기를 이해합니다. 마지막으로, 시스템은 인접한 지점들을 함께 그룹화하여 조직의 더 큰 이웃 관계를 이해하며, 세포가 홀로 행동하는 것이 아니라 조직된 공동체의 일부라는 점을 인식합니다.

연구진은 유방암, 신장 조직, 뇌 샘플 데이터를 사용하여 이 새로운 시스템을 기존 방식들과 비교 테스트했습니다. 그 결과, 그들의 접근 방식이 경쟁 모델들을 지속적으로 능가한다는 것을 발견했습니다. 이미지만을 바탕으로 조직 샘플에서 어떤 유전자가 활성화되어 있는지 예측하도록 요청받았을 때, 새로운 모델은 오류가 더 적었으며 훨씬 더 정확하게 복잡한 유전자 활동 패턴을 포착해 냈습니다. 이는 학습할 데이터가 매우 적은 상황, 즉 대규모 데이터셋을 항상 확보할 수 없는 실제 의료 연구 환경에서 특히 두드러졌습니다. 또한 이 모델은 사전에 그룹을 알려주지 않아도 조직 이미지를 의미 있는 그룹으로 분류하는 데 더 뛰어난 성능을 보였으며, 뇌의 뚜렷한 층과 종양 내의 서로 다른 영역들을 성공적으로 식별해 냈습니다.

이 연구는 인공지능을 생물학적 실체에 기반하게 함으로써—즉, 특정 유전자의 가치를 부여하고, 기능적 그룹을 이해하며, 조직의 공간적 배치를 존중하도록 가르침으로써—우리가 훨씬 더 강력하고 신뢰할 수 있는 도구를 만들 수 있음을 시사합니다. 연구진은 이 방법이 다양한 유형의 조직과 질병 상태에서 작동함을 입증했으며, 이는 미래의 의학적 발견을 위한 다재다능한 도구임을 보여줍니다. 이 기술은 아직 연구 단계에 있지만, 결과는 명확한 방향을 제시합니다. 표준 병리학 슬라이드의 시각적 세부 사항과 유전자가 함께 기능하는 방식에 대한 깊은 이해를 결합함으로써, 우리는 곧 의사들이 이미 보유하고 있는 이미지를 통해 질병의 분자적 비밀을 풀 수 있게 될 것입니다.

기술 요약: PaSTel

문제 정의

공간 전사체학(Spatial Transcriptomics, ST)은 조직 형태와 분자 프로그램을 통합하지만, 높은 비용과 기술적 복잡성으로 인해 임상 및 대규모 코호트 환경에서의 확장성이 제한됩니다. 병리 슬라이드는 기저의 유전자 발현과 관련된 형태학적 패턴을 일상적으로 포착하지만, 기존의 비전-오믹스(vision-omics) 모델은 두 가지 결정적인 한계에 직면해 있습니다:

최적화되지 않은 유전자 선택: 현재의 정렬 전략은 흔히 과발현된 유전자(ubiquitous housekeeping 신호가 지배적임), 고변동 유전자(글로벌한 변이보다는 국소적 변이를 포착함), 또는 공간적 변이 유전자(매끄러운 패턴을 강조하되 희소한 로컬 마커를 놓침)에 의존합니다. 이는 약한 변별력을 가진 표현형과 낮은 스팟 수준의 식별력을 초래합니다.
공간적 의존성 간과: 기존 방법들은 일반적으로 스팟-패치 쌍을 독립적으로 정렬하며, 조직 구조와 중간 규모(meso-scale) 구조를 모델링하는 데 필수적인 공간적 의존성과 지역적 전문화를 포착하지 못합니다.

방법론: PaSTel 프레임워크

저자들은 생물학적 사전 지식(biological priors)을 세 가지 뚜렷한 수준에서 통합하여 조직 이미지를 유전자 발현과 정렬하는 계층적 멀티모달 사전 학습 프레임워크인 PaSTel을 제안합니다. 이 프레임워크는 이미지 인코딩을 위해 Vision Transformer (ViT-B/16)를 사용하고, 각 유전자를 개별 토큰으로 취급하는 트랜스포머 기반 텍스트 인코더(OpenCLIP 기반)를 활용합니다.

1. 스팟 수준(Spot-Level): TF-IDF 키워드 유전자 선택

정렬을 위한 정보가 풍부한 "유전자 문장(gene sentences)"을 구축하기 위해, PaSTel은 표준적인 상위 발현량 선택 대신 TF-IDF 재가중치 부여 방식을 도입합니다.

메커니즘: 이 방법은 스팟 내 상대적 유전자 풍부도에 기반한 단어 빈도(Term Frequency, TF)와 모든 스팟에 걸친 유전자 희귀도에 기반한 역문서 빈도(Inverse Document Frequency, IDF)를 계산합니다.
목표: 이를 통해 보편적인 housekeeping 유전자를 억제하고 공간적으로 정보가 풍한 "키워드"를 강조함으로써, 미세한 정렬을 위한 희소하고 변별력 있는 표현형을 생성합니다.

2. 기능 수준(Functional Level): 경로 수준 소프트 앵커링(Pathway-Level Soft Anchoring)

고차원적인 기능적 구조를 모델링하기 위해, PaSTel은 큐레이션된 **KEGG 경로(pathway)**를 생물학적 앵커로 포함합니다.

메커니즘: 각 스팟에 대해, 스팟의 유전자 세트와 경로 유전자 세트 사이의 정규화된 중첩 점수( $\omega$ )를 계산합니다. 이 점수는 소프트 감독 신호(soft supervision signal) 역할을 합니다.
정렬: 경로 프로토타입 임베딩(평균 풀링된 유전자 임베딩)은 중첩 가중치 기반 대조 학습(overlap-weighted contrastive learning)을 통해 비전 임베딩과 소프트하게 정렬됩니다. 이는 글로벌 기능적 의미론을 로컬 발현 패턴에 주입합니다.

3. 지역 수준(Regional Level): 공간 인지적 집계

장거리 공간 의존성을 포착하기 위해, PaSTel은 인접한 스팟들을 일관된 중간 규모(meso-scale) 영역으로 집계합니다.

메커니즘: 공간적 근접성(Euclidean)과 특징 유사성(이미지 및 유전자 임베딩 결합)을 결합한 하이브리드 거리 메트릭을 사용하여 k-최근접 이웃(k-nearest neighbor) 그래프를 구축합니다.
클러스터링: Leiden 클러스터링을 적용하여 영역 식별자를 할당하며, 이 할당은 훈련 중에 주기적으로 업데이트되어 모델이 중간 규모의 조직 구조를 모델링하고 영역 수준의 감독을 점진적으로 정교화할 수 있도록 합니다.

4. 다층적 대조 학습 목적 함수(Multi-Level Contrastive Objective)

프레임워크는 다음과 같은 합성 손실 함수를 공동 최적화합니다:
$\mathcal{L} = \lambda_1 \mathcal{L}_s + \lambda_2 \mathcal{L}_p + \lambda_3 \mathcal{L}_r$

$\mathcal{L}_s$ : 스팟-패치 정렬을 위한 대칭적 InfoNCE 손실.
$\mathcal{L}_p$ : 예측된 유사도를 소프트 경로 타겟에 매칭하는 KL 기반 목적 함수.
$\mathcal{L}_r$ : 영역 프로토타입(클러스터 내 평균 임베딩)을 정렬하는 대칭적 InfoNCE 손실.

주요 기여

생물학적으로 정보가 풍부한 정렬: TF-IDF 기반 유전자 선택과 경로 수준 감독을 결합하여 스팟 표현형의 특이성과 해석 가능성을 개선한 프레임워크입니다.
영역 인지 계층적 사전 학습: 독립적인 스팟-패치 쌍을 넘어 조직 구조의 중간 규모(meso-scale)를 포착할 수 있는 전략을 통해 다중 스케일 모델링을 가능하게 합니다.
PaSTel 인코더: 다양한 공간 전사체학 작업에서 강력하고 일관된 성능을 입증하는 사전 학습된 비전-오믹스 인코더입니다.

실험 결과

모델은 HEST-1K 데이터셋에 대해 평가되었으며, 특정 코호트(유방암, HER2, DLPFC, 신장)는 다운스트림 평가를 위해 별도로 분리되었습니다.

유전자 발현 예측: PaSTel은 회귀 기반(예: ST-Net, HisToGene) 및 검색 기반(예: OmiCLIP, BLEEP) 방법들보다 일관되게 우수한 성능을 보였습니다. 특히 신장(Kidney) 코호트에서 PaSTel은 피어슨 상관 계수(PCC) 0.2627을 달성하여 OmiCLIP(0.2275)을 능가했습니다.
퓨샷 학습(Few-Shot Learning): 저자원 시나리오(10%~50% 훈련 데이터)에서 PaSTel은 특히 10% 비율에서 가장 큰 이득을 보였으며, 이는 제한된 감독 하에서도 우수한 일반화 능력을 갖추었음을 나타냅니다.
제로샷 공간 클러스터링(Zero-Shot Spatial Clustering): 유전자 발현에 대한 접근이나 파인튜닝 없이도, PaSTel은 DLPFC 및 HER2 데이터셋에서 층판 구조(laminar structures)와 종양 영역을 클러스터링하는 데 있어 최고의 성능을 보였으며, CONCH 및 UNI와 같은 파운데이션 모델보다 뛰어난 성능을 보였습니다.
바이오마커 예측: 임상적으로 중요한 유전자인 IGLL5에 대해, PaSTel은 경쟁 방법들이 약하거나 음의 상관관계를 보인 반면, 매우 높은 PCC와 함께 미세한 공간적 발현 패턴을 정확하게 복구했습니다.
이미지-ST 검색: PaSTel은 긴 유전자 문장(최대 250개 토큰)을 처리할 수 있는 능력과 원자적 유전자 어휘(atomic gene vocabulary) 덕분에 표준 서브워드 토큰화의 파편화 문제를 피함으로써, 유방암 데이터셋에서 Recall@5%를 15.63%에서 19.88%로 크게 향상시켰습니다.

의의

본 논문은 다중 스케일 생물학적 사전 지식을 통합하는 것이 공간 전사체학을 위한 더 정보가 풍부하고 전이 가능한 표현형을 얻는 데 유효하다고 주장합니다. 로컬 분자 정체성, 글로벌 기능 프로그램, 그리고 공간적 조직 구조를 통합함으로써, PaSTel은 기존 비전-오믹스 모델의 한계를 해결합니다. 실험 결과는 계층적 생물학적 사전 지식이 특히 데이터가 부족한 환경이나 형태학만으로는 불충분한 이질적인 조직 환경에서 강건한 표현형을 학습하는 데 필수적임을 시사합니다. 절제 연구(Ablation studies)를 통해 TF-IDF 선택, 경로 앵커링, 영역 집계의 각 구성 요소가 최종 성능에 유의미하게 기여함을 확인하였습니다.