hoodscanR: profiling single-cell neighborhoods in spatial transcriptomics data

이 논문은 기존 방법론의 한계를 극복하고 공간 전사체 데이터에서 세포별 이웃 프로파일을 정확하게 식별하여 질병 메커니즘과 치료 표적을 규명하는 데 도움을 주는 Bioconductor 패키지인 'hoodscanR'을 소개합니다.

핵심

🏙️ 비유: 거대한 도시와 '이웃' 이야기

우리의 몸은 거대한 도시와 같습니다. 각 세포는 그 도시의 주민이고, 유전자 발현은 그 주민이 하는 일이나 말입니다.

과거의 기술 (일반적인 RNA 시퀀싱) 은 이 도시의 주민들을 모두 한 통에 담아 섞어서 "이 도시에는 총 100 명의 주민이 있고, 30 명은 의사, 20 명은 소방관이다"라고만 알려주었습니다. 하지만 누가 어디에 살고 있는지, 어떤 이웃과 어울려 사는지는 알 수 없었습니다.

최근 등장한 '공간 전사체학' 기술은 이 도시의 정확한 지도를 만들어줍니다. "의사는 A 구역에, 소방관은 B 구역에 산다"는 걸 알 수 있게 된 거죠. 하지만 문제는, 이 지도를 어떻게 해석하느냐입니다.

🕵️‍♂️ 문제: "이웃"을 제대로 파악하지 못하다

지금까지의 분석 도구들은 "이 구역은 의사들이 사는 곳", "저 구역은 소방관들이 사는 곳"이라고 딱 잘라 분류했습니다. 하지만 실제 도시 (우리 몸) 는 그렇게 단순하지 않습니다.

• 어떤 집은 의사와 소방관이 함께 살고 있을 수 있습니다.
• 어떤 세포는 의사 이웃과도, 소방관 이웃과도 섞여 살 수 있습니다.
• 기존 도구들은 이런 **복잡하고 미묘한 섞임 (혼합된 이웃)**을 제대로 보지 못해, "아, 이 집은 의사 집이야"라고만 단정 짓고 넘어갔습니다.

💡 해결책: '후드스캔 (hoodscanR)'의 등장

이 논문에서 개발한 hoodscanR은 바로 이 문제를 해결하는 정교한 이웃 분석 도구입니다.

1. 100% 한 가지 이웃이 아닙니다:
   hoodscanR 은 "이 세포는 60% 확률로 의사 이웃에 살고 있고, 40% 확률로 소방관 이웃에 살고 있어"라고 확률로 알려줍니다. 마치 "이 사람은 주말에는 음악가 모임에 가고, 평일에는 운동 동아리에 가는 다재다능한 사람"이라고 설명하는 것과 같습니다.

2. 불확실성도 측정합니다:
   "이 주변은 정말 복잡한가? 아니면 그냥 단순한가?"를 수치화해서 알려줍니다. 주변이 너무 복잡하면 "여기는 혼란스러운 지역이야 (높은 퍼플렉시티)"라고 경고해 줍니다.

3. 가장 빠른 분석:
   다른 도구들보다 훨씬 빠르게 방대한 데이터를 처리합니다. 마치 복잡한 도시 지도를 수백 년 걸려서 그리는 대신, 드론으로 1 초 만에 찍어주는 것과 같습니다.

🩺 실제 적용: 암 연구에서의 활약

이 도구를 유방암과 폐암 데이터에 적용해 보니 놀라운 발견들이 나왔습니다.

• 암세포의 비밀: 같은 '암세포'라도, 어떤 면역세포 (이웃) 와 함께 살았느냐에 따라 암세포의 성향이 달라졌습니다.

  • 예: "면역세포 (B 세포) 와 가까이 있는 암세포"는 "그냥 주변에 아무도 없는 암세포"보다 유전자 발현이 달랐습니다.
  • 이는 암세포가 주변 환경 (이웃) 에 따라 어떻게 변하는지, 어떤 약이 잘 들지 않을지 예측하는 데 중요한 단서가 됩니다.

• 뇌 연구: 암이 아닌 쥐의 뇌 데이터에서도 적용했습니다. 뇌의 특정 부위에 사는 신경세포들이 어떤 유전자를 켜고 끄는지가 주변 이웃에 따라 달라진다는 것을 발견했습니다.

🌟 요약: 왜 이 도구가 중요할까요?

이 논문은 **"세포 하나하나가 어떤 이웃과 사느냐가 그 세포의 운명을 결정한다"**는 사실을 숫자와 지도로 증명했습니다.

• 기존: "이곳은 암세포가 사는 곳이다." (단순 분류)
• 후드스캔 (hoodscanR): "이 암세포는 B 세포라는 강력한 이웃과 함께 있어서 면역 반응이 일어나고 있을 가능성이 높다. 하지만 저쪽 암세포는 고립되어 있어 공격을 받을 준비가 안 되어 있다." (세밀한 분석)

이 도구를 통해 의사는 환자의 암이 어떤 '이웃 환경'에 있는지 파악하고, 더 정확하고 효과적인 맞춤형 치료법을 개발할 수 있게 될 것입니다. 마치 도시 계획가가 주민들의 관계를 이해하여 더 살기 좋은 도시를 만드는 것처럼, 과학자들은 이제 세포 도시의 복잡한 관계를 이해하여 더 좋은 치료법을 만들 수 있게 된 것입니다.

기술 요약

1. 문제 제기 (Problem)

• 기존 방법론의 한계: 최근 나노스트링 (Nanostring) CosMx, 10X Genomics Xenium 등 고해상도 공간 전사체 기술의 발전으로 단일 세포 수준의 공간 데이터가 생성되고 있으나, 이를 분석하는 도구는 여전히 부족합니다.
• 공간 정보의 간과: 많은 기존 분석 방법들이 단일 세포 RNA 시퀀싱 (scRNA-seq) 방식에 의존하여 세포의 공간적 좌표를 충분히 활용하지 못합니다.
• 세부적인 이웃 정의의 부재:
  • 기존 도구 (Squidpy, Giotto, Seurat 등) 는 주로 공간 도메인 (spatial domains) 을 식별하지만, 단일 세포 수준에서의 부분적 소속 (partial membership) 을 제공하지 못합니다. 즉, 한 세포가 B 세포와 간질 세포가 섞인 이웃에 있을 때, 이를 단순히 'B 세포 이웃' 또는 '간질 세포 이웃' 중 하나로만 분류하는 이분법적 접근을 취합니다.
  • 개별 세포에 대한 상세한 이웃 프로파일 (cell-level neighborhood profiles) 을 생성하는 기능이 결여되어 있어, 각 세포가 처한 미세 환경 (TME) 을 정량화하기 어렵습니다.

2. 방법론 (Methodology)

hoodscanR 은 공간 데이터의 이웃 관계를 확률론적으로 모델링하고 하류 분석을 수행하는 파이프라인을 제공합니다.

• 핵심 알고리즘:
  1. 근접 이웃 탐색: Approximate Nearest Neighbor (ANN) 검색 알고리즘 (k-d tree 사용) 을 사용하여 각 세포의 $k$개의 가장 가까운 이웃 세포를 효율적으로 식별합니다.
  2. 거리 계산 및 가중치 부여: 유클리드 거리를 계산하고, SoftMax 함수를 적용하여 이웃 세포가 해당 세포의 이웃에 속할 확률을 산출합니다.
  3. 확률 분포 생성: 사용자가 정의한 세포 유형 (또는 유전자 발현) 그룹에 대해 확률 행렬을 생성합니다. 이는 각 세포가 다양한 세포 유형 이웃에 속할 부분적 확률 (partial probability) 을 제공합니다.
     • 수식: $p_{h_j}(x; \tau) = \frac{\sum \mathbb{1}_{h_j}(x_i) \cdot \exp(-d^2(x, x_i)/\tau)}{\sum \exp(-d^2(x, x_i)/\tau)}$
     • 여기서 $\tau$는 하이퍼파라미터로, 이웃의 영향 범위 (국소적 vs 전역적) 를 조절합니다.
• 주요 기능:
  • 세포 수준 이웃 프로파일링: 각 세포가 여러 이웃 유형에 속하는 정도를 확률로 표현.
  • 불확실성 측정 (Perplexity): Shannon 엔트로피를 기반으로 이웃의 복잡성과 다양성을 수치화 (Perplexity 계산) 하고, 임의 치환 (permutation test) 을 통해 통계적 유의성을 평가합니다.
  • 하류 분석:
    • 공국립 (Co-localization) 분석 (상관계수 기반).
    • 비지도 군집화 (K-means) 를 통한 공간 도메인 식별.
    • 이웃 기반 차등 발현 분석 (Differential Expression, DE).
    • 유전자 세트 풍부 분석 (GSEA).
• 호환성: Bioconductor 의 SpatialExperiment 객체를 기반으로 하여, 다른 Bioconductor 패키지 (Seurat, scran 등) 와의 연동성이 뛰어납니다.

3. 주요 기여 (Key Contributions)

• 부분적 소속 (Partial Membership) 지원: 기존 도구들이 제공하지 못했던, 단일 세포가 여러 종류의 이웃에 동시에 속할 수 있는 확률적 접근을 가능하게 함.
• 세포 수준 프로파일링: 개별 세포마다 구체적인 이웃 구성을 요약한 프로파일을 생성하여, 미세한 공간적 맥락을 정밀하게 분석할 수 있게 함.
• 다양한 주석 (Annotation) 지원: 세포 유형뿐만 아니라, 특정 유전자 발현 패턴 (예: 호르몬 수용체 유전자) 을 기반으로 한 이웃 분석도 지원.
• 성능 최적화: 대규모 데이터셋 처리에 최적화된 ANN 알고리즘을 사용하여 계산 효율성을 극대화함.

4. 결과 (Results)

• 벤치마크 성능:
  • 12 개의 공개된 공간 전사체 데이터셋 (CosMx, MERFISH, STARmap, Xenium 등) 을 사용하여 hoodscanR 을 기존 7 가지 방법 (Seurat, Banksy, BayesSpace 등) 과 비교했습니다.
  • 정확도: Adjusted Rand Index (ARI), Normalized Mutual Information (NMI) 등 4 가지 지표를 평균한 점수에서 hoodscanR 이 가장 높은 성능을 보였습니다.
  • 계산 효율성: 기존 2 위인 Banksy 보다 평균 21 배 빠르며, 대규모 데이터셋 (수십만 세포) 처리에서도 안정적으로 작동했습니다.
• 암 데이터 분석 (Breast Cancer & NSCLC):
  • 유방암 (Xenium): DCIS(관상피내암) 세포와 근피세포 (myoepithelial cells) 가 섞인 이웃을 정확히 식별하고, 각 세포의 이웃 확률을 정량화했습니다.
  • 비소세포폐암 (CosMx): B 세포, 조절 T 세포, 간질 세포 등으로 구성된 복잡한 면역 미세환경을 식별했습니다. 특히 B 세포가 풍부한 이웃 (Tertiary Lymphoid Structures, TLS 유사) 을 발견했습니다.
  • 전사체 변화 발견: 서로 다른 이웃 (예: 대식세포 이웃 vs 간질 이웃) 에 위치한 동일한 종양 세포 간의 전사체적 차이를 발견했습니다. 대식세포 이웃의 종양 세포에서는 콜라겐 관련 유전자 (COL1A1, COL11A1 등) 가 유의하게 발현되어, 미세환경이 종양 세포의 유전자 발현에 미치는 영향을 규명했습니다.
• 비암 데이터 적용 (마우스 뇌):
  • Visium HD 마우스 뇌 데이터에서 특정 마커 유전자 (Neurod6, Calb2 등) 를 기반으로 뇌 영역을 구분하고, 신경세포의 이웃에 따른 발현 차이 (시냅스 가소성 관련 유전자 등) 를 규명했습니다.

5. 의의 및 중요성 (Significance)

• 정밀한 미세환경 이해: hoodscanR 은 세포가 속한 공간적 맥락의 복잡성을 '확률'과 '프로파일'로 정량화함으로써, 종양 미세환경 (TME) 의 이질성을 더 깊이 이해할 수 있는 틀을 제공합니다.
• 치료 표적 발굴: 공간적 이웃에 따른 종양 세포의 전사체 변화 (예: 약물 내성 관련 유전자 발현) 를 발견함으로써, 새로운 치료 표적이나 예후 인자를 발굴하는 데 기여할 수 있습니다.
• 플랫폼 중립성: 다양한 공간 전사체 플랫폼 (CosMx, Xenium, MERFISH 등) 에 적용 가능하며, Bioconductor 생태계와의 긴밀한 통합으로 연구자들이 기존 워크플로우에 쉽게 도입할 수 있습니다.
• 미래 연구 방향: 단순한 공간 도메인 식별을 넘어, 세포 간 상호작용, 미세환경에 의한 세포 상태 변화 등 복잡한 생물학적 메커니즘을 규명하는 데 필수적인 도구로 자리매김할 것으로 기대됩니다.

결론적으로, hoodscanR 은 공간 전사체 데이터의 잠재력을 최대한 끌어내기 위해 설계된 강력하고 유연한 도구로, 세포 수준에서의 정밀한 공간 분석을 가능하게 하여 암 및 기타 질병 연구에 새로운 통찰력을 제공합니다.