SpaTRACE: Spatiotemporal recurrent auto-encoder for reconstructing signaling and regulatory networks from spatiotemporal transcriptomics data

이 논문은 사전 정의된 리간드 - 수용체 데이터베이스에 의존하지 않고 시공간 전사체 데이터로부터 동적인 세포 간 통신 및 유전자 조절 네트워크를 재구성하기 위해 시간적 인과적 어텐션 메커니즘을 기반으로 한 새로운 딥러닝 프레임워크 'SpaTRACE'를 제안합니다.

핵심

🎬 1. 문제: 왜 새로운 도구가 필요할까요?

생각해 보세요. 우리 몸은 수조 개의 세포로 이루어진 거대한 도시입니다. 이 세포들은 서로 신호를 주고받으며 (예: "여기서 분열해!", "이쪽으로 이동해!"), 시간이 지남에 따라 성장하고 재생합니다.

기존의 연구 방법들은 두 가지 큰 문제가 있었습니다:

1. 오래된 전화번호부만 믿음: 세포 간의 대화 (리간드 - 수용체) 를 분석할 때, 이미 알려진 '전화번호부 (데이터베이스)'만 참고했습니다. 그래서 새로운 대화 방식이나 아직 알려지지 않은 종 (species) 에서는 실패했습니다.
2. 정지된 사진만 봄: 세포의 상태를 '스냅샷 (정지된 사진)'처럼만 분석했습니다. 하지만 세포의 대화는 영화처럼 시간의 흐름에 따라 변합니다. "지금 이 신호를 받았으니, 10 분 뒤에는 이렇게 반응할 거야"라는 시간적 흐름을 놓치고 있었습니다.

🚀 2. 해결책: SpaTRACE (스파트레이스) 란?

SpaTRACE 는 이 문제를 해결하는 지능형 영화 감독과 같습니다.

• 공간 (Spatial): 세포가 도시의 어디에 있는지 (위치) 를 안다.
• 시간 (Temporal): 세포가 어떻게 성장하고 변해가는지 (시간 흐름) 를 안다.
• 재귀적 (Recurrent): 과거의 신호가 미래의 행동에 어떻게 영향을 미치는지 기억한다.

이 프로그램은 **주의 (Attention)**라는 메커니즘을 사용합니다. 마치 영화 감독이 "이 배우 (세포) 가 저 배우 (다른 세포) 의 대사를 듣고 어떤 반응을 보일지 집중해서 관찰하는 것"과 같습니다.

🏗️ 3. 어떻게 작동할까요? (세 단계 비유)

SpaTRACE 는 다음과 같은 세 가지 일을 동시에 해냅니다.

① 세포의 '대화'와 '지시'를 동시에 파악

• 외부 신호 (Cell-Cell Communication): A 세포가 B 세포에게 "이쪽으로 오라"고 신호를 보냅니다. (리간드 - 수용체)
• 내부 지시 (Gene Regulation): B 세포는 그 신호를 받고 "유전자 A 를 켜서 근육을 만들어라"고 내부 명령을 내립니다.
• SpaTRACE 의 역할: 기존 방법들은 이 두 가지를 따로따로 분석했지만, SpaTRACE 는 **"A 가 B 에게 신호를 보내고, B 가 그 신호를 받아 유전자를 작동시키는 전체 흐름"**을 하나의 영화처럼 연결해서 봅니다.

② 사전 없이 새로운 대화 발견

기존 프로그램은 "이 두 세포는 이미 알려진 대화 방식을 쓸 거야"라고 가정했습니다. 하지만 SpaTRACE 는 사전 없이도 세포들이 어떻게 반응하는지 데이터만 보고 스스로 학습합니다. 마치 새로운 언어를 배우는 아이처럼, "이 소리를 들으면 저런 반응이 나오네?"라고 패턴을 찾아냅니다. 그래서 인간이나 생쥐처럼 잘 연구된 종뿐만 아니라, **도롱뇽 (Axolotl)**처럼 잘 알려지지 않은 동물의 재생 과정에서도 새로운 비밀을 찾아냅니다.

③ 미래 예측 (Granger 인과관계)

이 프로그램은 "과거의 신호가 미래의 변화를 설명할 수 있는가?"를 봅니다.

• 비유: "비가 왔을 때 (과거), 사람들이 우산을 썼다 (미래)."
• SpaTRACE 는 "세포 A 가 신호를 보냈을 때 (과거), 세포 B 의 유전자가 변했다 (미래)"는 인과관계를 찾아냅니다. 단순히 "함께 나타난다"는 상관관계가 아니라, **"원인과 결과"**를 찾아냅니다.

🧪 4. 실제 성과: 무엇을 발견했나요?

연구팀은 이 프로그램을 두 가지 실험에 적용했습니다.

1. 쥐의 뇌 발달 (MOSTA 데이터):

   • 쥐의 뇌가 어떻게 만들어지는지 분석했습니다.
   • 발견: 뇌의 '줄기세포 (RGC)'가 어떻게 '신경세포'나 '교세포'로 변하는지 그 시간적 흐름을 정확히 포착했습니다. 특히, 줄기세포가 분화할 때 어떤 신호가 가장 중요한지 찾아냈습니다.

2. 도롱뇽의 뇌 재생 (Axolotl 데이터):

   • 도롱뇽은 머리를 잘라도 다시 자라납니다. 이 놀라운 재생 과정을 분석했습니다.
   • 발견: 상처를 입은 후 10 일, 15 일, 20 일마다 어떤 신호가 중요한지 단계별로 발견했습니다. 기존에는 알 수 없었던 새로운 세포 간 대화 방식을 찾아냈습니다.

💡 5. 결론: 왜 이것이 중요할까요?

SpaTRACE 는 단순히 데이터를 분석하는 것을 넘어, 세포들이 시간과 공간을 어떻게 활용하여 우리 몸을 만들고 고치는지 그 '스토리'를 읽어내는 도구입니다.

• 기존: "이 두 세포는 가까이 있어요." (정적)
• SpaTRACE: "이 세포가 저 세포에게 신호를 보내고, 시간이 지나면서 저 세포가 변해갔어요. 그리고 이 새로운 세포는 다시 다른 세포와 대화해요." (동적, 인과적)

이 기술은 암 치료, 장기 재생, 신경 질환 치료 등 미래 의학의 열쇠가 될 수 있는 새로운 통찰력을 제공합니다. 마치 복잡한 도시의 교통 체증을 해결하기 위해, 단순히 차의 위치만 보는 게 아니라 운전자의 의도와 목적지, 그리고 시간 흐름까지 고려한 스마트 교통 시스템을 만든 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 세포 간 통신 (Cell-Cell Communication, CCC) 과 유전자 조절 네트워크 (Gene Regulatory Networks, GRN) 는 발생, 재생, 질병 과정에서 세포 행동을 조율하는 핵심 메커니즘입니다. 최근 공간 전사체학 (Spatial Transcriptomics, ST) 기술의 발전으로 공간적 맥락이 포함된 발달 궤적에서의 유전자 발현 측정이 가능해졌습니다.
• 기존 방법의 한계:
  1. 데이터베이스 의존성: 대부분의 기존 CCC 추론 방법 (CellPhoneDB, CellChat 등) 은 사전에 정의된 리간드 - 수용체 (Ligand-Receptor, LR) 데이터베이스에 크게 의존합니다. 이는 미연구 종 (understudied species) 에 적용하기 어렵고 새로운 상호작용 발견을 제한합니다.
  2. 정적 가정: 기존 방법들은 대부분 정적인 유전자 발현 프로필을 기반으로 하여, 발달이나 재생과 같은 역동적인 생물학적 과정에 내재된 시간적 의존성과 인과 관계를 포착하지 못합니다.
  3. 분리된 분석: CCC 와 GRN 을 별도로 분석하여, 세포 간 신호가 어떻게 하류의 전사적 조절로 이어지는지 통합적으로 이해하는 데 한계가 있습니다.

2. 제안 방법론: SpaTRACE (Methodology)

SpaTRACE 는 공간 전사체 데이터로부터 세포 간 신호 전달 및 유전자 조절 네트워크를 동시 (Joint) 로 추론하기 위한 시공간적 재발생 오토인코더 (Spatiotemporal Recurrent Autoencoder) 프레임워크입니다.

• 핵심 아이디어:

  • 가상 시간 (Pseudotime) 기반 모델링: 발달 궤적을 따라 샘플링된 세포 상태의 시계열 데이터를 활용합니다.
  • Granger 인과성 원리: 과거의 분자 상태 (리간드/수용체, 전사 인자) 가 미래의 표적 유전자 발현을 예측하는 데 유용한지 여부를 통해 인과적 관계를 추론합니다.
  • 경로 프리 (Pathway-free) 접근: 사전 정의된 신호 전달 경로나 LR 데이터베이스 없이 데이터 자체에서 새로운 상호작용을 발견합니다.

• 모델 아키텍처 (Transformer 기반):

  1. 인코더 (Encoder):
     • 각 시간 단계 $t$에서 세포의 분자 프로필 (리간드/수용체, 전사 인자, 표적 유전자) 을 통합한 다중 모달 (multi-modal) 프로필을 생성합니다.
     • 전역 임베딩 (Global Embedding) 에 세포별 발현량에 기반한 가중치를 곱하여 세포별 임베딩을 생성합니다.
     • 단일 자기 주의 (Self-Attention) 레이어를 사용하여 입력의 가중치 합을 계산합니다. 이는 주의 점수 (Attention Scores) 를 리간드 - 수용체 쌍이나 전사 인자와 표적 유전자 간의 직접적인 영향력으로 해석 가능하게 만듭니다.
  2. 디코더 (Decoder):
     • 과거의 LR 신호와 TF 상태를 기반으로 미래 시간 단계 ($t+1$) 의 표적 유전자 (TG) 발현을 예측합니다.
     • 4 개의 예측 헤드: (1) 전역 TF, (2) 세포별 TF, (3) 전역 LR, (4) 세포별 LR 로 구성되어, 맥락 불변적 친화도와 맥락 의존적 조절 효과를 동시에 포착합니다.
  3. 손실 함수: 예측된 TG 발현과 실제 발현 간의 MSE 를 최소화하며, 희소성 (Sparsity) 을 유도하기 위해 L1 정규화를 적용합니다.

• 추론 단계:

  1. 네트워크 재구성: 학습된 주의 행렬 (Attention Matrix) 과 임베딩 유사성을 기반으로 LR-TG (신호 전달) 및 TF-TG (전사 조절) 상호작용을 추출합니다.
  2. LR 매칭: 하류 표적 유전자에 대한 공통 영향을 기반으로 리간드와 수용체의 결합 쌍을 예측합니다.
  3. CCC 네트워크 구축: 송신자 (Sender) 와 수신자 (Receiver) 세포 유형 간의 공간적 근접성과 LR 결합 강도를 결합하여 방향성 있는 세포 간 통신 네트워크를 재구성합니다.

3. 주요 기여 (Key Contributions)

1. 시공간적 인과 모델링 프레임워크: 공간적 맥락과 가상 시간 궤적을 통합하여 역동적인 세포 내/세포 간 신호 전달을 포착하는 새로운 모델 제시.
2. 경로 프리 (Pathway-free) 다층 네트워크 재구성: 사전 지식 없이 단일 세포 해상도에서 LR 결합, LR-TG 신호, TF-TG 조절 상호작용을 동시에 추론 가능.
3. 성능 입증: 합성 데이터 벤치마크에서 기존 GRN 및 CCC 추론 방법보다 우수한 성능을 보였으며, 생체 데이터 (마우스 중뇌 발달, 도롱뇽 뇌 재생) 에서 생물학적으로 타당한 새로운 신호 프로그램을 발견했습니다.

4. 실험 결과 (Results)

• 합성 데이터 (Synthetic Benchmarks):

  • CCC 추론: 노이즈가 있는 환경에서도 기존 방법 (COMMOT, SpaTALK 등) 보다 높은 AUPRC (0.831 vs 0.589) 를 기록하며, LR 데이터베이스 의존성이 낮음을 입증했습니다.
  • GRN 추론: GENIE3, GRNBoost2, Velorama 등 기존 GRN 추론 방법보다 훨씬 높은 AUPRC (0.967) 를 달성하여 시간적 역동성을 효과적으로 학습했음을 보였습니다.

• 실제 데이터 적용 (MOSTA Dataset - 마우스 중뇌 발달):

  • 생물학적 일관성: radial glial cells (RGC) 가 신경아세포 (NeuB) 와 교모세포 (GlioB) 로 분화하는 과정에서 PTN-EPHB1, PTN-CD44, TGFB3-LRP6 와 같은 LR 쌍이 초기 조절 신호로 작용함을 발견했습니다.
  • 조기 정밀도 (Early Precision Rate, EPR): 상위 100 개 예측 중 실제 상호작용이 포함될 확률이 무작위 예측 대비 50 배 이상 높았습니다.
  • 강건성: 다양한 궤적 추론 도구 (Monocle3, DPT, Slingshot 등) 를 사용하더라도 일관된 결과를 보여주어 모델의 안정성을 입증했습니다.

• 실제 데이터 적용 (Axolotl Brain Regeneration - 도롱뇽 뇌 재생):

  • 마우스나 인간 LR 데이터베이스에 등재되지 않은 새로운 신호 상호작용 (예: GPI-ENO1, VIM-ENO1 등) 을 발견하여 조직 재생 과정에서의 잠재적 메커니즘을 제시했습니다.

5. 의의 및 결론 (Significance)

• 데이터 중심의 새로운 발견: 사전 정의된 데이터베이스에 의존하지 않으므로, 미연구 종이나 새로운 생물학적 맥락에서의 상호작용 발견이 가능해졌습니다.
• 동적 과정 이해: 정적 상관관계 분석을 넘어, 시간적 지연 (time-lagged) 을 고려한 인과적 추론을 통해 발달 및 재생 과정의 역동적인 조절 메커니즘을 규명할 수 있습니다.
• 통합적 접근: 세포 간 통신 (CCC) 과 유전자 조절 (GRN) 을 분리하지 않고 통합적으로 모델링함으로써, 외부 신호가 어떻게 세포 내 유전자 발현 프로그램으로 전환되는지 전체적인 그림을 제공합니다.

결론적으로, SpaTRACE 는 공간 전사체학 데이터를 활용한 차세대 네트워크 추론 도구로, 기존 방법론의 한계를 극복하고 생물학적 시스템의 복잡한 시공간적 역학을 해석하는 데 중요한 기여를 할 것으로 기대됩니다.