Topological Data Analysis of Spatial Protein Expression in Multiplexed Spatial Proteomics Studies

이 논문은 세포 분할 및 표현형 예측의 오류를 우회하고 단백질 발현의 연속적 공간 정보를 활용하여 환자 예후와 연관성을 분석하는 새로운 위상 데이터 분석 기법인 TOASTER 를 제안하며, 이를 통해 시뮬레이션과 삼중 음성 유방암 데이터를 통해 기존 방법보다 통계적 검정력을 향상시키고 위양성 오류를 통제할 수 있음을 입증했습니다.

핵심

1. 문제: "완벽한 조각"을 찾으려다 놓치는 것들

기존에 과학자들은 암 조직을 분석할 때, 마치 거대한 모래성을 하나하나 뜯어보듯 세포 하나하나를 찾아내려 했습니다.

• 기존 방식 (세포 분할): 조직 이미지에서 "이것은 T 세포다", "저것은 B 세포다"라고 세포의 경계선을 그어 구분하고, 그 세포들이 어디에 모여 있는지 분석했습니다.
• 문제점:
  1. 잘못된 구분: 세포들이 서로 겹치거나 모양이 불규칙하면, 경계선을 그리는 작업 (분할) 에서 실수가 자주 나옵니다.
  2. 정보 손실: 세포 경계선 바깥에 있는 단백질 정보는 버려집니다. 마치 모래성에서 '벽'만 보고 '안쪽의 모래'는 무시하는 것과 같습니다.
  3. 손상된 조직: 조직을 잘라낼 때 구멍이 나거나 찢어지면, 기존 방식은 그 부분을 분석에서 제외해야 해서 데이터가 깨집니다.

2. 해결책: TOASTER (토스터)

저자들은 "세포 하나하나를 구분하는 데 시간을 낭비하지 말고, 단백질이 퍼져 있는 전체적인 모양과 흐름을 보자"라고 생각했습니다. 이때 등장한 것이 TOASTER라는 새로운 방법론입니다.

비유: "모래성 대신 '모래의 흐름'을 보는 것"

기존 방식은 모래성에서 "이 모래는 A 성, 저 모래는 B 성"이라고 라벨을 붙이는 작업이었다면, TOASTER 는 "이 모래가 어떻게 쌓여 있고, 어떤 구멍이 있으며, 어떤 고리가 만들어졌는지" 전체적인 지형도 (Topography) 를 보는 것입니다.

3. TOASTER 가 어떻게 작동하나요? (3 단계)

TOASTER 는 **위상 데이터 분석 (TDA)**이라는 수학적 도구를 사용합니다. 쉽게 말해, 단백질 농도가 높은 곳부터 낮은 곳까지 물을 차곡차곡 채워 넣는 과정을 상상해 보세요.

1. 물 채우기 (필터링):

   • 조직 이미지 위에 물을 아주 천천히 채워 넣습니다.
   • 물이 차오를수록 단백질 농도가 높은 '섬'들이 물 위로 떠오릅니다.
   • 이때 **새로운 섬이 생기는 순간 (탄생)**이나 **고리가 물에 잠기는 순간 (소멸)**을 기록합니다.

2. 역사 기록 (Topological Event History):

   • 이 과정을 통해 "언제, 어디서, 어떤 모양의 구조가 생겼나?"라는 사건 연대기를 만듭니다.
   • 마치 **생애 주기 표 (Nelson-Aalen)**처럼, "이 환자는 단백질 구조가 이렇게 변했다"는 그래프를 그립니다.
   • 장점: 조직에 구멍이 나거나 찢어지더라도, 그 부분만 제외하고 나머지 모래의 흐름을 계속 분석할 수 있습니다.

3. 결과 연결:

   • 이렇게 만든 '구조 변화 그래프'를 환자의 치료 반응 (예: 암이 사라졌는지, 재발했는지) 과 비교합니다.
   • "암이 사라진 환자들끼리는 단백질 구조가 이렇게 변했고, 재발한 환자들은 저렇게 변했다"는 패턴을 찾아냅니다.

4. 실제 적용: 삼중 음성 유방암 연구

이 방법을 삼중 음성 유방암 (Triple-Negative Breast Cancer) 환자들의 데이터에 적용해 보았습니다.

• 목표: 면역 치료와 화학 요법을 병행했을 때, 환자의 면역 세포 (T 세포, B 세포 등) 가 어떻게 모여 있는지 분석하여 치료 효과를 예측하는 것.
• 결과:
  • 기존 방식으로는 발견하기 어려웠던 **단백질들의 '모양'과 '배치'**가 치료 반응과 밀접한 연관이 있음을 발견했습니다.
  • 특히, **CD3(면역 세포 표지자) 와 CD4/CD20(다른 면역 세포)**이 함께 모여 있는 방식이 치료 성공 여부와 가장 강력하게 연결되었습니다.
  • 치료에 성공한 환자들 (암이 완전히 사라진 경우) 은 단백질들이 더 뭉쳐 있고 집중된 형태를 보였습니다.

5. 요약: 왜 이것이 중요한가요?

• 더 정확함: 세포를 일일이 구분할 때 생기는 실수를 피합니다.
• 더 강력함: 단백질의 '양'과 '분포'를 모두 활용하므로 치료 효과를 더 잘 예측합니다.
• 더 튼튼함: 조직이 찢어지거나 구멍이 있어도 분석을 멈추지 않고 계속할 수 있습니다.

한 줄 요약:

"세포 하나하나를 세느라 지친다면, 전체적인 '단백질 지도'를 읽어보세요. TOASTER 는 그 지도의 모양이 환자의 운명을 어떻게 예측하는지 알려줍니다."

이 연구는 암 치료에 더 정밀하고 강력한 도구를 제공하며, 앞으로 더 많은 환자들에게 맞춤형 치료를 가능하게 할 것으로 기대됩니다.

기술 요약

논문 개요

이 논문은 다중화 공간 프로테오믹스 (Multiplexed Spatial Proteomics) 데이터에서 단백질 발현의 공간적 패턴과 환자 수준의 임상 결과 (예: 치료 반응, 생존율) 간의 연관성을 분석하기 위한 새로운 통계적 방법론인 TOASTER를 제안합니다. 기존 방법론의 한계를 극복하고, 세포 분할 (segmentation) 및 표현형 예측 (phenotyping) 에 의존하지 않고 연속적인 공간 단백질 발현 데이터 자체를 활용하여 통계적 검정력을 높이는 것을 목표로 합니다.

1. 문제 제기 (Problem Statement)

• 기존 분석 파이프라인의 한계: 현재 널리 사용되는 공간 프로테오믹스 분석은 고해상도 이미지를 통해 개별 세포를 식별 (분할) 하고 세포 유형을 예측 (표현형) 하는 복잡한 전처리 과정을 거칩니다. 이후 세포의 공간적 배열을 '표시된 공간 점 과정 (marked spatial point process)'으로 모델링하여 임상 결과와 연관성을 분석합니다.
• 주요 문제점:
  1. 오류 전파: 세포 분할 및 표현형 예측은 중첩된 세포, 불규칙한 세포 형태, 절단된 세포 등으로 인해 오류가 발생하기 쉽습니다. 이러한 오차가 하위 분석 결과에 그대로 영향을 미칩니다.
  2. 정보 손실: 예측된 세포 경계 밖의 단백질 발현 데이터가 폐기되어 조직에 대한 의미 있는 정보가 손실됩니다.
  3. 정량적 정보 무시: 세포 유형에만 초점을 맞추다 보니 개별 단백질의 발현 강도 (intensity) 와 같은 정량적 정보가 간과됩니다.
  4. 샘플 결손: 조직 처리 과정에서 발생하는 구멍 (holes) 이나 찢어짐 (tears) 이 기존 방법론에서 처리하기 어렵습니다.

2. 방법론 (Methodology: TOASTER)

저자들은 TOASTER (Test Of Association between Spatial protein expression and clinical Traits-of-intERest) 라는 새로운 접근법을 제안합니다. 이는 세포 분할 없이 연속적인 공간 단백질 발현을 직접 분석합니다.

핵심 기법: 위상 데이터 분석 (TDA) 및 위상 사건 기록 (Topological Event History)

1. 필터링 (Filtration): 이미지의 단백질 강도 임계값을 점진적으로 높여가며 (filtration) 공간적 구조의 변화를 추적합니다.
2. 위상 특징 추출:
   • 0 차 호몰로지 (Degree-0): 연결된 구성 요소 (connected components) 의 '탄생 (birth)'을 추적합니다.
   • 1 차 호몰로지 (Degree-1): 고리 (loops) 의 '소멸 (death)'을 추적합니다 (신호 반전을 통해 로컬 최소값의 탄생으로 변환).
3. 네르손 - 아알렌 누적 위험 함수 (Nelson-Aalen Cumulative Hazard Function) 적용:
   • 각 필터링 단계에서 새로운 위상 구조가 생성되거나 소멸되는 사건을 '사건 (event)'으로 간주합니다.
   • 위험 집합 (at-risk set) 내의 픽셀 수를 기반으로 사건 발생률을 계산하여 누적 위험 함수를 추정합니다.
   • 이 함수를 **"위상 사건 기록 (Topological Event History)"**이라고 명명하며, 이는 각 샘플의 공간적 구조를 요약하는 함수로 사용됩니다.
4. 단변량 및 이변량 확장:
   • 단변량 (Univariate): 단일 단백질 마커의 공간 구조를 분석.
   • 이변량 (Bivariate): 두 단백질 마커 간의 상호작용 (예: 공위치, colocalization) 을 분석하기 위해 두 층 (layer) 에서 동시에 로컬 최소값이 발생하는 경우를 사건으로 정의합니다.
5. 결손 데이터 처리: 이미지 내 구멍이나 찢어짐이 있어도 픽셀의 이웃 관계를 조정하여 자연스럽게 처리할 수 있도록 설계되었습니다.

연관성 검정 전략 (Association Testing)

추정된 위상 사건 기록 함수 (곡선) 와 임상 결과 (이항, 생존, 연속) 간의 연관성을 검정하기 위해 세 가지 접근법을 제안합니다.

1. 함수형 데이터 분석 (Functional Data Analysis): 함수형 주성분 분석 (FPCA) 을 통해 곡선의 변동을 주성분 점수로 변환한 후, Cox 비례위험 모델 (생존) 또는 로지스틱 회귀 (이항) 에 공변량으로 포함하여 검정합니다.
2. 그리드별 검정 (Gridwise Testing): 곡선을 이산적인 그리드 점으로 나누어 각 점에서의 값을 공변량으로 사용하여 Wald 검정을 수행한 후, Cauchy 조합 검정을 통해 p-value 를 통합합니다.
3. 커널 검정 (Kernel Testing): 곡선 간의 유클리드 거리를 기반으로 커널 행렬을 생성하고, 잔차 기반 커널 연관성 검정 (Kernel Association Test) 을 수행합니다.

3. 주요 결과 (Results)

시뮬레이션 연구

• 단변량 시뮬레이션: 기존 방법인 DenVar 와 비교 시, TOASTER 는 연결 요소 (Degree 0) 와 고리 (Degree 1) 모두에서 검정력 (Power) 이 현저히 높았으며 (약 88% 대 49%), 제 1 종 오류 (Type I error) 를 명목 수준 (0.05) 에서 잘 통제했습니다. DenVar 는 조건에 따라 매우 보수적이었습니다.
• 이변량 시뮬레이션: 기존 방법인 DIMPLE 과 비교 시, TOASTER 는 두 마커가 독립적으로 생성된 경우에도 높은 검정력을 보였습니다. 특히 두 단백질이 서로 다른 위상 구조를 가질 때 TOASTER 의 우위가 두드러졌습니다.
• 결손 데이터 (Holes): 이미지에 인위적인 구멍을 생성한 시나리오에서도 TOASTER 는 DIMPLE 보다 높은 검정력을 유지하며 결손 데이터를 효과적으로 처리함을 입증했습니다.

실제 데이터 적용 (Triple Negative Breast Cancer)

• 데이터: NeoTRIP 연구의 삼중 음성 유방암 (TNBC) 환자들 (항암제 + 면역관문억제제 병용 vs 항암제 단독) 의 이미지 질량 세포계수 (IMC) 데이터를 분석했습니다.
• 분석 대상: CD3, CD4, CD8, CD20 단백질의 공간적 발현 패턴과 병리학적 완전 관해 (pCR) 여부 간의 연관성.
• 결과:
  • pCR 을 보인 환자군의 종양 내 단백질 발현은 연결된 구성 요소의 탄생이 적어, 단백질이 더 밀집된 군집 (clusters) 을 형성함을 발견했습니다.
  • CD3+CD4 및 CD3+CD20 조합이 치료 반응과 가장 강력한 연관성을 보였습니다 (p-value < 0.01).
  • 세 가지 검정 방법 (Functional, Gridwise, Kernel) 이 모든 단백질 조합에서 일관된 결과를 내지는 않았으나, 전반적으로 유의미한 연관성을 확인했습니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 세포 분할 불필요: TOASTER 는 불완전한 세포 분할 및 표현형 예측에 의존하지 않고, 원시 이미지 데이터의 연속적인 단백질 발현을 직접 분석함으로써 분석의 신뢰성을 높이고 정보 손실을 방지합니다.
2. 검정력 향상: 시뮬레이션을 통해 기존 방법론보다 통계적 검정력이 우수함을 입증했습니다. 특히 정량적 발현 강도가 결과와 연관될 때 유리합니다.
3. 실용적 강건성: 조직 샘플 처리 중 발생하는 구멍이나 찢어짐과 같은 결손 데이터를 자연스럽게 처리할 수 있어 실제 임상 샘플 분석에 적합합니다.
4. 새로운 분석 패러다임: 공간 프로테오믹스 데이터 분석에 위상 데이터 분석 (TDA) 을 성공적으로 적용하여, 세포 수준의 정보 없이도 조직 수준의 위상적 구조가 임상 결과와 어떻게 연관되는지 규명하는 새로운 길을 열었습니다.

5. 결론

TOASTER 는 다중화 공간 프로테오믹스 데이터 분석의 한계를 극복하고, 위상적 특징을 통해 공간적 단백질 발현과 임상 결과 간의 연관성을 보다 강력하고 정확하게 검정할 수 있는 혁신적인 도구입니다. 이 연구는 삼중 음성 유방암의 면역 치료 반응 예측 등 다양한 임상 연구에 적용 가능한 강력한 통계적 프레임워크를 제공합니다.