SpatialCompassV (SCOMV): De novo cell and gene spatial pattern classification and spatially differential gene identification

이 논문은 기존 방법의 한계를 극복하고 사전 지식을 필요로 하지 않는 'SpatialCompassV(SCOMV)'라는 계산 도구를 개발하여, 종양 등 관심 영역을 기준으로 유전자와 세포의 공간적 분포 패턴을 벡터 기반으로 정량화하고 분류하며 공간적 차등 발현 유전자를 식별하는 새로운 접근법을 제시합니다.

핵심

🏥 1. 문제 상황: "우리는 세포의 위치를 잃어버렸다"

과거에 암을 연구할 때는 조직을 잘게 부수어 세포들을 섞어 분석했습니다. 이는 샐러드를 믹서에 갈아서 재료의 맛만 확인하는 것과 비슷합니다. "양파가 들어있고, 당근도 들어있다"는 건 알 수 있지만, **"양파가 당근 옆에 있는지, 아니면 멀리 떨어져 있는지"**는 알 수 없게 됩니다.

하지만 최근의 새로운 기술 (스페이셜 트랜스크립토믹스) 은 조직을 잘게 부수지 않고, 세포들이 원래 있던 자리 (위치) 를 그대로 유지한 채 유전자를 읽을 수 있게 해줍니다. 그런데 문제는 데이터가 너무 방대해서, 수천 개의 유전자들이 암 조직의 '어디'에 모여 있는지 눈으로 일일이 확인하는 것은 수백 장의 지도를 한 장씩 손으로 그려가며 찾는 것처럼 너무 힘들고 비효율적이라는 점입니다.

🧭 2. 해결책: "SCOMV, 암을 중심으로 한 나침반"

저자들은 이 문제를 해결하기 위해 SCOMV라는 프로그램을 만들었습니다. 이 프로그램의 핵심 아이디어는 매우 직관적입니다.

"암 (종양) 을 중심에 두고, 다른 것들이 그로부터 '얼마나 멀리', '어떤 방향'에 있는지 나침반으로 측정하자."

• 기존 방식: "이 유전자는 많이 발현되네?" (양만 봄)
• SCOMV 방식: "이 유전자는 암 중심에서 200 미터 떨어진 북동쪽에 모여 있네?" (위치와 방향을 봄)

이 프로그램은 암 조직을 중심으로 유전자들이 어떻게 퍼져 있는지 4 가지 유형으로 분류합니다:

1. 내부형 (Internal): 암 덩어리 안쪽에 꽉 차 있는 유전자.
2. 주변형 (Peripheral): 암의 가장자리 (경계) 에 빙 둘러싸고 있는 유전자.
3. 부분 주변형 (Partially Peripheral): 암의 특정 부분 (예: 오른쪽 변) 에만 모여 있는 유전자.
4. 보편형 (Ubiquitous): 조직 전체에 골고루 퍼진 유전자.

🔍 3. 실제 발견: "암의 숨겨진 지도를 읽다"

이 프로그램을 실제 유방암과 폐암 데이터에 적용한 결과, 놀라운 사실들이 밝혀졌습니다.

• 세포들의 위치: 면역 세포 (T 세포 등) 는 암 덩어리 바로 옆에 모여 있기도 하지만, 특정 거리 (약 200~300 마이크로미터) 를 두고 원형으로 배치되어 있는 패턴을 보였습니다. 마치 성벽을 지키는 병사들처럼 말입니다.
• 유전자들의 비밀: 'POSTN'이라는 유전자는 암을 둘러싼 섬유 세포 (CAF) 에서 주로 발견되었는데, 흥미롭게도 면역 세포 (CD3E) 가 없는 곳에 집중되어 있었습니다.
  • 비유: 마치 벽돌 (POSTN) 이 쌓인 곳에는 병사 (면역 세포) 가 들어오지 못하는 것처럼, 암 주변의 특정 유전자가 면역 세포의 침입을 막는 '장벽' 역할을 할 수 있다는 힌트를 준 것입니다.

🧩 4. 더 큰 그림: "암의 단계 (DCIS vs IDC) 를 공간으로 구분하다"

이 프로그램은 단순히 유전자의 양만 비교하는 것이 아니라, 유전자의 '배치 방식'이 다른지도 찾아냅니다.

• 기존 방식: "이 유전자는 암이 진행될수록 양이 줄어든다." (단순 수치 비교)
• SCOMV 방식: "이 유전자는 암이 진행되면 위치 자체가 사라진다." (공간적 변화 감지)

연구팀은 초기 암 (DCIS) 과 침윤성 암 (IDC) 을 비교했을 때, 단순히 유전자 양의 차이뿐만 아니라 유전자가 암 조직 안에서 어떻게 배치되는지가 달랐음을 발견했습니다. 마치 집을 짓는 방식이 초기에는 벽돌을 단단히 쌓아두는 방식이었다가, 진행되면서 벽돌이 흩어지거나 특정 방향만 남는 방식과 비슷하다고 볼 수 있습니다.

💡 5. 결론: 왜 이것이 중요한가?

이 연구는 암을 단순히 "세포의 집합체"가 아니라, **"정교하게 배치된 도시"**처럼 바라보게 해줍니다.

• 기존의 나침반 (기존 분석법): "북쪽이 어디야?" (전체적인 경향만 파악)
• SCOMV: "암이라는 성을 기준으로, 면역 병사들은 성벽의 동쪽 구석에 숨어 있고, 암세포는 성 안쪽 깊은 곳에 숨어 있어." (정밀한 공간 지도 제공)

이처럼 SCOMV는 암이 어떻게 면역 세포를 피하고, 어떻게 주변 환경과 상호작용하는지에 대한 새로운 지도를 그려줍니다. 이를 통해 의사는 암의 진행 단계를 더 정확히 진단하고, 면역 세포가 암에 접근할 수 있는 길을 찾아내는 새로운 치료 전략을 세울 수 있게 될 것입니다.

한 줄 요약:

"SCOMV 는 암 조직을 지도로 만들어, 유전자와 세포들이 암을 중심으로 '어디에, 어떻게' 모여 있는지 나침반으로 찾아내어, 암의 숨겨진 비밀을 해독하는 도구입니다."

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 공간 전사체학 (Spatial Transcriptomics, ST) 기술 (예: Xenium, Visium 등) 은 조직 내 유전자 발현과 공간 정보를 동시에 제공하여 종양 미세환경 (TME) 의 세포 간 상호작용을 이해하는 데 혁신을 가져왔습니다.
• 한계: 기존 분석 방법들은 다음과 같은 주요 한계를 가지고 있습니다.
  • 사전 지식 의존성: 많은 도구가 사전에 정의된 생물학적 마커나 주석 (annotation) 에 의존하여, 새로운 패턴을 발견하는 데 제약이 있습니다.
  • 공간 패턴 분류의 부재: 유전자나 세포가 종양 내부, 경계, 주변 간질 등 특정 기준 영역 (Reference Region) 에 대해 어떻게 분포하는지를 체계적으로 분류하는 데 어려움이 있습니다.
  • 기존 지표의 한계: Moran's I 나 Geary's C 와 같은 공간 자기상관 지표는 유전자가 '클러스터링'되었는지 여부만 파악할 뿐, 종양을 기준으로 한 구체적인 분포 형태 (내부, 주변, 부분적 주변 등) 를 구분하거나 유전자 간 공간 패턴의 유사성을 정량화하는 데는 부적합합니다.

2. 방법론 (Methodology)

저자들은 **SpatialCompassV (SCOMV)**라는 계산 도구를 개발하여 종양을 기준으로 한 유전자 및 세포의 공간적 분포 패턴을 벡터 기반으로 정량화하고 분류했습니다. 주요 알고리즘 흐름은 다음과 같습니다.

1. 부호화된 최소 거리 벡터 (Signed Minimum Distance Vector, SMDV) 유도:

   • 각 그리드 (grid) 위치에서 종양 영역 (Reference Region) 까지의 최단 유클리드 거리를 벡터로 계산합니다.
   • 종양 내부에 있는 그리드는 음수 (-), 외부에 있는 그리드는 양수 (+) 값을 갖도록 방향을 정렬하여, 종양 경계로부터의 거리와 방향 정보를 하나의 벡터로 인코딩합니다.
   • 각 그리드의 유전자 발현량을 이 벡터에 가중치로 적용하여 유전자별 공간 특징을 생성합니다.

2. 극좌표 지도 (Polar Coordinate Map) 구축:

   • 생성된 벡터들을 반경 (10 µm) 과 각도 (30°) 로 이분화된 극좌표 공간에 매핑합니다.
   • 이를 통해 각 유전자 (또는 세포) 의 공간적 분포를 정규화된 특징 벡터로 변환합니다.

3. 유사도 행렬 및 클러스터링:

   • 두 유전자 간 공간 분포의 유사도를 계산하기 위해, 대응되는 극좌표 빈 (bin) 들의 값 중 최솟값을 합산하여 유사도 행렬을 생성합니다.
   • 이 행렬을 기반으로 계층적 클러스터링 (Hierarchical Clustering) 또는 주좌표 분석 (PCoA) 을 수행하여 유사한 공간 패턴을 보이는 유전자/세포 군집을 식별합니다.

4. 대칭적 비음수 행렬 분해 (SymNMF) 를 통한 다중 영역 통합:

   • 여러 관심 영역 (ROI) 에서 얻은 유사도 행렬을 SymNMF 로 분해하여 잠재된 공간 패턴을 추출합니다.
   • 이를 통해 종양 유형 (예: DCIS vs IDC) 을 비지도 학습으로 분류하고, 공간적 분포 차이를 보이는 유전자를 식별합니다.

3. 주요 기여 (Key Contributions)

• 새로운 공간 패턴 분류 체계: 유전자와 세포를 종양 기준에 따라 내부 (Internal), 주변 (Peripheral), 부분적 주변 (Partially Peripheral), 광범위 (Ubiquitous) 등 4 가지 유형으로 비지도 학습 기반의 De novo 분류가 가능하도록 했습니다.
• 공간적 차등 발현 유전자 (Spatially DEGs) 정의: 단순히 발현량 (Expression Level) 의 차이뿐만 아니라, 공간적 분포 패턴의 차이에 기반하여 유전자를 구분하는 새로운 개념을 도입했습니다.
• 사전 지식 불필요한 분석: 사전에 정의된 마커나 리간드 - 수용체 데이터베이스에 의존하지 않고, 데이터 자체의 공간적 구조로부터 생물학적 통찰을 도출합니다.

4. 결과 (Results)

• 세포 분포 패턴 재현: 유방암 (Xenium 데이터) 및 폐암 데이터에서 SCOMV 는 기존에 알려진 세포 유형 (예: M1 대식세포, T 세포, B 세포는 종양 경계 200-300µm 에 집중, 근상피세포는 종양 내부에 집중) 의 공간적 위치를 정확히 재현하고 군집화했습니다.
• 유전자 분포 패턴 분류:
  • 내부: KRT8, EPCAM 등 상피 세포 마커.
  • 주변: CD68, CD8A 등 면역 관련 유전자.
  • 부분적 주변: POSTN (CAF 관련) 등 특정 경계 영역에 집중된 유전자.
  • 기존 Moran's I 방법론과 달리, SCOMV 는 유사한 클러스터링 점수를 가진 유전자라도 실제 공간 분포 (내부 vs 주변) 가 다를 수 있음을 명확히 구분했습니다.
• 다중 영역 분석 및 malignancy 구분:
  • 유방암의 **상피내암 (DCIS)**과 침윤성 관상암 (IDC) 영역을 SCOMV 로 분석한 결과, 비지도 클러스터링을 통해 두 유형을 명확히 구분했습니다.
  • Spatially DEGs 발견:
    • PC1: 종양 내 유전자 발현 유무 (IDC 에서는 SFRP1 등 발현 감소).
    • PC2: CAF 관련 유전자 (LUM, POSTN) 가 DCIS 에서 주변부에 특이적으로 분포.
    • PC3: 면역 관련 유전자 (GZMA, CD3E) 와 혈관 관련 유전자 (CAV1, AQP1) 가 서로 반대되는 공간적 분포를 보이며 분리됨. 이는 종양 미세환경의 공간적 극성 (Immune infiltration vs Vascular remodeling) 을 반영합니다.

5. 의의 및 결론 (Significance)

• 생물학적 통찰력 증대: 종양과 면역 세포, 간질 세포 간의 물리적 상호작용 (예: CAF 가 풍부한 영역에서 면역 세포가 배제되는 현상) 을 공간적 분포 패턴을 통해 정량적으로 규명할 수 있게 되었습니다.
• 임상적 적용 가능성: 공간적 분포 패턴의 차이는 단순한 발현량 차이보다 질병 진행 (DCIS 에서 IDC 로의 전환) 이나 치료 반응과 더 밀접하게 연관될 수 있음을 시사합니다.
• 확장성: 종양 영역뿐만 아니라 림프구 집합체나 신경 세포 군집 등 다른 기준 영역에 대한 분석으로 확장 가능하며, 다양한 공간 전사체학 플랫폼에 적용 가능한 범용 도구로 기대됩니다.

요약하자면, SCOMV는 공간 전사체학 데이터의 고차원성을 해결하고, 종양을 기준으로 한 정량적이고 체계적인 공간 패턴 분류를 가능하게 함으로써, 기존 방법론이 놓치던 미세한 공간적 생물학적 현상을 발견하는 강력한 도구입니다.