Multiomic Spatial Imaging Assay (MSIA) -- A High-plex In Situ Detection Method for mRNAs, Proteins, and Protein-Protein Interactions using Manual And Semi-Automated Workflows

이 논문은 수동 및 반자동 워크플로우를 통해 FFPE 및 신선 동결 샘플에서 수백 개의 RNA 와 단백질을 동시에 이미징하고, 심층 학습 기반 분석 파이프라인과 Parkinson 병 문헌 기반 언어 모델을 활용해 새로운 바이오마커를 발굴하며 1,000 개 이상의 유전자 정량화 가능성을 입증한 다중 오믹스 공간 이미징 assay(MSIA) 기술을 보고합니다.

핵심

이 논문은 **"MSIA(다중 오믹스 공간 이미징 분석)"**이라는 새로운 기술을 소개합니다. 이 기술은 마치 뇌 속의 작은 도시를 지도로 그려내는 것과 같습니다.

기존의 기술들은 비싸고 복잡한 기계가 필요했지만, 이 새로운 방법은 일반적인 현미경과 간단한 도구로도 수백 개의 유전자와 단백질이 뇌의 어느 위치에, 어떻게 상호작용하는지를 한눈에 볼 수 있게 해줍니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. MSIA 란 무엇인가요? (뇌 속의 '스마트 시티' 지도 그리기)

생각해 보세요. 우리 뇌는 수조 개의 세포로 이루어진 거대한 도시입니다. 각 세포는 고유한 이름표 (유전자) 를 달고 있고, 서로 대화하며 일합니다.

• 기존 기술: 이 도시의 지도를 그리려면 수억 원짜리 초대형 드론 (고가의 장비) 이 필요했습니다.
• MSIA 기술: 이제 우리는 **일반적인 카메라 (일반 형광 현미경)**만 있어도, 이 도시의 수백 개의 건물 (세포) 과 그 안에 있는 주민들 (유전자) 이 어디에 있는지, 누구와 친구인지까지 상세한 지도를 그릴 수 있게 되었습니다.

2. 어떻게 작동할까요? (색깔이 달린 '우편함'과 '코드')

이 기술의 핵심은 색깔로 정보를 암호화하는 것입니다.

• 비유: 각 유전자는 고유한 '우편함'에 들어있는 편지라고 상상해 보세요.
• 작동 원리:
  1. 연구자들은 이 우편함에 5 가지 다른 색깔의 형광 불빛을 달아줍니다.
  2. 한 번에 모든 색깔을 켤 수는 없으니, **두 번의 과정 (스테인 2 회)**을 거칩니다.
  3. 첫 번째 과정에서는 우편함의 일부 색깔 (예: 빨강 + 파랑) 을 켜고 사진을 찍습니다.
  4. 그다음 색깔을 지우고, 두 번째 과정에서는 다른 색깔 (예: 초록 + 노랑) 을 켜고 다시 찍습니다.
  5. 이렇게 두 번 찍은 사진을 합치면, 각 우편함은 고유한 **10 자리 숫자 코드 (예: 1010010101)**를 갖게 됩니다.
  6. 컴퓨터는 이 코드를 해독해서 "아, 이 우편함은 '슬픔'이라는 유전자를 담고 있구나!"라고 알아냅니다.

이 덕분에 단 2 번의 촬영으로 100 개 이상의 유전자를 한 번에 구별해 낼 수 있습니다.

3. 인공지능 (AI) 의 역할 (미세한 점 찍기)

뇌 조직 사진에는 수많은 작은 점들이 있습니다. 이 점들이 유전자인지, 아니면 그냥 노이즈인지 구별하는 것은 매우 어렵습니다.

• 비유: 밤하늘의 별을 볼 때, 먼지나 빛 반사로 인해 생긴 작은 점들과 진짜 별을 구별하는 것과 같습니다.
• 해결책: 연구팀은 **딥러닝 (인공지능)**을 훈련시켜, 수천 장의 뇌 사진을 보여주며 "이건 진짜 유전자 점이야, 저건 아니야"라고 가르쳤습니다. 이제 AI 는 사람이 눈으로 보기 힘든 미세한 유전자 점까지 정확하게 찾아내고 세어줍니다.

4. 파킨슨병 연구에 어떻게 쓰였나요? (뇌의 '연결선' 끊어짐 찾기)

이 기술로 파킨슨병을 연구한 결과가 매우 흥미롭습니다.

• 실험: 파킨슨병을 유발한 쥐의 뇌를 이 기술로 분석했습니다.
• 발견 1 (유전자): 뇌의 특정 부위에서 도파민을 만드는 신경세포들이 사라지고, 다른 유전자들의 활동이 변하는 것을 확인했습니다.
• 발견 2 (단백질 연결): 뇌 세포들은 서로 손 (신경 연결) 을 잡고 있습니다. 연구진은 **두 세포가 서로 손을 잡고 있는지 (단백질 상호작용)**를 확인하는 'ProximityScope'라는 추가 기술을 썼습니다.
  • 결과: 건강한 쥐의 뇌에서는 세포들이 튼튼하게 손을 잡고 있었지만, 파킨슨병 쥐의 뇌에서는 이 연결선 (시냅스) 이 많이 끊어지고 약해져 있는 것을 발견했습니다. 마치 다리가 부러진 다리처럼 말이죠.

5. 언어 모델 (AI) 의 활용 (책에서 보물 찾기)

연구진은 파킨슨병에 대해 쓴 수만 편의 논문 (책) 을 AI 에게 읽게 했습니다.

• 비유: AI 는 수만 권의 책을 읽으며 "이 단어와 저 단어는 자주 같이 나오네? 아마 이 두 가지는 깊은 관계가 있겠구나!"라고 추측하는 능력을 키웠습니다.
• 활용: 이 AI 가 "아직 잘 알려지지 않았지만, 파킨슨병과 깊은 관련이 있을 법한 유전자"를 찾아냈고, 연구진이 쥐 실험으로 이를 검증했습니다. 이는 새로운 치료제나 진단 마커를 찾는 빠른 길이 되었습니다.

6. 왜 이 기술이 중요한가요?

• 접근성: 수천만 원짜리 고가 장비가 아니라, 일반 실험실에서도 쓸 수 있는 방법을 제시했습니다.
• 확장성: 지금 100 개를 볼 수 있지만, 과정을 조금 더 늘리면 1,000 개 이상의 유전자도 볼 수 있습니다.
• 미래: 이 기술은 파킨슨병뿐만 아니라 알츠하이머, 암 등 다양한 질병에서 세포들이 어떻게 서로 소통하고 병이 시작되는지 그 '실시간 지도'를 그려줄 것입니다.

한 줄 요약:

"비싼 장비 없이, 일반 현미경과 AI 를 이용해 뇌 속 수백 개의 유전자와 세포 간 연결을 색깔 코드로 해독하고, 파킨슨병의 숨겨진 원인을 찾아낸 혁신적인 지도 제작 기술!"

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 기술의 한계: 공간 다중오믹스 (spatial multiomics) 기술은 조직 내 단일 세포/아세포 수준에서 mRNA 와 단백질을 통합 분석할 수 있는 강력한 도구이나, 대부분의 상용 솔루션은 수백만 원의 고가 장비와 복잡한 워크플로우를 요구하여 많은 연구자들이 접근하기 어렵습니다.
• 파킨슨병 (PD) 연구의 필요성: 파킨슨병은 도파민 신경세포의 소실과 $\alpha$-synuclein 응집체가 특징인 신경퇴행성 질환입니다. 질병의 초기 단계에서 발생하는 미세한 유전자 발현 변화와 시냅스 상호작용의 붕괴를 포착하는 것은 조기 진단 및 치료 표적 발견에 중요하지만, 기존 기술로는 이를 포괄적으로 분석하기 어렵습니다.
• 해결 과제: 저비용으로 구현 가능하면서도 높은 다중화 (multiplexing) 능력 (수백 개 유전자) 을 갖추고, RNA 와 단백질을 동시에 분석할 수 있는 접근성 높은 공간 분석 기술의 개발이 시급했습니다.

2. 방법론 (Methodology)

MSIA 는 기존 RNAscope 기술의 화학적 기반 위에 새로운 조합형 광학 바코딩 (combinatorial optical barcoding) 과 심층 학습 (Deep Learning) 기반 이미지 분석을 결합했습니다.

• 실험 워크플로우:
  • 샘플: 신선 동결 (Fresh Frozen) 및 포름알데히드 고정 파라핀 포매 (FFPE) 조직 모두 호환 가능.
  • 염색 및 이미징 사이클:
    • RNA 분석: 2 개의 염색 - 이미징 사이클을 통해 100 개의 유전자를 동시에 분석. 각 사이클에서 5 개의 형광체 (AF488, Dy550, Dy594, Dy650, AF750) 를 조합하여 5 비트의 바코드를 생성하고, 두 사이클을 합쳐 10 비트의 고유 코드로 100 개 유전자를 식별.
    • 단백질 및 상호작용 분석: 3 번째 사이클을 추가하여 특정 단백질 마커 (NeuN, GFAP 등) 와 단백질 - 단백질 근접성 (ProximityScope, 예: Neurexin-3 과 Neuroligin-2 의 시냅스 상호작용) 을 검출.
  • 자동화: 수동 프로토콜과 Leica Bond Rx 를 이용한 반자동 워크플로우 모두 지원.
• 이미지 분석 파이프라인 (ACDnet):
  • 보정: 색수차 (Chromatic Aberration) 보정 및 이미지 스티칭 (Stitching) 알고리즘 적용.
  • 딥러닝 모델: 수백 장의 RNAscope 이미지를 기반으로 학습된 ACDnet (ResNet 기반) 을 사용하여 세포 분할 (Segmentation) 및 RNA 점 (Dot) 검출 수행.
  • 디코딩: 오류 수정 (Error correction) 없이도 높은 정확도를 확보하기 위해 5 비트/2 사이클 전략과 Hamming Distance 2 를 사용.
• 유전자 발굴 전략 (LLM 활용):
  • 파킨슨병 관련 방대한 문헌 (PubMed/PMC) 으로 학습된 언어 모델 (Skip-gram 기반) 을 사용하여 저발현 또는 간과된 유전자를 예측.
  • 예측된 후보 유전자들을 MPTP 유도 파킨슨병 마우스 모델에서 실험적으로 검증.

3. 주요 기여 (Key Contributions)

1. 고비용 장비 불필요: 고가의 전용 장비 (Xenium, CosMx 등) 없이도 일반 형광 현미경으로 100 개 이상의 유전자를 공간적으로 분석할 수 있는 기술 개발.
2. 다중오믹스 통합: 단일 슬라이드에서 mRNA, 단백질, 그리고 단백질 - 단백질 상호작용 (시냅스 연결성) 을 동시에 시각화하는 통합 워크플로우 제시.
3. AI 기반 분석: RNA 점 검출 및 세포 분할을 위한 전용 딥러닝 모델 (ACDnet) 과 언어 모델을 활용한 새로운 바이오마커 발굴 프로세스 정립.
4. 확장성: 현재 100 개 유전자 분석을 증명했으나, 사이클과 채널을 추가하면 1,000 개 이상의 유전자 분석이 가능함을 시사.

4. 주요 결과 (Results)

• 기술 검증 (성능 비교):
  • 10x Genomics Xenium 및 Molecular Cartography 데이터와 비교 시, 저/중발현 유전자에서 높은 상관관계를 보였으며, 고발현 유전자에서도 HiPlex 검증 데이터와 높은 일치도 (R=0.88) 를 보임.
  • 100 개 유전자 패널을 사용하여 마우스 뇌의 다양한 연령대 (4 주~90 주) 에서 세포 유형 (뉴런, 글리아, 혈관 세포 등) 을 정확하게 매핑하고, 노화에 따른 신경 연결성 재구성을 관찰.
• 파킨슨병 모델 적용 (MPTP 마우스):
  • 세포 손실: MPTP 처리군에서 도파민 (DA) 신경세포, 주위세포, 대식세포 등의 현저한 감소 확인.
  • 유전자 발현 변화: 53 개 PD 관련 유전자 패널 중 17 개 유전자가 MPTP 처리에 의해 유의미하게 변화 (Slc6a3, Anxa1 등 하향 조절).
  • 시냅스 상호작용 붕괴: ProximityScope 를 통해 Neurexin-3 과 Neuroligin-2/3 간의 시냅스 상호작용이 MPTP 처리 뇌 (중뇌, 선조체 등) 에서 심각하게 손상됨을 공간적으로 시각화.
• 새로운 바이오마커 발굴:
  • 언어 모델과 발현 데이터베이스를 결합하여 6 개의 핵심 유전자 (Fbxo7, Grin2b, Prnp 등) 를 선별하고, 이를 기반으로 10 개 유전자 패널을 구성하여 실험 검증.
  • 검증 결과, Kcnj6, Drd2, Sv2c 등 기존 문헌과 일치하는 발현 경향을 확인하며 방법론의 유효성 입증.

5. 의의 및 결론 (Significance)

• 접근성 향상: 고가의 장비 없이도 고해상도 공간 다중오믹스 분석이 가능해져, 전이 연구 (Translational Research) 및 임상 연구의 장벽을 낮춤.
• 종합적 이해: 유전자 발현, 단백질 존재, 그리고 세포 간 상호작용 (시냅스) 을 하나의 슬라이드에서 통합적으로 분석함으로써 파킨슨병과 같은 복잡한 신경퇴행성 질환의 병리 기전을 심층적으로 이해할 수 있는 토대 마련.
• AI 융합: 대규모 문헌 기반 언어 모델과 실험 데이터를 결합하여 새로운 바이오마커를 발굴하는 새로운 패러다임을 제시.
• 미래 전망: 현재 100 개 유전자 분석을 증명했으나, 사이클 확장 등을 통해 1,000 개 이상의 유전자를 분석할 수 있는 확장성을 가지며, 다양한 질병 연구 및 신약 개발에 활용될 수 있는 강력한 도구로 평가됨.

이 연구는 MSIA를 통해 공간 생물학의 민주화를 촉진하고, 파킨슨병 연구에 있어 새로운 통찰력을 제공하는 통합적인 솔루션을 제시했다는 점에서 의의가 큽니다.