MORPHE: Bridging Image Generation and Spatial Omics for Tissue Synthesis

MORPHE 는 이산적인 세포 정체성과 공간적 관계를 연속적인 잠재 공간에 매핑하여 공간 오믹스와 이미지 생성을 연결함으로써 2D 및 3D 데이터셋 전반에 걸쳐 단일 세포 해상도로 생물학적으로 신뢰할 수 있는 조직 구조의 합성, 재구성 및 확장을 가능하게 하는 AI 프레임워크입니다.

핵심

bustling 도시의 구조를 이해하려 하지만, 희귀하고 비싼 드론 사진 몇 장만 가지고 있다고 상상해 보세요. 일부 사진은 흐릿하고, 일부는 전체 동네가 빠져 있으며, 다른 사진들은 고층 빌딩을 놓친 평면적인 2 차원 스냅샷에 불과합니다. 이것이 바로 공간 오믹스(spatial omics) 분야에서 과학자들이 직면한 문제입니다. 공간 오믹스는 조직 내의 모든 단일 세포를 매핑하는 첨단 기술이지만, 이러한 지도는 놀라울 정도로 정교함에도 불구하고 제작 비용이 너무 비싸고, 작은 영역만 커버하며, 2 차원에 갇혀 있으며, 촬영 과정 자체에 의해 손상될 수 있습니다.

이제 생물학을 위한"디지털 건축가"역할을 하는 새로운 AI 도구인 MORPHE가 등장합니다.

다음은 몇 가지 간단한 비유를 통해 MORPHE 가 작동하는 방식입니다:

1. 번역의 다리
생물학적 데이터를 생물학자들만 이해하는 언어로 쓰인 비밀 코드 (세포 유형과 좌표 목록) 라고 생각해 보세요. 반면, 텍스트에서 예술을 생성하는 것과 같은 강력한 AI 이미지 생성기는 픽셀과 색상 (RGB) 의 언어만 구사합니다.
MORPHE 는 번역의 다리를 건설합니다. 세포의 비밀 코드를 가져와 이미지처럼 보이지만 여전히 생물학적 진실을 담고 있는 연속적이고 다채로운 지도인"잠재 공간 (latent space)"으로 변환합니다. 이를 통해 AI 는 이미지 구조에 대한 방대한 사전 훈련 지식을 활용하여 조직이 어떻게 구성되는지 이해할 수 있게 됩니다.

2. 마스터 빌더
데이터가 번역되면 MORPHE 는 각 단일 세포를 고유한 레고 블록처럼 취급합니다. 벽, 방, 또는 전체 건물 (조직) 을 형성하기 위해 이 블록들이 어떻게 맞물려 결합하는지 그 규칙을 학습합니다. 세포가 어떤 것일지 단순히 추측하는 대신, 이웃 간의 구체적인 관계를 학습하여 단일 세포 수준의 정밀도로 전체 구조를 재구성합니다.

3. MORPHE 가 실제로 할 수 있는 일
논문에 따르면 MORPHE 는 단백질 지도를 사용한 **장 **(intestine)과 유전자 지도를 사용한 **뇌 **(brain)의 실제 데이터를 기반으로 수백만 개의 세포를 처리하며 테스트되었습니다. 이는 세 가지 구체적인"마법"을 수행합니다:

• **아웃페인팅 **(시야 확장): 프레임 가장자리에서 갑자기 끊기는 숲 사진이 있다고 상상해 보세요. MORPHE 는 가장자리의 나무들을 보고 논리적으로 카메라 시야 너머의 나머지 숲을"그려"내어 매끄럽고 더 넓은 풍경을 생성합니다.
• **인페인팅 **(손상 복구): 사진에 스크래치나 결손 부분이 있다면, MORPHE 는 주변 픽셀을 살펴보고 올바른 세포"질감"으로 구멍을 채워 손상된 조직 데이터를 효과적으로 복구합니다.
• **점 연결하기 **(조직 간 보간): 때로는 조직 샘플이 여러 조각으로 잘려져 그 사이에 간격이 생깁니다. MORPHE 는 퍼즐 마스터처럼 작동하여 분리된 두 조각의 조직을 가져와 결손된 중간 부분을 생성하여 다시 하나의 연속된 전체 샘플로 꿰매어 줍니다. 심지어 이를 3 차원으로 수행하여 평면 지도에 깊이를 더할 수도 있습니다.

요약하자면
MORPHE 는 단순히 조직을 분석하는 것이 아니라, 이를 합성하도록 학습하는 새로운 유형의 소프트웨어입니다. 원시 생물학적 데이터와 이미지 생성 AI 간의 간극을 메움으로써, 과학자들이 빈칸을 채우고 손상된 지도를 복구하며 신체의 미시적 도시들에 대한 시야를 확장할 수 있게 해줍니다. 이 모든 과정에서 개별 세포 수준까지 생물학적 세부 사항이 정확하게 유지됩니다.

기술 요약

기술 요약: MORPHE

문제 제기
공간 분해 오믹스 기술은 단일 세포 해상도 데이터를 제공함으로써 조직 조직에 대한 이해를 혁신적으로 변화시켰습니다. 그러나 이러한 방법들은 높은 분석 비용, 불완전한 공간적 커버리지, 2 차원 이미징으로의 제한, 그리고 실험적 인공물의 존재와 같은 중대한 실용적 한계에 직면해 있습니다. 이러한 제약 조건들은 현재 측정으로는 완전히 포착할 수 없는 조직 맥락의 간극을 만들어내며, 원시 실험 데이터를 넘어 조직 구조를 재구성하거나 확장할 수 있는in silico접근법을 필요로 합니다.

방법론
본 논문은 공간 오믹스 데이터로부터 직접 생물학적으로 충실한 조직 구조를 합성하도록 설계된 AI 프레임워크인 MORPHE(MOdeling of stRuctured sPatial High-dimensional Embeddings) 를 소개합니다. 핵심 혁신은 그래프 기반 확률적 임베딩에 있습니다. 이 메커니즘은 이산적인 세포 정체성과 그들의 공간적 관계를 연속적인, RGB 와 유사한 잠재 공간에 매핑합니다.

이러한 표현적 가교는 공간 세포 지도를 대규모 사전 훈련된 이미지 생성 모델, 특히 확산 모델과 호환 가능하게 만들기 때문에 중요합니다. 세포를 생성의 기본 단위로 취급함으로써 MORPHE 는 개별 세포 정체성과 그들의 공간적 관계가 어떻게 대규모 조직 구조를 집단적으로 생성하는지 학습합니다. 중요하게도, 이 프레임워크는 생성된 잠재 공간을 세포 데이터로 다시 디코딩할 때 생물학적 해석 가능성이 보존되도록 보장합니다.

주요 기여

• 새로운 프레임워크: 이산적인 공간 오믹스 데이터와 연속적인 이미지 생성 모델을 독창적으로 연결하는 MORPHE 의 개발.
• 표현적 혁신: 확산 모델링에 적합한 형식으로 세포 정체성과 공간적 위상을 변환하는 그래프 기반 확률적 임베딩의 도입.
• 확장성: 수백만 개의 세포를 포함하는 데이터셋 전반에 걸쳐 입증된 계산적 확장성.
• 다양한 응용: 이 프레임워크는 세 가지 특정 재구성 작업을 가능하게 합니다:
  1. 아웃페인팅(Outpainting): 실험적으로 제한된 시야를 넘어 조직 맥락을 확장.
  2. 인페인팅(Inpainting): 누락되거나 실험적으로 손상된 조직 영역 재구성.
  3. 교차 조직 보간(Cross-tissue Imputation): 분리된 조직 영역을 단일 연속 샘플로 연결.
• 차원 지원: 2 차원 및 3 차원 맥락 모두에서 이러한 작업을 수행할 수 있는 능력.

결과
저자들은 장에서 얻은 대규모 단일 세포 프로테오믹 데이터셋과 뇌에서 얻은 단일 세포 전사체 데이터셋을 사용하여 MORPHE 를 검증했습니다. 결과는 이 프레임워크가 단일 세포 해상도에서 조직 구조를 성공적으로 생성하고 재구성할 수 있음을 입증했습니다. 이 방법은 수백만 개의 세포로 구성된 복잡성을 효과적으로 처리했으며, 생성된 구조에서 생물학적 충실도를 유지하면서 아웃페인팅, 인페인팅, 그리고 교차 조직 보간 작업을 성공적으로 수행했습니다.

의의
본 논문은 MORPHE 를 조직 생성 알고리즘의 새로운 범주로 위치시킵니다. 그 주요한 의의는 단일 세포 공간 오믹스 데이터셋에 내재된 현재 한계와 과제를 해결할 수 있는 잠재력에 있습니다. 실험 데이터가 누락되거나 손상되었거나 불완전한 곳에서 조직 맥락을 재구성할 수 있게 함으로써, MORPHE 는 현재 분석의 물리적 제약을 넘어 공간 오믹스의 활용도를 확장하는 계산적 솔루션을 제공합니다.