Multimodal spatial alignment and morphology mapping with MOSAICField

이 논문은 다양한 공간 기술과 모달리티 간의 데이터 통합을 위해 물리적 정렬과 형태학적 정렬을 동시에 수행하여 정확한 3 차원 조직 모델을 구축하는 새로운 프레임워크인 MOSAICField 를 제안하고, 이를 전립선암 데이터를 통해 기존 방법보다 우수한 성능을 입증했습니다.

핵심

이 논문은 **"MOSAICField"**라는 새로운 기술을 소개합니다. 이 기술은 복잡한 생물학적 데이터를 다루는 연구자들에게 아주 중요한 문제를 해결해 줍니다.

간단히 말해, **"서로 다른 언어로 쓰인 지도들을 하나로 맞춰서 3D 세계를 재구성하는 마법 같은 도구"**라고 생각하시면 됩니다.

이 내용을 일상적인 비유로 풀어서 설명해 드릴게요.

---

1. 문제 상황: 조각난 퍼즐과 서로 다른 언어

생물학자들은 우리 몸의 조직 (예: 암 조직) 을 연구할 때, 얇은 슬라이스 (조각) 로 잘라서 여러 가지 방법으로 관찰합니다.

• 유전자 분석: 세포 안에 어떤 유전자가 켜져 있는지 보는 것.
• 단백질 분석: 세포 표면에 어떤 단백질이 있는지 보는 것.
• 현미경 사진 (H&E): 조직의 모양과 색을 보는 것.

문제는 다음과 같습니다:

1. 서로 다른 언어: 유전자 데이터와 단백질 데이터는 서로 다른 '언어'로 되어 있어, 두 데이터를 직접 비교하기 어렵습니다. (예: 영어와 한자가 섞인 문장을 비교하는 것)
2. 잘린 조각: 조직을 잘라내다 보니, 원래의 3D 모양이 왜곡되거나 찢어질 수 있습니다.
3. 비스듬한 구조: 조직 안에 있는 혈관이나 관 (duct) 은 잘라낸 방향과 비스듬하게 뚫려 있는 경우가 많습니다. 단순히 조각을 쌓아올리면 이 구조가 끊겨 보일 수 있습니다.

기존 기술들은 이 '서로 다른 언어'를 이해하지 못하거나, 조직의 복잡한 모양을 제대로 복원하지 못했습니다.

2. 해결책: MOSAICField (모자이크 필드)

이 연구팀은 MOSAICField라는 AI 기반 도구를 개발했습니다. 이 도구는 두 가지 핵심 작업을 합니다.

첫 번째 작업: 물리적 정렬 (Physical Alignment) - "퍼즐 맞추기"

• 비유: 서로 다른 각도로 찍힌 사진들을 책상 위에 펼쳐놓고, "어떤 조각이 원래 어디에 있었는지" 찾아서 딱 맞게 붙이는 작업입니다.
• 기능: 조직을 잘라낸 2D 슬라이스들을 원래의 3D 모양대로 다시 쌓아 올립니다. 이때 조직이 찢어지거나 늘어난 부분을 AI 가 계산해서 원래대로 바로잡아 줍니다.
• 결과: 이제 우리는 조직의 전체적인 3D 지도를 볼 수 있게 됩니다.

두 번째 작업: 형태학적 정렬 (Morphological Alignment) - "비스듬한 통로 따라가기"

• 비유: 3D 지도가 완성되었지만, 조직 안에 있는 **'혈관'이나 '관 (duct)'**은 비스듬하게 뚫려 있어서, 단순히 조각을 쌓으면 끊겨 보입니다. MOSAICField 는 이 비스듬한 통로를 따라가며 조각들을 다시 연결해 줍니다.
• 기능: 유전자가 없는 부분과 단백질이 있는 부분처럼 서로 다른 데이터라도, **"이 모양이 이 모양과 이어져 있다"**는 것을 AI 가 학습해서 연결합니다. 마치 서로 다른 언어로 된 지도를 보고 "여기 강이 흐르고 있구나"라고 추론해서 연결하는 것과 같습니다.
• 결과: 혈관이나 관이 조직 전체를 어떻게 관통하는지 3D 로 정확하게 추적할 수 있게 됩니다.

3. 실제 적용 사례: 전립선암 연구

연구팀은 이 기술을 실제 전립선암 환자 조직에 적용해 보았습니다.

• 데이터: 유전자 데이터 (Xenium), 단백질 데이터 (CODEX), 일반 조직 사진 (H&E) 등 서로 다른 3 가지 기술을 사용했습니다.
• 성과:
  1. 3D 모델 완성: 서로 다른 기술로 찍은 조각들을 하나로 합쳐서, 전립선암 조직의 완벽한 3D 모델을 만들었습니다.
  2. 관 (Duct) 추적: 전립선에서 중요한 '관' 시스템이 어떻게 뻗어 있는지, 암이 그 관을 따라 어떻게 퍼지는지를 정확하게 추적했습니다.
  3. 상관관계 발견: "이곳의 유전자 발현"과 "그곳의 단백질 양"이 서로 어떻게 연결되는지 찾아냈습니다. 이는 암의 진행 원리를 이해하는 데 큰 도움이 됩니다.

4. 왜 이것이 중요한가요?

기존 방법들은 "유전자가 같은 것끼리만" 비교하거나, "단순히 겉모양만" 맞추는 데 그쳤습니다. 하지만 MOSAICField 는:

• 서로 다른 데이터 (유전자 vs 단백질 vs 사진) 를 자유롭게 연결할 수 있습니다.
• 비스듬한 구조까지 정확하게 추적할 수 있습니다.

마무리 비유:
이전까지 연구자들은 서로 다른 언어로 쓰인 지도 조각들을 손으로 맞추려다 지쳐 있었습니다. MOSAICField 는 이 조각들을 AI 가 자동으로 번역하고, 찢어진 부분을 이어 붙이며, 비스듬한 길까지 찾아서 완벽한 3D 세계를 만들어주는 지능적인 지도 제작자 역할을 합니다.

이를 통해 우리는 암이 어떻게 자라고 퍼지는지, 우리 몸의 조직이 어떻게 작동하는지 훨씬 더 깊이 이해할 수 있게 되었습니다.

기술 요약

논문 요약: MOSAICField 를 통한 다중 모달 공간 정렬 및 형태학 매핑

1. 문제 정의 (Problem)

현대 조직 및 종양 아틀라스 구축 프로젝트 (예: 인간 종양 아틀라스 네트워크, HTAN) 는 동일한 조직의 여러 슬라이스에 대해 공간 전사체학 (Spatial Transcriptomics), 공간 프로테오믹스 (Spatial Proteomics), H&E 염색, 에피제네틱스 등 다양한 모달리티 (모드) 의 데이터를 생성합니다. 이러한 데이터를 통합하여 3D 조직 모델을 재구성하고 세포 상태의 공간적 이질성을 이해하려는 시도가 증가하고 있습니다. 그러나 기존 방법론에는 다음과 같은 중대한 한계가 존재합니다.

• 모달리티 간 정렬의 부재: 기존 공간 정렬 도구 (STalign, PASTE 등) 는 주로 동일한 모달리티 (예: 전사체학 대 전사체학) 의 슬라이스를 정렬하도록 설계되었습니다. 서로 다른 모달리티 (예: RNA 발현 데이터 vs H&E 이미지) 간에는 공통된 특징 (Common features) 이 없어 정렬이 불가능하거나 매우 어렵습니다.
• 물리적 정렬과 형태학적 정렬의 혼동: 기존 방법들은 조직 슬라이스를 3D 공간에 배치하는 '물리적 정렬 (Physical Alignment)'과, 조직 내 관 (ducts), 혈관, 종양 경계 등 특정 구조물을 추적하는 '형태학적 정렬 (Morphological Alignment)'을 구분하지 못합니다. 특히 조직 절단 방향과 수직이 아닌 각도로 관통하는 구조물을 추적하는 것은 기존 방법으로는 어렵습니다.
• 비선형 왜곡 처리의 한계: 조직 준비 과정에서 발생하는 비선형 왜곡 (수축, 찢어짐, 회전 등) 을 정확히 보정하는 데 한계가 있습니다.

2. 방법론 (Methodology)

저자들은 **MOSAICField (MultimOdal Spatial Alignment and Integration with Coordinate neural Field)**라는 새로운 프레임워크를 제안합니다. 이는 임의의 모달리티 조합을 가진 공간 슬라이스들을 정렬하고, 조직의 3D 모델을 재구성하며, 형태학적 구조를 추적할 수 있는 통합 프레임워크입니다.

핵심 알고리즘 단계:

1. 1 단계: 아핀 정렬 (Affine Alignment) - 전역적 초기화

   • 인접한 두 슬라이스 (서로 다른 모달리티일 수 있음) 간의 전역적 변환 (이동, 회전, 스케일) 을 계산합니다.
   • **Global Invariant Optimal Transport (OT)**를 확장하여 사용합니다.
   • Wasserstein 항: 공간 좌표 간의 거리를 최소화합니다.
   • Gromov-Wasserstein 항: 서로 다른 모달리티 간의 특징 구조 (Feature structure) 를 비교하여 정렬합니다. 이를 통해 공통된 유전자나 단백질이 없더라도 조직의 구조적 패턴을 기반으로 정렬이 가능합니다.
   • 블록 좌표 하강법 (Block Coordinate Descent) 을 사용하여 결합 행렬 (Coupling matrix) 과 아핀 변환 행렬을 동시에 최적화합니다.

2. 2 단계: 비선형 정렬 (Nonlinear Alignment) - 신경장 (Neural Field) 기반

   • 아핀 정렬된 좌표를 기반으로, 국소적인 비선형 왜곡을 보정하기 위해 **신경 암시적 표현 (Neural Implicit Representations)**을 사용합니다.
   • 변형장 (Deformation Field): 다층 퍼셉트론 (MLP) 신경망을 사용하여 2D 좌표 입력에 대한 변위 벡터를 학습합니다.
   • 손실 함수 (Loss Function):
     • 일반화된 모달리티 독립 이웃 기술자 (Generalized MIND): 서로 다른 모달리티 (예: H&E 색상 vs 유전자 발현) 간의 유사성을 측정하기 위해 개발된 손실 함수입니다. 픽셀 주변의 이웃 구조 (패치) 의 차이를 기반으로 유사성을 평가하여, 직접적인 특징 매칭이 없어도 구조적 유사성을 포착합니다.
     • 정규화 (Regularization): 변형장의 야코비안 (Jacobian) 이 음수가 되지 않도록 하여 위상학적 보존을 보장하고, 변위 크기를 제한합니다.

3. 이중 스케일 정렬 전략 (Dual-Scale Strategy)
   MOSAICField 는 두 가지 정렬 목표를 구분하여 처리합니다.

   • 물리적 정렬 (Physical Alignment): 전체 슬라이스 (Global Scale) 에 적용하여 원래 조직의 3D 구조를 재구성합니다. 저해상도 전체 슬라이스 이미지에 적용하여 전역적 기하학적 일관성을 확보합니다.
   • 형태학적 정렬 (Morphological Alignment): 물리적 정렬이 완료된 후, 관심 영역 (ROI) 의 고해상도 (Full-resolution) 국소 영역에 적용합니다. 이는 관 (ducts) 이나 혈관처럼 절단면에 비수직으로 관통하는 복잡한 구조물의 형태와 경로를 정밀하게 추적합니다.

3. 주요 기여 (Key Contributions)

• 공통 특징이 없는 다중 모달리티 정렬: 기존 방법들이 공통 유전자 발현에 의존했던 것과 달리, MOSAICField 는 Gromov-Wasserstein OT 와 MIND 손실 함수를 활용하여 RNA, 단백질, H&E 이미지 등 완전히 다른 데이터 소스 간의 정렬을 가능하게 합니다.
• 물리적 vs 형태학적 정렬의 명시적 분리: 조직의 3D 재구성 (물리적) 과 특정 생물학적 구조물의 추적 (형태학적) 을 위한 별도의 정렬 전략을 도입하여, 비수직으로 관통하는 구조물의 정확한 매핑을 가능하게 했습니다.
• 신경장 기반의 유연한 비선형 보정: 딥러닝 기반의 변형장을 사용하여 복잡한 조직 왜곡을 효과적으로 보정하고, 고해상도에서 미세한 형태학적 변화를 포착합니다.

4. 실험 결과 (Results)

• 시뮬레이션 데이터 평가:

  • 물리적 정렬: 인위적으로 회전, 스케일링, 비선형 왜곡을 가한 마우스 배아 데이터에서 MOSAICField 는 기존 방법 (STalign, PASTE, SANTO, CAST) 보다 훨씬 낮은 등록 오차 (Registration Error) 와 높은 레이블 전이 ARI (LTARI) 를 보였습니다. 특히 공통 특징이 없는 모달리티 간 정렬에서 다른 방법들은 실패했으나 MOSAICField 는 성공했습니다.
  • 형태학적 정렬: 조직을 비수직으로 관통하는 관 (lumen) 구조를 추적하는 시뮬레이션에서, MOSAICField 는 관의 연속성을 가장 정확하게 추적하여 가장 높은 자카드 유사도 (Jaccard Similarity) 를 기록했습니다.

• 실제 데이터 평가 (HTAN 전립선암 샘플):

  • 데이터: 16 개의 연속 슬라이스 (10x Genomics Xenium 전사체학, CODEX 단백질 이미징, H&E 염색) 를 통합하여 3D 모델을 구축했습니다.
  • 물리적 정렬 성능: MOSAICField 는 인접 슬라이스 간의 자카드 유사도를 0.98~1.00 으로 극대화하여, 기존 방법들보다 우수한 공간적 일관성을 보였습니다. 또한, 정렬된 위치에서의 유전자 - 단백질 발현 상관관계 (Pearson Correlation) 를 기존 아핀 정렬 대비 1.8 배, 정렬되지 않은 데이터 대비 10 배 이상 향상시켰습니다.
  • 형태학적 정렬 성능: 전립선 관 (ductal) 시스템의 3D 구조를 추적한 결과, MOSAICField 는 수동 주석 (Manual annotation) 과 비교하여 다른 방법들보다 35%~100% 높은 정확도를 보였습니다. 특히 관의 수축, 확장, 비틀림 등 복잡한 형태 변화를 정밀하게 재현했습니다.
  • 기능적 관계 추론: 정렬된 데이터를 통해 서로 다른 모달리티 (예: CODEX 의 CD44 단백질과 Xenium 의 CD44 유전자) 간의 공간적 상관관계를 성공적으로 발견하여, 조직 미세환경 내 생물학적 상호작용 분석의 가능성을 입증했습니다.

5. 의의 및 결론 (Significance)

MOSAICField 는 공간 생물학 분야에서 다음과 같은 중요한 진전을 이룩했습니다:

1. 다중 모달리티 통합의 장벽 해소: 서로 다른 기술 플랫폼에서 생성된 데이터 (전사체, 프로테오믹스, 조직학) 를 통합하여 단일 3D 모델로 만드는 것을 가능하게 함으로써, 조직의 다차원적 특성을 종합적으로 이해할 수 있는 기반을 마련했습니다.
2. 정밀한 3D 조직 아틀라스 구축: 물리적 정렬을 통해 조직의 3D 구조를 정확하게 복원하고, 형태학적 정렬을 통해 혈관, 관, 종양 경계 등 중요한 생물학적 구조물의 3D 궤적을 추적할 수 있게 되었습니다. 이는 암 침습, 혈관 신생 (angiogenesis) 등 동적 생물학적 과정을 연구하는 데 필수적입니다.
3. 차세대 공간 분석 도구: 기존 방법론의 한계를 극복하고, 공통 특징이 없는 다양한 데이터 소스를 통합할 수 있는 새로운 패러다임을 제시하여, 향후 인간 종양 아틀라스 및 세포 아틀라스 구축 프로젝트에 핵심적인 도구로 활용될 것으로 기대됩니다.

이 연구는 단순히 슬라이스를 겹치는 것을 넘어, 조직의 복잡한 3D 구조와 다중 모달리티 정보를 통합하여 생물학적 통찰력을 극대화하는 새로운 표준을 제시합니다.