SpotGraphs: Graph-based analysis of spatially resolved transcriptional data in R

이 논문은 R 환경에서 공간 전사체 데이터의 x,y 좌표를 직접적이고 유연하게 그래프 구조로 변환하여 분석할 수 있도록 하는 SpotGraphs 패키지를 소개하며, 기존 방법들의 한계를 보완하고 Python 의 SquidPy 와 유사한 성능을 입증합니다.

핵심

🏙️ 1. 배경: 왜 새로운 도구가 필요할까요?

우리가 세포 데이터를 분석할 때, 보통 세포들이 "어디에 (x, y 좌표)" 있는지만 대충 보고 분석합니다. 마치 도시 지도에서 "집 A 와 집 B 가 가깝다"고만 생각하고, 실제 도로가 어떻게 연결되어 있는지, 혹은 쓰레기 더미가 있는 곳은 어떻게 피해야 하는지까지 고려하지 않는 것과 비슷합니다.

기존 방법들은 "가까운 집끼리 묶자"라고만 했지만, 연구자들은 **"이 집들 사이의 연결 고리를 내가 직접 수정하고, 쓰레기 더미는 제외하고, 진짜 중심지는 어디인지 찾아내고 싶다"**고 원했습니다.

🛠️ 2. SpotGraphs 가 해결하는 세 가지 핵심 문제

이 프로그램은 세포들을 **'네트워크 (그래프)'**로 만들어서 분석합니다. 마치 도시의 집들을 도로로 연결한 지도를 그리는 것과 같습니다.

① 지도 그리기: "도로를 어떻게 연결할까?" (SpotGraph 함수)

세포들 사이에 도로 (연결선) 를 그릴 때 두 가지 방법을 제공합니다.

• 직선 거리 (유클리드 거리): "눈으로 봤을 때 가장 가까운 이웃"을 연결합니다. 세포들이 격자무늬 (육각형이나 사각형) 로 깔끔하게 배열된 경우 (예: 10X Visium 데이터) 에 가장 좋습니다.
• 삼각형 그리기 (델라노이 삼각분할): 세포들이 불규칙하게 흩어져 있을 때, 빈틈없이 삼각형 모양으로 연결합니다. 하지만 이때 너무 먼 곳까지 연결될 수 있으니, "너무 멀면 도로를 끊어라"라는 규칙을 추가했습니다.

비유: 격자무늬 아파트 단지에서는 가장 가까운 이웃과만 도로를 내고, 시골 마을처럼 흩어져 있는 곳에서는 빈 땅이 없도록 삼각형 모양으로 도로를 연결하되, 너무 멀리 떨어진 산 정상까지 도로를 뚫지는 않는 식입니다.

② 쓰레기 더미 제거: "저 집은 비어있어요" (Spot-level filtering)

종종 조직 샘플에 쓰레기나 파손된 부분이 섞여 들어옵니다. 기존 방법은 "세포 수가 적으면 버려라"라고 했지만, 때로는 세포 수는 있는데 조직이 없는 곳도 있습니다.
SpotGraphs 는 **"이 집은 이웃이 너무 적어서 고립되어 있네? 아마 쓰레기 더미 위일 거야"**라고 판단해줍니다.

• 비유: 도시 지도에서 주변에 다른 집이 하나도 없는 외딴 섬 같은 집을 찾아내서, 그 지역은 분석에서 제외하는 것입니다.

③ 중심과 가장자리 찾기: "시내 한복판 vs 시골 변두리"

• 중심 찾기: 특정 지역 (예: 종양) 의 가장 중심이 되는 곳을 찾아줍니다. 단순히 기하학적 중심이 아니라, "이곳이 가장 많은 이웃과 연결되어 있어 중심이다"라고 판단합니다.
• 가장자리 찾기: 조직의 가장 끝자락을 찾아줍니다. "이웃이 6 명인데, 이 집은 이웃이 5 명밖에 없네? 이 집은 변두리에 있구나"라고 알아냅니다.

비유: 종양이라는 도시의 **시청 (가장 중심)**을 찾고, 도시의 **국경선 (가장자리)**을 자동으로 그려주는 것입니다.

④ 진짜 거리 재기: "비행기 거리 vs 실제 도보 거리"

세포가 직선으로 멀지 않아도, 조직이 구부러져 있어 실제로는 매우 먼 곳일 수 있습니다.
SpotGraphs 는 도로 (연결선) 를 따라 걸어서 가는 거리를 계산해줍니다.

• 비유: 두 집이 지도상으로는 가깝지만, 사이에 강이 있어 다리가 끊겨 있다면 '비행기 거리'가 아닌 '다리를 우회해서 가는 실제 도보 거리'를 계산해 주는 것입니다.

🆚 3. 경쟁사 (SquidPy) 와 비교

이 프로그램은 파이썬 (Python) 으로 만든 유명한 도구인 'SquidPy'와 비교했습니다.

• 결과: 격자무늬 데이터에서는 완벽하게 같은 결과를 냈고, 불규칙한 데이터에서도 비슷하게 잘 작동했습니다.
• 주의할 점: '가장 가까운 이웃 (Nearest Neighbor)'만 찾는 방식은 조직의 가장자리에서 오류를 많이 일으켰습니다. (예: 변두리 집들을 서로 너무 가깝게 착각함). 따라서 SpotGraphs 는 직선 거리나 삼각형 연결 방식을 더 추천합니다.

🎁 4. 결론: 왜 이것이 중요한가요?

SpotGraphs 는 연구자들에게 **"세포 지도를 직접 그려보고, 수정하고, 분석할 수 있는 자유"**를 줍니다.

• 기존: "자동으로 분석해줘." (블랙박스)
• SpotGraphs: "이 도로를 끊고, 저 쓰레기 집을 빼고, 중심을 다시 찾아줘." (투명하고 유연한 제어)

이 도구를 통해 연구자들은 암 조직의 경계나 세포 간의 상호작용을 훨씬 더 정교하고 정확하게 이해할 수 있게 되었습니다. 마치 도시 계획가가 지도를 직접 수정하며 더 나은 도시를 설계하는 것과 같습니다.

기술 요약

제공된 논문 "SpotGraphs: Graph-based analysis of spatially resolved transcriptional data in R"에 대한 상세 기술 요약은 다음과 같습니다.

1. 연구 배경 및 문제 제기 (Problem)

• 현황: 현재 R 기반의 공간 전사체학 (Spatial Transcriptomics, ST) 분석 파이프라인은 주로 전처리 및 시각화에 초점을 맞추고 있습니다.
• 한계: 기존 방법들은 '공간 인식 (spatially aware)' 정규화, 클러스터링, 또는 공간 변이 유전자 식별 등을 통해 좌표를 간접적으로 활용하지만, 스팟 (spot) 간의 인접성을 정의하는 하위 그래프 (underlying graphs) 를 사용자가 직접 조정하거나 심층적으로 분석할 수 있는 유연성이 부족합니다.
• 필요성: 공간 데이터의 x, y 좌표를 기반으로 인접 행렬 (adjacency matrix) 을 구성하고, 이를 통해 그래프 기반 통계를 직접적으로 계산할 수 있는 R 환경 내의 포괄적인 도구가 필요했습니다.

2. 방법론 (Methodology)

저자들은 R 의 기존 igraph 인프라를 활용하여 공간 데이터를 그래프로 변환하고 분석하는 패키지 SpotGraphs를 개발했습니다. 주요 기능은 다음과 같습니다.

• 그래프 구성 (SpotGraph 함수):
  • 유클리드 거리 (Euclidean Distance): 스팟 간의 거리를 계산하여 최대 거리 ($d_{max}$) 이내인 스팟들을 인접한 것으로 간주합니다. 격자 (Grid) 형태 (육각형 또는 사각형) 로 배열된 데이터 (예: 10X Visium) 에 최적화되어 있습니다.
  • 델라네 삼각분할 (Delaunay Triangulation): interp 패키지를 활용하여 삼각분할을 수행한 후, 임계 거리 ($d_{max}$) 를 초과하는 에지를 제거하여 비격자형 데이터에 적합한 그래프를 생성합니다.
• 주요 분석 도구:
  • NeighborhoodCenters: 특정 이웃 (neighborhood) 내의 중심점을 찾기 위해 고유벡터 중심성 (Eigenvector centrality) 점수를 계산합니다.
  • Spot-level Filtering: 조직 파편이나 저품질 영역에 위치한 스팟을 식별하기 위해 그래프 연결도 (degree) 가 낮은 스팟을 필터링합니다.
  • Boundary Identification: 그래프의 연결도 (degree) 를 분석하여 조직의 경계에 위치한 스팟을 식별합니다 (예: 육각형 격자에서 최대 연결도 6 보다 적은 연결도를 가진 스팟).
  • Shortest Path Distance: 조직이 왜곡되어 유클리드 거리가 부정확한 경우, 그래프 상의 최단 경로 (igraph::distances) 를 통해 실제 조직 내 거리를 계산합니다.

3. 주요 기여 (Key Contributions)

• R 생태계 내 그래프 기반 분석 도구 제공: Python 의 SquidPy 패키지가 제공하는 기능과 유사한 기능을 R 환경에서 igraph를 통해 직접 구현하여, 사용자가 인접성 정의와 그래프 구조를 직접 제어할 수 있게 했습니다.
• 유연한 데이터 전처리 및 분석: 단순한 임계값 필터링을 넘어, 그래프 구조 기반의 저품질 스팟 제거, 이웃 중심점 및 경계 식별, 비유클리드 거리 계산 등 다양한 분석 시나리오를 지원합니다.
• Seurat 및 SpatialExperiment 호환성: 생성된 그래프 기반 통계를 사용자의 기존 Seurat 또는 SpatialExperiment 객체의 메타데이터로 저장하여 기존 워크플로우와 원활하게 통합됩니다.

4. 결과 (Results)

• 벤치마킹 (SquidPy vs. SpotGraphs):
  • Grid 기반 접근법: SpotGraphs 와 SquidPy 는 동일한 인접 행렬을 생성하여 정확도가 일치했습니다.
  • Delaunay 삼각분할: 두 도구 간에 매우 적은 차이만 발생했습니다 (특히 4 개의 스팟이 동일한 외접원에 놓이는 경우 등 기하학적 모호성에서 발생).
  • 최이웃 (Nearest-Neighbor, NN) 접근법: 두 도구 모두 조직 경계 (tissue boundaries) 에서 인접한 스팟보다 더 많은 이웃을 잘못 식별하는 경향을 보였습니다. 이는 조직 경계에서의 인접성 추정에 NN 방법이 부적합함을 시사합니다.
• 실제 적용 사례:
  • Mouse Kidney Coronal 샘플: 기존 정량적 지표 (Read count 등) 로는 구별하기 어렵던 조직 파편 위의 저품질 스팟을 그래프 연결도 (low degree) 를 통해 성공적으로 식별하고 제거했습니다.
  • 거리 측정: 조직의 물리적 왜곡이 있는 경우, 유클리드 거리 대신 그래프 최단 경로 거리를 사용하여 더 정확한 공간적 관계를 분석할 수 있음을 시연했습니다.

5. 의의 및 결론 (Significance)

• R 기반 공간 분석의 확장: SpotGraphs 는 R 사용자들에게 공간 데이터의 x, y 좌표를 직접 조작하고 igraph의 강력한 기능을 활용할 수 있는 유연한 프레임워크를 제공합니다.
• 분석의 정밀도 향상: 단순한 임계값 필터링을 넘어 그래프 구조를 기반으로 한 정교한 필터링과 분석을 가능하게 하여, 하류 분석 (downstream analysis) 의 신뢰성을 높입니다.
• 방법론적 권장 사항: 연구는 최이웃 (Nearest-Neighbor) 기반의 인접성 정의가 조직 경계에서 오류를 유발할 수 있으므로, 격자형 데이터에는 유클리드 거리나 델라네 삼각분할을, 비격자형 데이터에는 델라네 삼각분할을 사용하는 것을 권장합니다.
• 향후 전망: 10X Xenium, Slide-Seq, MERFISH 등 비격자형 플랫폼 데이터에 대한 벤치마킹은 아직 이루어지지 않았으나, 델라네 삼각분할이 이러한 데이터 유형에서도 효과적일 것으로 기대됩니다.

이 논문은 R 기반 공간 전사체학 분석의 한계를 극복하고, 그래프 이론을 직접 적용하여 더 정교하고 유연한 공간 분석을 가능하게 하는 중요한 도구인 SpotGraphs 패키지를 제안합니다.