Binary-SPA: A Reference-Free Method for Cell Annotation in High-Resolution Spatial Transcriptomics

이 논문은 외부 참조 데이터 없이도 고해상도 공간 전사체 데이터의 세포 유형을 정확하게 주석할 수 있는 새로운 계산 프레임워크인 Binary-SPA 를 개발하고 그 우수성을 입증했습니다.

핵심

🏥 배경: 병원에서 세포를 분류하는 일

생각해 보세요. 병원에서 환자의 조직을 현미경으로 보면 수많은 세포들이 빽빽하게 모여 있습니다. 이 세포들 중에는 암세포도 있고, 면역세포도 있고, 정상 세포도 섞여 있습니다. 과학자들은 이 세포들이 "누구인지" 알아내야 치료법을 결정할 수 있습니다.

지금까지 과학자들이 세포를 분류하는 데 사용했던 두 가지 방법은 다음과 같은 문제가 있었습니다:

1. 참고서 (Reference) 방식: "이 세포는 A 책에 나온 '간세포'와 비슷해!"라고 비교하는 방법입니다.
   • 문제점: 만약 A 책 (참고 데이터) 이 없거나, 환자의 세포가 너무 변형되어 A 책과 달라보이면 분류를 못 합니다. 마치 외국어 사전이 없으면 외국어를 번역할 수 없는 것과 같습니다.
2. 특징 (Marker) 방식: "이 세포는 'CD3'라는 이름표를 달고 있으니 T 세포야!"라고 보는 방법입니다.
   • 문제점: 이름표가 하나만 달린 세포는 쉽게 찾지만, 이름표가 여러 개 섞여 있거나 이름표가 희미하게만 보이는 세포는 놓치기 쉽습니다. 마치 "빨간 모자를 쓴 사람"만 찾는다면, 빨간 모자를 안 쓴 사람은 찾을 수 없는 것과 같습니다.

---

🚀 Binary-SPA 의 등장: "스스로를 믿는 똑똑한 분류기"

Binary-SPA 는 이 두 가지 방법의 단점을 모두 해결한 새로운 2 단계 전략을 사용합니다.

1 단계: "확실한 친구들 찾기" (Binary 단계)

• 비유: 파티에 모인 사람들 중에서 명확하게 알아볼 수 있는 사람들만 먼저 골라냅니다.
  • 예를 들어, "빨간 모자를 쓴 사람", "초록색 안경을 쓴 사람"처럼 확실한 특징을 가진 사람만 "나는 A 군이야!"라고 자신 있게 말합니다.
• 원리: 과학자들이 미리 정해둔 '핵심 특징 (마커 유전자)'을 보고, 그 특징이 뚜렷하게 보이는 세포들만 100% 확신하며 분류합니다. 이때는 이름표의 '밝기'보다는 '있음/없음'만 봅니다. (예: 모자가 조금 흐릿해도 빨간색이면 '있음'으로 처리)

2 단계: "친구들을 통해 나머지 찾기" (SPA 단계)

• 비유: 1 단계에서 확실하게 분류된 'A 군'들이 **스승 (Reference)**이 됩니다. 이제 나머지 "누구인지 모호한 사람들"은 이 'A 군'들을 옆에 두고 비교합니다.
  • "저 사람, A 군과 옷차림이 비슷하네? 그럼 너도 A 군이구나!"라고 추측합니다.
• 원리: 이미 분류된 확실한 세포들을 '내부 참고 자료'로 삼아, 나머지 세포들을 분류합니다. 외부에서 가져온 참고서 (다른 환자의 데이터) 가 필요 없습니다. 같은 조직 안의 세포들이니까 서로의 특징을 가장 잘 이해할 수 있기 때문입니다.

---

🌟 왜 이것이 획기적인가요?

이 논문은 Binary-SPA 가 기존 방법들보다 얼마나 뛰어난지 여러 실험으로 증명했습니다.

1. 100% 분류 성공률:
   • 기존 방법은 분류하지 못하는 세포들이 10~20% 정도 남았습니다. 하지만 Binary-SPA 는 **모든 세포 (100%)**를 분류했습니다. 마치 "모든 학생의 이름을 다 외웠다"는 것과 같습니다.
2. 참고서 없이도 최고 성능:
   • 보통은 "같은 종류의 건강한 사람 데이터"가 있어야 정확한 분류가 가능했습니다. 하지만 Binary-SPA 는 그런 외부 데이터가 없어도 (예: 오래된 병원의 보관된 조직, 희귀한 암 조직) 스스로 분류해서 정확도가 오히려 더 높았습니다.
3. 단단한 뼈 (골수) 도 잘 분류:
   • 골수 조직은 세포들이 섞여 있고 RNA 가 쉽게 망가져서 분류가 매우 어렵습니다. 하지만 Binary-SPA 는 골수 조직에서도 질병의 진행 단계 (정상 → 전암 → 암) 를 정확히 구분해냈습니다.
4. 단백질 검사 (COMET) 와 일치:
   • 가장 정확한 검사인 '단백질 검사' 결과와 비교해 보니, Binary-SPA 의 분류 결과가 97% 이상 일치했습니다. 이는 "컴퓨터가 본 세포가 실제로 단백질 검사로 확인된 세포와 거의 똑같다"는 뜻입니다.

---

💡 결론: 왜 이 기술이 중요할까요?

Binary-SPA 는 **"외부의 도움 없이도, 스스로의 판단으로 모든 세포를 정확히 분류하는 스마트한 도구"**입니다.

• 연구자들에게: 더 이상 완벽한 참고 데이터를 구하느라 시간을 낭비할 필요가 없습니다.
• 의사들에게: 오래된 병원의 보관된 조직 (파라핀 조직) 에서도 정확한 진단을 내릴 수 있어, 과거의 환자 기록을 다시 분석하여 새로운 치료법을 찾을 수 있게 됩니다.

마치 스마트폰의 얼굴 인식 기술이 처음에는 특정 사진 (참고 데이터) 이 필요했지만, 이제는 스스로 학습하여 누구든 정확히 인식하는 것처럼, Binary-SPA 는 공간 전사체학 분석을 더 쉽고, 빠르고, 정확하게 만들어주는 혁신적인 기술입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

고해상도 공간 전사체학 (Spatial Transcriptomics, ST) 기술은 세포 간 상호작용과 기능적 니치를 공간적 맥락에서 규명하는 데 혁신적인 도구가 되었습니다. 그러나 이러한 분석의 핵심인 **정확한 세포 유형 주석 (Cell Annotation)**은 여전히 주요 병목 현상으로 남아 있습니다.

기존의 주석 방법론들은 다음과 같은 한계를 가지고 있습니다:

• 레이블 전이 (Label Transfer) 기반 방법: 단일 세포 RNA 시퀀싱 (scRNA-seq) 참조 데이터셋을 기반으로 합니다. 이는 참조 데이터가 존재할 때만 높은 정확도를 보이지만, 참조 데이터가 없거나 (예: 임상 보관 샘플), 질병으로 인해 전사체 프로파일이 크게 변한 경우 (예: 암 조직) 성능이 급격히 저하됩니다. 또한, 참조 데이터 자체의 오류가 하위 분석으로 전파될 위험이 있습니다.
• 마커 기반 (Marker-based) 방법: 사전 정의된 마커 유전자의 발현을 기반으로 합니다. 그러나 단일 마커의 발현 강도에 의존하거나, 불완전한 마커 세트의 경우 주석覆盖率 (Coverage) 가 낮아 많은 세포를 주석하지 못하거나 (NA 처리), 희귀 세포 유형을 놓치는 문제가 있습니다. 또한, 클러스터링 기반 접근법은 전사체적 유사성에 기반하므로, 전통적인 마커 기반 세포 분류와 불일치를 일으키기 쉽습니다.

2. 제안된 방법론: Binary-SPA (Methodology)

저자들은 **Binary-SPA (Binary Self-referenced Projection Annotation)**라는 새로운 계산 프레임워크를 개발했습니다. 이 방법은 외부 참조 데이터 없이도 100% 주석覆盖率를 달성하면서도 높은 정확도를 유지합니다. 프로세스는 두 단계로 구성됩니다.

1 단계: 이진 분류 (Binary Step)

• 마커 정의: 사용자가 정의한 세포 유형별 마커 유전자 매트릭스를 생성합니다 (세포 유형별 마커 발현은 1, 나머지는 0).
• 플랫폼 적응: 분석 대상 공간 전사체 데이터 (예: Xenium, Visium) 에 존재하는 유전자와 마커 매트릭스를 교차 (Intersection) 하여 플랫폼별 호환성을 확보합니다.
• 이진화 (Binarization): 세포별 유전자 발현 데이터를 이진화합니다. 감지 가능한 발현은 1, 감지 불가능한 발현은 0 으로 처리합니다. 이는 발현량의 절대적 크기가 아닌, **다중 마커의 존재 여부 (ON/OFF)**에 초점을 맞추어 고전적인 면역형광/유세포 분석 논리를 모방합니다.
• 세포 유형 점수 (CTS) 계산: 이진화된 발현 매트릭스와 마커 매트릭스를 행렬 곱하여 각 세포가 각 세포 유형에 대해 갖는 점수 (CTS) 를 계산합니다.
• 정규화 및 ΔCTS 산출: CTS 를 세포 유형별로 정규화 (Min-Max scaling) 하고, 가장 높은 점수와 두 번째로 높은 점수의 차이인 **ΔCTS (Delta CTS)**를 계산합니다.
• 고신뢰도 세포 (Clear Cells) 식별: ΔCTS 가 임계값 (예: 0.15) 이상인 세포는 마커에 기반하여 높은 확신으로 주석된 'Clear Cells'로 분류됩니다.

2 단계: 자기 참조 투영 주석 (Self-referenced Projection Annotation, SPA)

• 내부 참조 생성: 1 단계에서 식별된 'Clear Cells'를 내부 참조 데이터셋 (Reference) 으로 사용합니다.
• 레이블 전이: 나머지 'Unclear Cells' (ΔCTS 가 임계값 미만인 세포) 를 쿼리 (Query) 데이터로 설정하고, Seurat 의 MapQuery 기능을 사용하여 Clear Cells 에서의 주석을 전이합니다.
• 장점: 모든 세포가 동일한 샘플에서 유래했으므로 배치 효과 (Batch Effect) 가 최소화되고, 외부 참조 데이터의 불일치 (Domain Shift) 문제가 해결되어 정확한 주석이 가능합니다.

3. 주요 기여 (Key Contributions)

1. 참조 데이터 불필요 (Reference-Free): 외부 scRNA-seq 데이터셋이 없어도 작동하며, 임상 보관 샘플 (FFPE 등) 과 같은 참조 데이터가 부족한 환경에서도 적용 가능합니다.
2. 100% 주석覆盖率: 기존 방법들이 주석하지 못했던 애매한 세포들까지 2 단계 프로세스를 통해 모두 주석하여覆盖率를 100% 로 달성했습니다.
3. 이진화 및 ΔCTS 전략: 발현량 강도 대신 마커의 '존재 여부'와 '다중 마커 조합'을 강조하여, RNA 와 단백질 발현 간의 불일치 및 단일 세포 수준의 전사체적 변동성 (Stochasticity) 을 효과적으로 처리합니다.
4. 플랫폼 및 샘플 유형 간범용성: Xenium, Visium HD 등 다양한 플랫폼과 Fresh-frozen, FFPE, 골수 생검 등 다양한 샘플 유형에서 일관된 성능을 입증했습니다.

4. 주요 결과 (Results)

• 다양한 암 조직 (COAD, HCC, OV) 검증:
  • Binary-SPA 는 CODEX 단백질 이미징 (Ground Truth) 과 비교했을 때, 기존 5 개 방법의 컨센서스 (Voting-based) 나 단일 scRNA-seq 참조 기반 방법들보다 높은 정확도를 보였습니다.
  • 특히, COAD 데이터에서 CODEX 와의 상관관계 (Pearson r) 가 Voting 방법 (0.85) 보다 Binary-SPA (0.87) 에서 유의하게 높았습니다.
  • 100% 의 세포를 주석했으며, 기존 Voting 방법 (약 90% 커버리지) 이 주석하지 못했던 세포들을 성공적으로 식별했습니다.
• 다양한 플랫폼 및 보존 방법 적용:
  • FFPE 와 Fresh-frozen 조직, 그리고 Xenium 과 Visium HD 플랫폼 간에서도 성능이 유지되었습니다.
  • 기존 Voting 방법은 FFPE 샘플에서 약 20% 의 세포를 주석하지 못했으나, Binary-SPA 는 100% 커버리지를 달성했습니다.
• 골수 생검 (Bone Marrow Biopsy) 적용:
  • 골수는 세포 유형이 연속적 (Continuum) 이고 RNA 분해가 심한 (탈회 과정 등) 까다로운 조직입니다.
  • Binary-SPA 는 정상, MGUS, SM, 다발성 골수종 (MM) 단계별 혈장세포 (Plasma Cell) 의 점진적 증가를 정확히 포착하여 임상적 진전과 높은 상관관계 (r=0.894) 를 보였습니다. 반면, 기존 참조 기반 방법 (SingleR) 은 질병 진행에 따른 변화를 놓쳤습니다.
  • 임상 보관 샘플 (Clot Biopsy) 검증: 탈회 과정을 거치지 않은 임상 클로트 생검 샘플에서 Binary-SPA 는 Lunaphore COMET 단백질 이미징과 0.968 의 높은 상관관계를 보이며, 참조 기반 방법들이 실패한 환경에서도 정밀한 주석이 가능함을 입증했습니다.

5. 의의 및 결론 (Significance)

Binary-SPA 는 고해상도 공간 전사체학 분석의 핵심 병목 현상인 '세포 주석' 문제를 해결하는 강력한 솔루션입니다.

• 임상적 활용성: 외부 참조 데이터가 부재하거나 샘플 품질이 낮은 임상 보관 조직 (FFPE, 골수 생검 등) 에서도 신뢰할 수 있는 분석을 가능하게 하여, 정밀 의학 및 임상 연구로의 전환을 가속화합니다.
• 해석 가능성: 클러스터링 기반이 아닌, 개별 세포 단위의 마커 기반 주석을 수행하여 전통적인 세포 분류 체계와 일치하는 직관적인 결과를 제공합니다.
• 확장성: 다양한 플랫폼과 조직 유형에 적용 가능하며, 사용자 정의 마커 세트를 통해 연구 목적에 유연하게 대응할 수 있습니다.

결론적으로, Binary-SPA 는 외부 참조에 의존하지 않으면서도 참조 기반 방법과 동등하거나 더 나은 정확도를 제공하는 강건하고 범용적인 세포 주석 프레임워크로서, 공간 전사체학 연구 및 임상 적용의 새로운 표준을 제시합니다.