DenMark: A Bayesian Hierarchical Model for Identifying Cell-Density Correlated Genes from Spatial Transcriptomics

이 논문은 단일 세포 해상도 공간 전사체 데이터에서 국소 세포 밀도와 유전자 발현 간의 상관관계를 정량화하고 불확실성을 제공하며 확장 가능한 추론을 가능하게 하는 베이지안 계층 모델인 DenMark 를 제안합니다.

핵심

🏙️ 비유: "도시의 인구 밀도와 주민들의 행동"

생각해 보세요. 거대한 도시 (조직) 가 있다고 칩시다. 이 도시에는 수많은 사람 (세포) 들이 살고 있고, 각 사람은 특정한 습관이나 취미 (유전자 발현) 를 가지고 있습니다.

기존의 연구들은 주로 "어디에 어떤 사람이 모여 사는가?" (세포의 위치) 나 "누가 특별한 취미를 가지고 있는가?" (유전자가 어디서 많이 발현되는가) 에만 집중했습니다. 하지만 이 연구는 **"사람들이 빽빽하게 모여 있는 곳 (고밀도 지역) 과 한적한 곳 (저밀도 지역) 에서, 사람들의 행동이 어떻게 달라지는가?"**를 묻습니다.

예를 들어, "사람이 너무 많으면 스트레스를 받아 잠을 못 자는 유전자가 켜질까?" 혹은 "사람이 적으면 오히려 노래를 부르는 유전자가 활성화될까?"를 확인하는 것입니다.

🔍 덴마크 (DenMark) 가 하는 일

이 도구는 두 가지 중요한 질문을 동시에 던지며 답을 찾습니다.

1. 인구 밀도 (Cell Density): 특정 구역에 사람이 얼마나 빽빽하게 모여 있는가?
2. 행동 패턴 (Gene Expression): 그 구역에 사는 사람들이 어떤 유전자 (행동) 를 주로 사용하는가?

이 두 가지가 서로 **연관되어 있는지 (상관관계)**를 수학적으로 증명합니다.

🛠️ 어떻게 작동할까요? (3 단계 프로세스)

1 단계: 지도 그리기 (그리드화)
거대한 도시를 아주 작은 사각형 블록 (그리드) 으로 나눕니다. 각 블록마다 "사람이 몇 명 살았는지"와 "그 사람들이 평균적으로 어떤 행동을 했는지"를 기록합니다.

2 단계: 두 가지 패턴 분리하기 (비유: 공유된 음악과 개인적인 취향)
덴마크는 각 블록의 행동을 두 가지로 나눕니다.

• 공유된 패턴 (밀도 효과): "아, 사람이 많으니까 다들 똑같이 긴장해서 숨을 죽이고 있구나." (세포 밀도 때문에 생기는 공통 반응)
• 개인적인 패턴 (유전자 고유 효과): "사람이 많든 적든, 이 유전자는 원래 성격이 급해서 항상 뛰어다니고 있구나." (밀도와 상관없는 고유한 특성)

이렇게 나누면, **"정말 밀도 때문에 행동이 변한 건가?"**를 정확히 알 수 있습니다.

3 단계: 확신하기 (불확실성 측정)
통계학은 "100% 확실하다"라고 말하기 어렵습니다. 덴마크는 "이 유전자가 밀도와 관련 있을 확률이 95% 이상이다"라고 **확신 수준 (불확실성)**까지 함께 알려줍니다. 마치 날씨 예보에서 "비 올 확률 80%"라고 알려주는 것과 같습니다.

🧪 실제 적용 사례: 두 가지 이야기

이 연구팀은 덴마크를 실제로 두 가지 다른 상황에 적용해 보았습니다.

1. 쥐의 뇌 (MERFISH 데이터)

• 상황: 뇌의 별아교세포 (Astrocyte) 들이 모여 있는 곳.
• 발견: 뇌에서 세포들이 빽빽하게 모여 있을 때, 뇌 부종 (수분) 을 조절하는 유전자나 세포 이동을 돕는 유전자들이 더 활발하게 작동한다는 것을 발견했습니다. 마치 "사람이 많으면 소방서 (수분 조절) 가 더 바쁘게 움직이는 것"과 같습니다.

2. 유방암 (10x Xenium 데이터)

• 상황: 암세포와 면역세포가 싸우는 전장 (종양 미세환경).
• 발견: 흥미롭게도 암세포가 많은 곳과 면역세포 (T 세포) 가 많은 곳에서 유전자의 반응이 정반대였습니다.
  • 암세포가 밀집하면 "공격 모드" 유전자가 켜집니다.
  • 면역세포가 밀집하면 "방어 모드" 유전자가 켜집니다.
  • 마치 "적군이 많으면 우리 군대는 총을 쥘 준비를 하고, 아군이 많으면 휴식을 취하는" 것과 같은 **상호작용 (Antagonistic interplay)**을 발견한 것입니다.

💡 왜 이 연구가 중요한가요?

기존의 방법들은 "어디서 유전자가 많이 발현되나?" (공간적 변동성) 만 찾았습니다. 하지만 덴마크는 **"왜 그 유전자가 그곳에서 발현되었나?"**에 대한 답을 줍니다.

• 기존: "이 구역에 유전자 A 가 많이 나왔다."
• 덴마크: "이 구역에 세포가 빽빽하게 모여 있어서, 세포들이 서로 밀착되면서 유전자 A 가 켜진 것이다."

이처럼 세포의 밀도 (밀집도) 가 유전자의 운명을 어떻게 바꾸는지를 밝혀냄으로써, 암 치료나 뇌 질환 연구에 새로운 단서를 제공할 수 있습니다.

📝 한 줄 요약

**덴마크 (DenMark)**는 세포들이 얼마나 빽빽하게 모여 있는지를 측정하여, 그 밀도가 유전자의 행동에 어떤 영향을 미치는지 찾아내는 **정교한 '세포 밀도 탐정'**입니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 단일 세포 해상도의 공간 전사체학 (Spatial Transcriptomics, ST) 기술의 발전으로 세포의 정확한 위치 정보를 유지하면서 유전자 발현을 프로파일링할 수 있게 되었습니다. 이는 조직의 공간적 조직화와 분자 상태 간의 관계를 연구하는 데 필수적입니다.
• 핵심 문제: 세포 밀도 (Cell Density) 는 미세 환경에 따라 변하며, 세포 간 통신, 신호 분자 확산, 자원 경쟁 등을 통해 세포의 전사 프로그램 (Transcriptional Programs) 에 직접적인 영향을 미칩니다. 그러나 기존 통계적 방법론들은 주로 **공간적으로 변하는 유전자 (Spatially Variable Genes, SVG)**를 탐지하는 데 집중하거나, 세포 위치를 고정된 것으로 간주하고 공간 좌표에 조건부 유전자 발현을 모델링했습니다.
• 한계: 이러한 기존 방법들은 **국소 세포 밀도와 유전자 발현 간의 상관관계 (Density-Expression Correlation)**를 정량화하거나, 밀도 변화에 따른 전사적 반응을 명시적으로 모델링하지 못했습니다. 또한, 밀도 - 발현 관계에 대한 불확실성 (Uncertainty) 을 정량화하는 체계적인 프레임워크가 부재했습니다.

2. 방법론 (Methodology)

저자들은 **DenMark (Density-dependent Marked point process framework)**라는 새로운 통합 통계적 추론 프레임워크를 제안했습니다. 이는 단일 세포 해상도 ST 데이터에서 세포 위치와 유전자 발현을 동시에 모델링하여 밀도 - 발현 상관관계를 추정합니다.

• 모델 구조:

  • 마크 포인트 프로세스 (Marked Point Process): 세포의 공간적 분포 (점 패턴) 와 각 세포의 유전자 발현 (마크) 을 결합하여 모델링합니다.
  • 잠재 필드 분해 (Latent Field Decomposition): 공간적 변이를 두 가지 구성 요소로 분해합니다.
    1. 공유 공간 성분 (Shared Component): 국소 세포 밀도와 유전자 발현이 공유하는 공간적 구조 (밀도 의존적 효과).
    2. 유전자 특이적 성분 (Gene-specific Component): 세포 밀도로 설명되지 않는 유전자 고유의 공간적 패턴.
  • 수학적 형식화:
    • 세포 밀도 ($\lambda_1$) 와 유전자 발현 강도 ($\lambda_2$) 를 로그 스케일에서 가우시안 프로세스 (GP) 로 모델링합니다.
    • $\log(\lambda_1) = \beta_1 + a_{11}\omega_1$
    • $\log(\lambda_2) = \beta_2 + a_{21}\omega_1 + a_{22}\omega_2$
    • 여기서 $\omega_1$은 밀도와 발현을 공유하는 잠재 공간 필드, $\omega_2$는 유전자 특이적 필드이며, $a_{21}$은 밀도와 발현 간의 상관관계를 결정하는 핵심 파라미터입니다.

• 확장성 및 계산 효율성 (Scalability):

  • 고해상도 ST 데이터의 대규모 그리드에서 GP 추론의 계산 비용을 줄이기 위해 **힐베르트 공간 가우시안 프로세스 근사 (HSGP, Hilbert Space Gaussian Process Approximation)**를 활용합니다.
  • 이를 통해 저랭크 (Low-rank) 근사를 수행하여 계산 복잡도를 크게 낮추면서도 정확도를 유지합니다.

• 추론 및 검증:

  • 베이지안 계층 모델: MCMC (Markov Chain Monte Carlo) 를 사용하여 사후 분포를 추정합니다.
  • 모델 비교: 밀도 의존 항 ($a_{21}$) 을 포함하는 전체 모델과 포함하지 않는 베이스라인 모델 (독립 가정) 을 **WAIC (Watanabe-Akaike Information Criterion)**를 통해 비교하여 밀도 상관 유전자를 식별합니다.
  • 불확실성 정량화: 사후 분포를 통해 밀도 - 발현 상관 계수 ($\rho$) 에 대한 신뢰 구간을 제공합니다.

3. 주요 기여 (Key Contributions)

1. 새로운 통계적 프레임워크: 세포 밀도와 유전자 발현 간의 상관관계를 정량화하고 불확실성을 제공하는 최초의 통합 베이지안 계층 모델 (DenMark) 을 제안했습니다.
2. 해석 가능한 분해: 유전자 발현의 공간적 변이를 '밀도 구동 효과'와 '잔여 공간 구조'로 명확히 분리하여 생물학적 해석을 용이하게 했습니다.
3. 계산 효율성: HSGP 근사를 도입하여 대규모 단일 세포 ST 데이터 (수만 개의 세포) 에 대한 실용적인 추론을 가능하게 했습니다.
4. SVG 와 DCG 의 구분: 기존에 탐지되던 '공간적으로 변하는 유전자 (SVG)'와 새로운 개념인 '밀도 상관 유전자 (DCG, Density-Correlated Genes)'를 구분하여, 공간적 이질성이 반드시 밀도 변화와 연관된 것은 아님을 보여주었습니다.

4. 실험 결과 (Results)

• 시뮬레이션 연구:

  • DenMark 는 정확한 가우시안 프로세스 (Exact GP) 와 비교하여 HSGP 근사 시에도 매개변수 추정 정확도를 유지하면서도 계산 시간을 획기적으로 단축함을 입증했습니다.
  • 그리드 해상도와 HSGP 하이퍼파라미터 (기저 함수 개수, 경계 인자) 에 대한 민감도 분석을 통해 모델의 견고성 (Robustness) 을 확인했습니다.

• 마우스 뇌 데이터 (MERFISH 플랫폼):

  • 데이터: 78,329 개의 세포와 649 개의 유전자 (주로 별아교세포, Astrocytes 분석).
  • 검증: $Aqp4$, $Cxcl12$, $Cxcr4$ 등 알려진 밀도 관련 유전자들을 성공적으로 재발견했습니다.
  • 새로운 발견: $Gprc5b$, $Adcyap1r1$ 등 새로운 밀도 상관 유전자를 식별했습니다.
  • 생물학적 통찰: 식별된 DCG 들은 단백질 결합, 신경계 발달, 세포 표면 수용체 신호 전달 등 밀집된 별아교세포 영역과 관련된 생물학적 과정에 풍부하게 존재함이 확인되었습니다.
  • 비교: SPARK-X(기존 SVG 탐지 도구) 와의 비교에서 DCG 와 SVG 는 겹치는 부분이 적어 (약 20%), 서로 다른 생물학적 신호를 포착함을 보였습니다.

• 유방암 데이터 (10x Xenium 플랫폼):

  • 데이터: 인간 유방암 조직 (DCIS 및 침윤성 종양 영역, 면역 세포 포함).
  • 미세환경 분석: 종양 미세환경 (TME) 내 서로 다른 영역 (DCIS, 침윤성 종양, 면역 세포) 에서 밀도 상관 유전자 프로파일이 다르게 나타남을 발견했습니다.
  • 종양 - 면역 상호작용: 종양 세포 밀도가 증가할 때 발현이 증가하는 유전자들은 면역 세포 밀도가 증가할 때 감소하는 경향 (Antagonistic interplay) 을 보였습니다 (예: $CDH1$ vs $TRAC$).
  • 기능적 풍부화 분석: 침윤성 종양 영역의 DCG 들은 면역 및 골수 관련 과정 (대식세포 활성화, 염증 반응 등) 과 밀접하게 연관되어 있었습니다.

5. 의의 및 결론 (Significance)

• 생물학적 통찰력 증대: 조직의 물리적 구조 (세포 밀도) 가 분자적 상태 (유전자 발현) 에 어떻게 영향을 미치는지에 대한 인과적 메커니즘을 규명하는 강력한 도구를 제공합니다.
• 미세환경 연구: 특히 암 미세환경에서 종양 세포와 면역 세포 간의 역동적인 상호작용을 밀도 기반 관점에서 이해할 수 있게 하여, 새로운 치료 표적 발굴에 기여할 수 있습니다.
• 방법론적 발전: 공간 전사체학 데이터 분석에 있어 단순한 공간적 패턴 탐지를 넘어, 세포 밀도라는 핵심 생물학적 변수를 통합한 정량적 분석의 새로운 표준을 제시합니다.

요약하자면, DenMark는 공간 전사체학 데이터에서 세포 밀도와 유전자 발현 간의 복잡한 관계를 통계적으로 엄밀하게 규명하고, 이를 통해 새로운 생물학적 통찰을 도출할 수 있는 혁신적인 도구입니다.