Characterizing dynamic tissue architectures by identifying cell-type-specific spatiotemporal gene programs with stGP

기술 요약: stGP를 이용한 동적 조직 구조의 특성 규명

문제 정의
세포의 유전자 프로그램은 생물학적 시간의 흐름에 따라 조직 내에서 전개되며, 이때 동일한 세포 유형이라도 위치, 발달 단계 또는 국소적인 다세포 틈새(niche)에 따라 서로 다른 분자 프로그램을 활성화할 수 있다. 시공간적 전사체 분석(spatiotemporal transcriptomics)은 이러한 과정을 in situ에서 측정할 수 있게 해주지만, 이러한 데이터를 분석하는 데는 상당한 어려움이 따른다. 즉, 시간적 진행(예: 노화 또는 손상 회복), 조직 절편 내의 해부학적 구조, 그리고 국소적인 틈새 관련 변이가 정렬되지 않은 여러 조직 절편에 걸쳐 동시에 발생하기 때문이다. 기존 방법들은 유전자 프로그램의 활성이 시간적 변화, 공간적 구조, 또는 이들의 상호작용 중 무엇에 의해 유도되는지를 분리해내는 데 어려움을 겪는다. PCA, NMF, 그리고 SpatialPCA, Popari, MEFISTO와 같은 공간 인지 방법론들은 세포 유형별 프로그램 활성을 분리 가능한 시간적 궤적과 공간적 효과로 분해하면서도, 각 프로그램의 해석 가능한 분자 정체성(유전자 로딩)을 보존하는 통합된 프레임워크를 제공하지 못하는 경우가 많다.

방법론: stGP 프레임워크
이러한 과제를 해결하기 위해 저자들은 다중 샘플 시공간 전사체 연구를 위해 설계된 통계적 프레임워크인 **spatiotemporal Gene Programs (stGP)**를 제시한다. stGP는 특정 표적 세포 유형 내에서 작동하며, 유전자 발현을 소수의 잠재적 유전자 프로그램으로 모델링한다.

• 모델 구조: stGP는 샘플에 대한 발현 행렬 $Y$를 베이스라인 효과, 시공간 세포 임베딩 행렬 $H$, 그리고 유전자 로딩 행렬 $W$의 분해로 나타낸다.
  • 유전자 로딩 ($W$): 심플렉스(simplex) 상의 비음수 벡터로 정의되며, 이는 모든 샘플에 걸쳐 공유되는 해석 가능한 가중 유전자 집단을 나타낸다. 이를 통해 프로그램의 분자적 정체성이 일관되게 유지된다.
  • 세포 임베딩 ($H$): 특정 프로그램에 대한 각 세포의 활성은 두 가지 성분으로 분해된다:
    1. 시간적 효과 ($\alpha$): 특정 생물학적 연령/단계의 개체로부터 유래한 해당 세포 유형의 모든 세포가 공유하는 샘플 수준의 효과이다. 이는 시간적 공변량에 대해 스무딩(smoothing)된 가우시안 프로세스(GP) 사전 확률을 사용하여 모델링된다.
    2. 공간적 효과 ($b$): 조직 절편 내에서 변하는 세포 수준의 이질적 효과이다. 이는 절편 내 유클리드 거리에 대해 정의된 별도의 GP 사전 확률을 사용하여 모델링되며, 이를 통해 절면 간 정렬(registration) 없이도 국소적인 공간 변이를 허용한다.
• 추론: 모델은 블록 단위 백피팅(blockwise backfitting) 알고리즘을 사용하여 유전자 로딩, 세포 임베딩, 그리고 분산 성분(시간 대 공간의 상대적 기여도를 정량화함)을 추정한다. 이 알고리즘은 프로그램 활성, 심플렉스 상의 유전자 로딩, 그리고 최대 로그 가능도(marginal log-likelihood)를 통한 분산 성분 업데이트를 교대로 수행한다. 프로그램의 개수는 모델 선택 과정에서 자동으로 결정될 수 있다.
• 계산 효율성: stGP는 절편 내 공간 커널의 블록 대각 구조와 저계수(low-rank) 시간적 항을 활용함으로써, 표준 GP 역행렬 계산의 $O(N^3)$ 복잡도를 피하고 업데이트당 $O(\sum N_t^2 + T^3)$의 복잡도를 달성한다.

주요 결과
저자들은 포괄적인 시뮬레이션과 세 가지 실제 시공간 전사체 데이터셋을 통해 stGP를 평가하였다.

1. 시뮬레이션 연구: stGP는 잠재적 유전자 프로그램을 회복하고, 진정한 유전자를 탐지하며, 세포 임베딩을 재구성하는 데 있어 베이스라인 방법들(PCA, NMF, SpatialPCA, Popari, STAMP, MEFISTO)보다 우수한 성능을 보였다. 결정적으로, stGP는 순수하게 시간적 효과에 의해 구동되거나 순수하게 공간적 효과에 의해 구동되는 프로그램을 정확하게 회복할 수 있는 유일한 방법이었으며, 두 변동 원인을 정확하게 분리해냈다.
2. 인간 도란측 전전두엽 피질(DLPFC) 노화: 15~87세 기증자의 MERFISH 데이터에 적용된 stGP는 정렬되지 않은 절편들 사이에서 층별 흥분성 뉴런 구조를 베이스라인보다 더 정확하게 해결하였다. stGP는 안정적인 층 구조(L2/3, L4, L5/6)를 식별하는 동시에, 특정 전사 상태의 연령 의존적 감쇠를 밝혀냈다. 또한, stGP는 심부 백질의 공유 다세포 틈새(MCN2)와 관련된 올리고덴드로사이트 프로그램(stGP4)을 발견하였으며, 이를 통해 노화가 완전히 새로운 것을 생성하기보다는 기존 틈새의 활성과 배치를 재조정한다는 점을 보여주었다.
3. 마우스 뇌 노화: 마우스 뇌의 MERFISH 데이터셋에서 stGP는 MHC-I 항원 제시 및 인터페론 반응 유전자로 특징지어지는 후기 생애 미세아교세포 프로그램(stGP2)을 식별하였다. 이 프로그램은 연령에 따라 점진적으로 증가하였으며 백질 경로(뇌량 및 전교통)에서 공간적으로 풍부해지는 양상을 보였다. 분석 결과, 이러한 공간적 활성화는 일반적인 해부학적 영역 효과와 구별되는 국소적 T세포 이웃과 강력하게 결합되어 있음이 드러났다.
4. 마우스 신장 손상-회복: 양측성 허혈-재관류 손상 이후의 Xenium 시계열 데이터셋에 적용된 stGP는 양측 신장 복제본 전반에 걸쳐 재현 가능한 단계별 면역 및 상피 프로그램을 식별하였다. stGP는 급성 손상 반응을 이후의 염증-회복 전환 및 지속적인 면역-기질 재구축과 성공적으로 분리하였으며, 이러한 프로그램들을 특정 세포 이웃 및 손상 구역에 매핑하였다.

의의 및 주장
본 논문은 stGP가 시공간 전사체 데이터를 해석 가능한 시간적 궤적과 공간적으로 분해된 모델로 변환함으로써 동적 조직 구조를 해독하는 효과적이고 견고한 프레임워크를 제공한다고 주장한다. stGP의 주요 의의는 다음과 같다:

• 변동 분리: 공유된 시간적 반응과 안정적인 해부학적 구조 및 국소적 공간 재구축을 명시적으로 분리한다.
• 해석 가능성 보존: 샘플 간에 일관된 비음수 유전자 로딩을 유지하여, 프로그램이 명확한 분자 시그니처에 의해 정의될 수 있도록 한다.
• 맥락적 역동성 규명: 시간과 공간을 하나의 혼재된 요인으로 취급하는 방법들이 놓칠 수 있는 "노화 핫스팟"이나 "틈새 결합형" 상태를 식별함으로써, 세포 유형별 프로그램이 생물학적 시간과 공간적 미세 환경에 따라 어떻게 조정되는지 밝혀낸다.

저자들은 stGP를 분자 상태, 공간적 조직, 그리고 생물학적 시간이 밀접하게 얽혀 있는 생물학적 과정을 연구하기 위한 다재다능한 도구로 정의하며, 보존된 조직 구조와 동적인 재구축 사이의 통찰력을 제공한다.