Spaceland: Histology-Guided Reconstruction of High-Resolution Whole-Organ 3D Molecular Atlases from Sparse Spatial Transcriptomics

거대한, 북적이는 도시를 단 몇 장의 흐릿하고 흩어진 스냅샷만으로 이해하려고 노력한다고 상상해 보십시오. 여기서는 공원을 보고 저기서는 마천루를 볼 수 있겠지만, 구불구불한 거리와 숨겨진 골목길, 그리고 이웃들이 실제로 어떻게 연결되어 있는지는 놓치게 될 것입니다. 이것이 과학자들이 살아있는 장기의 내부를 지도화할 때 직면하는 과제입니다. 그들은 "공간 전사체학(spatial transcriptomics)"이라는 기술을 사용하는데, 이는 조직 내부의 특정 유전자가 어디에서 활성화되는지 사진을 찍는 고성능 카메라와 같습니다. 하지만 이 사진을 찍는 것은 느리고 비용이 많이 들며, 종종 장기를 얇은 조각으로 잘라내야 합니다. 만약 몇 개의 조각만 찍는다면, 마치 단 세 장의 사진만으로 도시 전체의 레이아웃을 추측하려는 것처럼 지도에 거대한 공백이 생기게 됩니다. 이 빈 공간을 채우기 위해 과학자들은 보통 가지고 있는 사진을 바탕으로 빈 공간에 무엇이 있을지 추측하지만, 이는 종종 도시 레이아웃의 미세한 디테일을 놓치는 흐릿하고 부정확한 추측으로 이어집니다.

이제, 훨씬 더 빠르고 완벽한 고해도 사진으로 도시의 거리와 건물을 찍을 수 있지만, 특정 유전자 활동은 볼 수 없는 두 번째 카메라가 있다고 상상해 보십시오. 만약 당신이 몇 개의 유전자 스냅샷과 끝없이 이어지는 거리 사진을 결합하여 완전한 3D 가상 모델을 만들 수 있다면 어떨까요? 그것이 바로 Spaceland라는 새로운 도구가 하는 일입니다. 시아먼 대학교와 상하이 교통 대학교 연구진이 개발한 Spacledand는 "거리 지도"(조직학 이미지)를 사용하여 "유전자 지도"(전사체학)의 재구성을 안내하는 영리한 컴퓨터 프로그램입니다. Spaceland는 유전자 조각 사이의 빈 공간을 단순히 추측하는 대신, 그 사이의 상세한 조직 구조를 살펴봄으로써 유전자가 정확히 어디에 있어야 하는지를 파악합니다. 이 도구는 희소하고 단편적인 데이터의 집합을 전체 장기의 매끄럽고 고해상도인 3D 영화로 탈바꿈시켜, 이전에는 볼 수 없었던 유전자가 어떻게 조직되어 있는지 보여줍니다.

문제점: 장기 지도에서의 "잃어버린 연결 고리"

과학자들은 오랫동안 모든 세포와 모든 유전자를 3D로 보여주는 디지털 트윈인 "가상 장기"를 구축하기를 원해 왔습니다. 이는 질병이 어떻게 퍼지는지, 장기가 어떻게 성장하는지, 그리고 약물이 어떻게 작으로 하는지를 이해하는 데 도움이 될 것입니다. 문제는 현재의 3D 유전자 매핑 기술이 숲의 나무 몇 그루만을 보고 상세한 숲 지도를 그리려는 것과 같다는 점입니다. 당신이 서 있는 바로 옆의 나무들은 볼 수 있지만, 그 사이의 숲은 여전히 미스터리로 남습니다.

연구자들이 유전자 측정을 위해 장기를 자를 때, 시간과 비용을 아끼기 위해 섹션을 건너뛰는 경우가 많습니다. 이는 거대한 공백을 남깁니다. 기존의 컴퓨터 프로그램은 한 섹션의 유전자 데이터를 다음 섹션으로 단순히 늘려서 이 공백을 채우려고 시도합니다. 하지만 유전자는 단순히 진공 상태에서 떠다니는 것이 아니라 조직의 물리적 형태와 결합되어 있습니다. 조직의 형태를 고려하지 않고 유전자 지도를 늘리면 현실과 맞지 않는 흐릿한 덩어리가 됩니다. 이는 마치 벽을 전혀 보지 못한 채 옆방의 평면도만 보고 숨겨진 방의 모양을 추측하려는 것과 같습니다.

해결책: Spaceland의 "형태학적 가이드"

Spaceland이 등장했습니다. 연구진은 유전자 데이터는 희소하지만, 조직 자체는 밀도가 높다는 점을 깨달았습니다. 유전자 측정을 할 때마다 그들은 표준 H&E 염색(조직 구조를 촬영하는 흔하고 저렴하며 빠른 방법)을 함께 수행했습니다. 이 H&E 사진들은 장기의 연속적이고 고해상도인 로드맵 역할을 합니다.

Spaceland은 마치 퍼즐을 푸는 탐정처럼 두 가지 주요 단계로 작동합니다:

1. 골격 구축: 먼저, 프로그램은 모든 H&H 사진을 가져와서 하나의 연속적인 3D 골격으로 꿰맵니다. 설령 일부 H&H 사진이 누락되거나 조직이 손상되었더라도, Spaceland은 "광학 흐름(optical flow)"이라는 기술을 사용하여 누락된 부분이 어떻게 보일지 상상하고, 주변 구조를 바탕으로 매끄럽고 논리적인 추측을 통해 빈 공간을 채웁니다. 이것은 마치 디지털 조각가가 두 개의 알려진 형상 사이의 빈 점토를 채우는 것과 같습니다.
2. 유전자 채색: 다음으로, 프로그램은 희소한 유전자 데이터(몇 개의 스냅샷)를 가져와 이 3D 골격 위에 "채색"합니다. 이 프로그램은 "다중 인스턴스 학습(multiple instance learning)"이라는 스마트한 학습 방법을 사용합니다. 전체적으로 흐릿한 지점을 통째로 추측하는 대신, 그 지점을 훨씬 작은 8마이크로미터 단위의 조각들로 나눕니다. 프로그램은 각 조각의 미세한 조직 구조가 더 큰 지점의 유전자 활동과 어떻게 연관되는지를 학습합니다. 일단 이 패턴을 학습하면, 유전자 데이터가 전혀 수집되지 않은 영역을 포함하여 3D 골격의 모든 개별 조각에 대한 유전자 활동을 예측할 수 있습니다.

발견 내용: 흐릿함에서 결정처럼 투명하게

연구팀은 Spaceland이 정말 효과가 있는지 확인하기 위해 세 가지 매우 다른 시나리오에서 테스트를 진행했습니다.

1. 생쥐 후각 구 (냄새 중심지)
그들은 생쥐의 냄제 중심지인, 작지만 복잡한 부분에서 시작했습니다. 이들은 유전자 데이터가 단 8개의 섹션에만 있는, 최대 400μm의 거대한 간격이 있는 데이터를 가졌습니다.

• 결과: Spaceland은 그 거대한 간격들을 성공적으로 채웠습니다. 단순히 데이터를 흐리게 만든 것이 아니라, 테스트를 위해 숨겨두었던 고해상도 "그라운드 트루스(ground truth)" 데이터와 완벽하게 일치하는 날카롭고 상세한 유전자 활동 층을 복원해 냈습니다.
• 비교: 다른 방법들은 간격을 추측하려 했으나 의미 없는 파편화된 줄무늬 패턴을 만들어냈지만, 조직 구조의 안내를 받은 Spaceland은 실제 장기와 똑같이 보이는 매끄럽고 연속적인 층을 만들어냈습니다. 또한 H&E 사진 사이의 간격을 160–320μm로 늘렸을 때도 잘 작동하여, 모든 섹션의 사진이 없어도 작동함을 보여주었습니다.

2. 생쥐 헤미브레인 (거대 뇌)
다음으로, 그들은 훨씬 더 크고 복잡한 전체 생쥐 뇌로 규모를 키웠습니다. 그들은 62개 섹션과 약 100μm 너비의 유전자 스폿을 가진 공개 데이터셋을 사용했습니다.

• 결과: Spaceland은 전체 뇌의 유전자 지도를 재구성하는 데 성공했습니다. 해마(hippocampus)와 치아이랑(dentate gyrus) 같은 특정 뇌 영역을 이전 방법들보다 훨씬 더 정밀하게 식별했습니다.
• 속도: 정확도가 높을 뿐만 아니라 속도도 빨랐습니다. Spaceland은 전체 뇌를 처리하는 데 약 3.7시간이 걸린 반면, 다른 방법들은 16시간에서 33시간이 걸렸습니다. 이는 Spaceland이 컴퓨터를 다운시키지 않고도 크고 복잡한 장기를 처리할 수 있음을 증명합니다.

3. 플라나리아 (재생하는 벌레)
마지막으로, 그들은 몸을 반으로 자르면 전체 몸을 재생하는 것으로 유명한 작은 벌레인 플라나리아를 관찰했습니다. 그들은 절단된 순간부터 7일 후까지의 6가지 서로 다른 시점에서 재생 과정을 연구했습니다.

• 결과: Spaceland은 시점당 단 4개의 유전자 섹션만으로, 벌레가 스스로를 치유하는 4D 모델(3D 공간 + 시간)을 구축했습니다.
• 발견: 이를 통해 그들은 줄기세포(neoblasts)와 신경세포가 몸을 재건하는 동안 어떻게 이동하고 상호작작용하는지를 3D로 관찰할 수 있었습니다. 그들은 줄기세포와 신경이 단순히 무작위로 섞이는 것이 아니라, 상처 근처에서 특정 방식으로 조정되어 재편성된다는 것을 발견했는데, 이는 희소한 데이터만으로는 불가능했을 상세한 디테일입니다.

이것이 왜 중요한가

Spaceland은 완벽한 3D 지도를 얻기 위해 장기의 모든 섹션에 대해 비싸고 시간이 많이 드는 유전자 측정을 할 필요가 없음을 시사합니다. 저렴하고 구하기 쉬운 조직 사진을 가이드로 사용함으로써, 우리는 매우 희소한 데이터로부터 고해상도의 분자 경관을 재구성할 수 있습니다.

이 논문은 이러한 접근 방식이 다양한 종(생쥐와 벌레), 다양한 장기 크기(작은 후각 구와 전체 뇌), 그리고 재생과 같은 역동적인 과정 전반에 걸쳐 작동함을 보여줍니다. 이는 미래의 장기 매핑이 더 많은 사진을 찍는 것이 아니라, 우리가 이미 가지고 있는 사진을 얼마나 더 똑똑하게 사용하는지에 달려 있음을 시사합니다. 정확도는 유전자마다 다를 수 있지만(명확한 조직 패턴을 따르는 유전자에서 가장 잘 작동함), Spaceland은 "가상 장기"를 구축하기 위한 확장 가능하고 실용적인 경로를 제공합니다. 이는 질병과 발달을 연구하는 방식을 혁신할 수 있습니다. Spaceland은 "잃어버린 연결 고리" 문제를 해결 가능한 퍼즐로 바꾸며, 생명의 구조 자체를 길잡이로 삼아 그 길을 찾아냅니다.