GPSNorm: Gaussian Process Spatial Normalization for Spatial Transcriptomics

기술 요약: GPSNorm: 공간 전사체학을 위한 가우시안 프로세스 공간 정규화

문제 정의

10x Genomics Visium 및 NanoString GeoMx와 같은 공간 전사체학(Spatial Transcriptomics, ST) 기술은 조직 구조를 보존하면서 게놈 전체의 유전자 발현 측정을 가능하게 한다. 그러나 ST 데이터는 라이브러리 크기 차이, 슬라이드 수준의 배치 효과, 공간적 아티팩트(예: 염색 변이 또는 조직 두께)를 포함한 기술적 가변성에 의해 크게 혼란(confounded)된다. 벌크(bulk) 또는 단일 세포 RNA 시퀀싱과 달리, ST에서의 이러한 기술적 구성 요소들은 종종 공간적으로 구조화되어 있어, 생물학적으로 의미 있는 공간 신호와 구별하기 어렵다.

현재의 정규화 접근 방식은 일반적으로 정규화를 순차적인 전처리 단계로 취급한다. 즉, 카운트(counts)를 전역적 또는 공간 정보가 반영된 스케일링 인자를 사용하여 조정하고, 이후의 분석(예: 차등 발현 분석)은 이러한 조정된 값을 고정된 입력값으로 사용하여 수행한다. 이러한 2단계 워크플로우는 정규화 과정에서 발생하는 불확실성을 무시한다. 기술적 성분과 생물학적 성분이 부분적으로 분리 가능한 경우, 정규화된 값을 고정된 것으로 취급하면 효과 크기(effect size) 추정치가 편향되고 후속 통계 분석에서 과도하게 낙관적인(anti-conservative) 추론을 초래할 수 있다.

방법론: GPSNorm 프레임워크

저자들은 GPSNorm(Gaussian Process Spatial Normalization)을 제안한다. 이는 통합 모델 내에서 기술적 변이, 공간 구조, 그리고 생물학적 신호를 공동으로 추정하는 베이지안 계층 모델링 프레임워크이다.

1. 계층 모델 명세:

• 데이터 모델: 유전자 $g$와 공간 단위 $i$에 대한 관측된 전사체 카운트($y_{gi}$)는 로그 링크 함수를 가진 음이항 분포(Negative Binomial distribution)를 사용하여 모델링된다.
• 선형 예측자(Linear Predictor): 로그 평균은 다음과 같이 분해된다:
  • 오프셋(Offset): 알려진 라이브acy 크기/시퀀싱 깊이($L_i$).
  • 생물학적 효과: 유전자별 기저치($\alpha_g$) 및 관심 공변량(예: 질병 상태)에 대한 회귀 계수($\beta_g$).
  • 기술적 효과: 슬라이드 수준의 효과($\gamma_s$) 및 슬라이드 특이적 공간 효과($f_{i,s}$).
• 대조 유전자(Control Genes): 모델은 음성 대조 유전자(NEG)와 하우스키핑 유전자(HK)를 활용한다. 음성 대조 유전자의 경우, 유전자별 생물학적 파라미터가 0으로 제한되어, 생물학적 신호의 간섭 없이 공유된 기술적 변이와 분산을 추정하는 앵커 역할을 할 수 있게 한다.

2. 공간 모델링:

• 각 슬라이드 내의 공간 의존성은 내재적 조건부 자기회귀(Intrinsic Conditional Autoregressive, ICAR) 사전 분포를 사용하여 모델링된다. 이는 확률적 편미분 방정식(SPDE) 연결을 통해 매끄러운 가우시안 프로세스의 희소한 이산 근사치 역할을 한다.
• 공간장은 공간 단위의 이웃 구조로부터 유도된 그래프 라플라시안(graph Laplacian)에 의해 정의되는 가우시안 마르코프 랜덤 필드(GMRF)로 표현된다. 이는 조밀한 가우시안 프로세스 공분산 행렬과 비교하여 계산 확장성을 보장한다.

3. 추론:

• 이 모델은 잠재 가우시안 모델(Latent Gaussian Models, LGMs) 클래스에 속한다.
• 효율적인 근사 베이지안 추론을 위해 **통합 네스티 라플라스 근사(Integrated Nested Laplace Approximation, INLA)**가 사용된다. INLA는 ICAR 사전 분포의 희소 정밀도 행렬 구조를 활용하고 하이퍼파라미터에 대해 결정론적 적분을 수행함으로써 MCMC(Markov Chain Monte Carlo)의 계산 비용을 피한다.
• 불확실성 전파: 2단계 방식과 달리, GPSNorm은 차등 발현 파라미터($\beta$)를 추정할 때 잠재적 정규화 구성 요소($u$)의 불확실성을 통합한다. 이는 정규화와 생물학적 신호가 혼재되어 있을 때 더 넓고 잘 교정된 신뢰 구간을 생성한다.

4. 정규화된 출력:
프레임워크는 두 가지 방법을 통해 사후 추정치를 카운트 척도로 다시 투영한다:

• 사후 중앙값 투영(Posterior-Median Projection): 선형 예측자의 생물학적 구성 요수를 사용하여 음이항 분포의 중앙값을 계산한다.
• 백분위수 조정 카운트(Percentile-Adjusted Counts, PAC): 순위와 분산을 보존하면서 기술적 효과를 제거하기 위해 평균 구조를 조정하며 관측된 카운트를 변환한다.

주요 기여

1. 공동 모델링: GPSNorm은 정규화를 단순한 전처리 단계가 아니라, 계층적 베이지안 프레임워크 내에서 공동 추정 문제로 재정의하여 정규화의 불확실성을 후속 추론에 명시적으로 전파한다.
2. 공간 기술 모델링: 생물학적 경사와 혼동될 수 있는 매끄러운 공간적 아티팩트를 포착하기 위해 슬라이드 특이적 ICAR 사전 분포를 도입한다.
3. 확장성: INLA와 GMRF의 희소 구조를 활용함으로써, 밀집된 가우시안 프로세스 역행렬 계산과 관련된 세제곱 복잡성 없이 대규모 공간 그래프에 대한 효율적인 추론을 가능하게 한다.
4. 대조군 통합: 기술적 변이 추정을 고정하기 위해 음성 대조 및 하우스키핑 유전자를 공식적으로 포함하여, 기술적 성분과 생물학적 성분 사이의 혼동을 줄인다.

결과

저자들은 경험적 데이터 분포에 기반한 시뮬레이션 연구와 세 가지 실제 데이터 세트에 대한 적용을 통해 GPSNorm을 평가하였다.

1. 시뮬레이션 연구:

• 기술적 회복: GPSNorm은 강력한 생물학적 혼동(차등 발한과 공간 신호 간의 70% 중첩)이 있는 상황에서도 시뮬레이션된 공간 기술 필드를 정확하게 회복했다(상관관계 > 0.92).
• 차등 발현(DE) 성능: 기존 방법들(예: scran, Giotto, SpaNorm, sct)과 비교했을 때, GPSNorm은 다음과 같은 성능을 보였다:
  • 로그 폴드 변화(log-fold change) 추정의 편향 최소화.
  • 평균 제곱근 오차(RMSE) 감소.
  • 특히 기술적 복잡성이 높은 시나리오에서 DE 유전자의 순위 지정 성능(AUC) 향상.
• 불확실성 교정: 실제 DE 효과가 0인 축소 시뮬레이션에서, 공동 추정 방식은 강력한 공간적 혼동 하에서도 명목상의 95% 신뢰 구간 범위를 유지한 반면, 2단계 접근 방식은 과도하게 낙관적인(coverage가 0%에 근접함) 구간을 생성했다.

2. 실제 데이터 적용:

• 10x Visium Human DLPFC: GPSNorm은 라이브러리 크기 이질성에 의해 가려졌던 백질 영역 내 올리고덴드로사이트(oligodendrocyte) 마커인 MOBP의 예상 농축 패턴을 성공적으로 회복했다. 이는 비공간적 방법들이 놓쳤던 패턴이다. 또한 공간적 패턴에 대한 사후 불확실성 추정치를 제공했다.
• NanoString GeoMx COVID-19 폐 손상: 46개의 AOI를 포함한 소규모 샘플 연구에서, GPSNorm은 심각한 손상과 관련된 화학 물질(CCL18, CXCL10, CCL2) 및 경증 손상과 관련된 SCGB1A1을 식별했다. 다른 방법들은 소규모 코호트에서 정규화 불확실성을 전파하지 못해 유의미한 유전자를 찾지 못했다.
• GeoMx Spatial Organ Atlas Kidney: GPSNorm은 사구체 및 근위 세뇨관 구획 모두에 대해 큐레이션된 마커 유전자의 우선순위를 높게 유지하며, 해부학적 영역 간의 예상되는 전사적 대비를 보존하는 데 있어 다른 방법들보다 우수한 성능을 보였다.

3. 계산 확장성:
저자들은 모델 적합 전에 관심 영역(AOI)을 클러스터링하는 것이 고신호 유전자의 순위와 효과 크기 크기를 보존하면서도 실행 시간을 크게 단축(최대 5배)한다는 것을 입증했다.

의의 및 주장

본 논문은 정규화를 결정론적인 전처리 단계가 아닌 잠재적 통계 추론 문제로 다루는 것이 공간 전사체 분석의 견고성과 해석력을 실질적으로 향상시킨다고 주장한다.

• 견고성: 기술적 효과와 생물학적 효과를 공동으로 모델링함으로써, GPSNorm은 정규화 과정에서 생물학적으로 의미 있는 변이가 흡수될 위험을 줄이고, 차등 발현 시 불확실성을 과소평가하는 것을 방지한다.
• 해석력: 이 프레임워크를 통해 연구자는 공간적 발현 표면과 정규화 조정에 대한 불확실성을 정량화할 수 있으며, 실험적 가변성에 대한 더 완전한 그림을 얻을 수 있다.
• 적용 가능성: 이 방법은 기술적 및 생물학적 공간 구조가 서로 얽혀 있거나(예: GeoMx와 같은 타겟형 공간 플랫폼의 소규모 샘설 규모), 계층적 구조를 통해 정보 공유가 가능한 환경에서 특히 유리하다.

저자들은 매우 큰 데이터셋에 대한 계산 비용(클러스터링으로 완화됨)과 기술적 효과에 대한 매끄러운 공간 사전 분포 가정 등의 한계점을 언급하였다. 또한 향후 연구에서 이 프레임워크를 공간적 가변 유전자 탐지(spatially variable gene detection)와 결합하거나 단일 세포 참조 데이터를 통합하는 방향으로 확장할 수 있다고 제안하였다.