Bridging Biomedical Atlas Ecosystem: Cross-Atlas Alignment And Scalable Tissue Specimen Registration

인체의 세부적인 구조를 이해하기 위해 과학자들은 수년간 새로운 종류의 지도를 구축해 왔습니다. 평면적인 종이 위에 선을 그리는 대신, 그들은 수천 개의 서로 다른 연구 데이터를 담을 수 있는 공유된 3차원 프레임워크를 만들고 있습니다. 모든 책이 서로 다른 언어를 사용하고 모든 선반의 모양이 제각각인 도서관을 정리하려고 노력하는 상황을 상상해 보십시오. 공통된 시스템이 없다면 정보는 흩어진 채로 사용하기 어려운 상태로 남게 됩니다. 생물 의학 연구 분야에서 이것이 바로 '휴먼 레퍼런스 아틀라스(Human Reference Atlas)'가 직면한 과제입니다. 이것은 연구자들이 서로 다른 사람, 서로 다른 장기, 그리고 서로 다른 실험에서 얻은 조직 샘플을 동일한 가상 공간에 배치할 수 있게 해주는 디지털 3차원 좌표계입니다. 이 공유 공간을 통해 과학자들은 심장에서 세포가 어떻게 행동하는지 신장과 비교하여 관찰하거나, 특정 질병이 다양한 개인에게서 어떻게 나타나는지를 단일화된 통합 뷰 안에서 확인할 수 있습니다. 이 시스템이 작동하려면 모든 새로운 샘플을 마스터 맵에 정밀하게 정렬해야 하는데, 이 과정은 전통적으로 전문가들의 느리고 수동적인 작업이 필요했습니다.

지난 5년 동안 연구진은 13,000개 이상의 조직 데이터 세트를 이 공통 프레임워크에 성공적으로 배치했습니다. 이 데이터 세트에는 20개의 연구 그룹에서 수집한 2억 개 이상의 세포에 대한 정보가 포함되어 있습니다. 이 방대한 컬렉션은 장기, 다양한 유형의 실험실 테스트, 그리고 다양한 관찰 척도에 걸친 생물학적 데이터를 탐색할 수 있게 해줍니다. 그러나 샘플, 테스트, 매핑 프로젝트의 수가 계속 증가함에 따라, 각 새로운 조직 조각을 수동으로 정렬하던 기존 방식은 이를 따라잡기에 너무 느리고 비용이 많이 들게 되었습니다. 데이터의 엄청난 양은 아틀라스를 확장하는 데 있어 상당한 장벽이 되고 있으며, 새로운 발견들이 공유 시스템 밖에 고립될 위험을 초고하고 있습니다.

이 문제를 해결하기 위해 한 과학자 팀은 아틀라스 구축 규모를 확대하기 위한 두 가지 새로운 접근 방식을 개발했습니다. 첫 번째 방법은 한 유형의 생물 의학 참조 시스템의 데이터를 다른 시스템에 직접 투영하는 것이며, 두0 번째 방법은 '밀리토옴(millitomes)'이라 불리는 기술을 사용하여 대규모 조직 블록을 참조 장기에 한꺼번에 등록하는 것입니다. 두 방법 모두 'AMAP'이라 불리는 소프트웨어 파이프라인에 의존합니다. AMAP은 자동 정렬 및 투영(AutoMated Alignment and Projection)의 약자로, 3차원 조직 메쉬 모델을 가져와 포인트 클라우드 등록(point cloud registration)을 통해 정렬하는 방식으로 작동합니다. 이 과정은 인간이 매 단계마다 안내할 필요 없이, 한 모델의 특정 지점을 다른 모델의 대응하는 지점과 일치시킵니다.

연구진은 이 방법들이 실제 세계의 복잡성을 처리할 수 있음을 증명하기 위해 다양한 생물학적 모델을 대상으로 테스트를 진행했습니다. 그들은 SPARC 프로그램의 심장 관련 6개 모델, Gut Cell Atlas의 대장 모델, 500명의 신장 피험자를 바탕으로 구축된 합의 맵, 그리고 Julich Brain Atlas의 모델들을 성공적으로 정렬했습니다. 이러한 특정 장기들 외에도, 연구팀은 AMAP 파이프라인을 사용하여 5개의 서로 다른 장기에 걸쳐 7개의 밀리토옴 모델을 투영했습니다. 이 작업은 300개 이상의 서로 다른 조직 추출 지점의 정보를 통합하였으며, 이는 시스템이 매우 다양한 생물학적 구조를 다룰 수 있음을 보여주었습니다.

그 결과, 휴먼 레퍼런스 아틀라스와 정렬된 진화하는 아틀라스 생태계가 탄생했습니다. 정렬 과정을 자동화함으로써, 연구진은 이전에는 불가능했던 규모로 조직 데이터를 등록할 수 있는 방법을 입증했습니다. 이러한 능력은 방대한 양의 새로운 데이터를 빠르게 통합할 수 있는 인체에 대한 상세한 참조 지도를 구축할 수 있게 해줍니다. 이 연구는 수동 등록이라는 병목 현상을 극복할 수 있음을 시사하며, 과학계가 모든 새로운 샘플을 일일이 손으로 정렬하는 데 드는 시간과 자원에 구애받지 않고 인체 생물학에 대한 더 완전하고 접근 가능한 그림을 그려나갈 수 있도록 해줍니다.