HIDE-Deconv: A hierarchical deconvolution framework for multiscale characterization of cellular remodeling

인체 내부의 조직은 단일 물질로 이루어진 균일한 블록이 아니라, 서로 협력하는 다양한 종류의 세포들로 구성된 복잡한 모자이크입니다. 과학자들이 이러한 조직을 연구할 때, 그들은 종종 문제에 직면합니다. 분석 대상인 샘플에는 여러 세포가 혼합되어 있으며, 이를 읽어내는 도구들은 대개 뚜렷이 구분되는 세포 유형들을 크고 일반적인 범주로 묶어 넓은 개요만을 제공하기 때문입니다. 이는 마치 높은 언덕에서 숲을 바라보며 초록빛 캐노피(수관)만을 보고, 그 아래에 자라는 개별 나무나 구체적인 수종을 구별하지 못하는 것과 같습니다. 수십 년 동안 연구자들은 이러한 세포 혼합물의 구성을 추정하는 방법들에 의존해 왔지만, 이 기술들은 보통 그 넓은 수준의 해상도 단계에서 멈춥니다. 이 기술들은 조직에 면역 세포가 포함되어 있다는 사실은 알려줄 수 있지만, 그 면역 세포들 중 어떤 구체적인 하위 그룹이 존재하는지, 혹은 질병 진행 과정에서 그들이 어떻게 변화하고 있는지는 밝혀내지 못하는 경우가 많습니다. 이러한 한계는 생물학적 과정이 흔러 미세한 하위 집단 내에서 전개되는 경우가 많기 때문에 중요합니다. 즉, 관찰의 시야가 너무 넓으면 질병에 대한 신체의 반응 방식에 관한 중요한 세부 사항들이 숨겨진 채로 남을 수 있다는 것을 의미합니다.

연구팀은 이러한 '흐릿한 시야'의 문제를 해결하기 위해 HIDE-Deconv라고 불리는 새로운 접근법을 개발했습니다. 이 새로운 프레임워크는 세포 혼합물의 구성을 단 하나의 세부 수준에서만 추정하는 대신, 분석을 계층 구조로 조직하여 여러 관점에서 동시에 세포 혼합물을 볼 수 있게 합니다. 이 방식은 서로 다른 수준들 사이에서 추정치를 공동으로 최적화함으로써, 특정 세포 하위 그룹의 상세한 모습이 주요 세포 유형이라는 더 넓은 모습과 일관성을 유지하도록 합니다. 이런 방식으로, 이 방법은 단순히 부품들을 추측하는 것이 아니라, 작은 세부 사항들이 더 큰 구조 속에 논리적으로 들어맞는 일관된 그림을 구축합니다. 이를 통해 서로 다른 세부 수준에 대해 별도의 분석을 수행할 때 발생할 수 있는 모순을 방지하며, 서로 다른 관찰 척도 간의 일관된 관계를 유지합니다.

연구진은 예측 정확도를 측정하기 위해 설계된 표준 벤치마크 실험을 사용하여 기존 방법들과 이 프레임워크를 비교 테스트했습니다. 결과에 따르면 HIDE-Deconv는 평가된 방법들 중 가장 높은 종합적인 성능을 달-성했으며, 이는 이 방법이 세포 구성에 대해 더 신뢰할 수 있는 추정치를 제공함을 시사합니다. 이 방식이 실제 환경에서 어떻게 작동하는지 확인하기 위해, 연구팀은 폐선암, 패혈증, 코로나19, 그리고 전신성 홍반성 루푸스의 네 가지 서로 다른 의학적 상태에서 얻은 데이터에 이 프레임워크를 적용했습니다. 각 사례에서, 이 분석은 데이터가 더 넓은 해상도 수준에서 검토되었을 때는 보이지 않았던 특정한 세포 재구성 패턴—즉, 세포의 유형과 비율의 변화—을 밝혀냈습니다. 이러한 발견은 미세한 하위 집단 내에서 중요한 생물학적 변화가 일어나고 있었음을 나타내며, 이전의 방법들은 더 넓은 렌즈를 통해 조직을 바라보았기 때문에 이러한 변화를 완전히 놓쳤음을 보여줍니다.

이 연구는 세포 혼합물을 분석하는 방식이 질병에서 우리가 보는 것을 근본적으로 바꿀 수 있음을 입증합니다. 단일 수준의 추정을 넘어 계층적 구조를 수용함으로써, 연구진은 숨겨진 세포 활동의 층위를 드러내는 도구를 제공했습니다. 이 접근법은 복잡한 수학적 지름길에 의존하는 것이 아니라, 세포가 서로 다른 조직화 규모에 걸쳐 어떻게 관계를 맺는지에 대한 구조적인 사고 방식에 기반합니다. 이 프레임워크는 현재 다른 과학자들이 사용할 수 있도록 오픈 소스 도구로 공개되어 있으며, 건강과 질병을 정의하는 인체의 미세하고 구체적인 세포 경관의 변화를 밝혀낼 수 있는 길을 제시하고 있습니다.