💻 bioinformatics

spatialMET: an open and scalable framework for spatial metabolomics analysis

본 논문은 전처리, 도메인 탐지, 통계적 검증을 포함하여 공간 대사체학 분석을 위한 엔드 투 엔드 워크플로를 제공하는 동시에, 고성능 컴퓨팅 역량과 재현 가능한 Docker 배포를 통해 기존 도구들의 한계를 극복하는 오픈 소스 기반의 확장 가능한 프레임워크인 spatialMET을 소개한다.

원저자: Mekonnen, Y. A., Ospina, O. E., Rubio, V., Welsh, E., Uddin, R., Ackerman, H. D., Soupir, A., Cox, J. E., Fridley, B. L., Flores, E. R., Koomen, J., Stewart, P. A.

게시일 2026-09-03

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mekonnen, Y. A., Ospina, O. E., Rubio, V., Welsh, E., Uddin, R., Ackerman, H. D., Soupir, A., Cox, J. E., Fridley, B. L., Flores, E. R., Koomen, J., Stewart, P. A.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

조직은 균일한 덩어리의 물질이 아닙니다. 조직은 서로 다른 유형의 세포들이 나란히 살아가며 각자의 화학적 작업을 수행하는 복잡한 풍경입니다. 암의 경우, 이러한 이웃들은 종양 세포, 면역 세포, 그리고 이를 지원하는 조직이 질병을 유발하는 방식으로 상호작용하며 특히 혼란스러워집니다. 수십 년 동안 과학자들은 조직 샘플 내부의 화학 물질을 분석할 수 있었지만, 이를 위해서는 샘플을 가루 형태로 갈아내야만 했습니다. 이 과정은 지도를 파괴하여 종양의 고유한 화학적 서명과 주변의 건강한 조직의 서명을 뒤섞어 버렸습니다. 암이 어떻게 성장하고 생존하는지 진정으로 이해하기 위해서, 연구자들은 지형을 온전하게 유지하면서 화학을 볼 수 있는 방법을 필요로 했습니다.

질량 분석 이미징(Mass spectrometry imaging)은 이 문제를 해결하기 위한 강력한 도구로 부상했습니다. 이 기술은 샘플을 파괴하는 대신, 조직의 얇은 단면을 스캔하고 표면의 모든 지점에서 수천 개의 작은 분자의 무게를 측정합니다. 그 결과는 거대한 데이터셋이 되며, 지도 위의 모든 점은 특정 화학적 지문과 일치하게 됩니다. 그러나 이러한 데이터셋은 매우 방대하고 탐색하기 어렵습니다. 단 한 번의 스캔에도 수십만 개의 점이 포함될 수 있으며, 각 점은 수천 개의 화학적 판독값을 가집니다. 이를 분석하는 작업은 전통적으로 과학자들이 여러 가지 서로 다른 소프트웨어 프로그램을 하나로 엮어야 했으며, 이 과정은 느리고 오류가 발생하기 쉬우며, 연구자들이 자신의 방법을 공유하는 것을 방해하는 값비싼 독점 시스템에 갇혀 있는 경우가 많았습니다.

이러한 장벽을 극복하기 위해, 한 연구팀은 spatialMET이라는 새로운 오픈 소스 프레임워크를 개발했습니다. 이 도구는 공간 대사체학(spatial metabolomics)을 분석하기 위한 완전한 작업실 역할을 하며, 과학자들이 복잡한 코드를 작성할 필요 없이 질량 분석기에서 얻은 원시 데이터를 명확한 화학적 조직의 그림으로 변환할 수 있게 해줍니다. 이 시스템은 현대적인 스캐너가 생성하는 엄청난 양의 데이터를 처리할 수 있도록 설계되었는데, 이러한 스캐너는 표준 컴퓨터 프로그램이 감당할 수 없을 정도로 큰 파일을 생성할 수 있기 때문입니다. 데이터 처리, 패턴 인식, 시각화를 하나의 플랫폼으로 통합함으로써, spatialMET은 화학 물질이 조직 샘플 전체에 어떻게 분포되어 있는지, 그리고 그 분포가 장기의 물리적 구조와 어떻게 연관되는지를 볼 수 있게 해줍니다.

이 새로운 시스템의 핵심은 조직 지도상의 픽셀들을 화학적 유사성을 바탕으로 별개의 영역으로 그룹화하는 방법입니다. 모든 작은 사각형이 그 안에 포함된 화학 물질에 따라 색이 칠해진 지도를 상상해 보십시오. 목표는 어떤 사각형들이 함께 모여 하나의 이웃을 형성하는지 찾아내는 것입니다. 연구진은 이 그룹화를 수행하기 위해 매우 효율적인 새로운 엔진을 구축했습니다. 대규모 데이터셋 처리에 어려움을 겪었던 기존 방식과 달리, 이 새로운 엔진은 거의 30만 개의 개별 지점을 포함하는 스캔을 처리할 때도 매우 빠르게 실행되며 컴퓨터 메모리를 아주 적게 사용합니다. 이러한 속도 덕분에 연구자들은 작은 조각만을 보는 것에 그치지 않고, 폐엽 전체와 같은 장기의 전체 단면을 분석할 수 있습니다.

연구진이 이 프레임워크를 마우스 폐암 모델에 적용했을 때, 결과는 조직의 물리적 구조와 일치하는 상세한 화학적 풍경을 드러냈습니다. 소프트웨어는 종양, 이를 지원하는 기질(stromal) 조직, 그리고 인접한 건강한 폐에 해당하는 별도의 구역을 성공적으로 식별했습니다. 이 구역 내에서 연구진은 종양에 고유한 특정 화학 물질을 발견했으며, 다른 물질들은 주변 조직에서 더 흔하게 나타났습니다. 그들은 117개의 뚜렷한 화학적 특징이 종양과 기질 영역 사이에 유의미하게 다르다는 것을 발견했습니다. 더욱이, 이 도구는 일부 화학 물질이 단순히 존재하거나 부재하는 것이 아니라, 종양 가장자리에서 멀어짐에 따라 더 많아지거나 적어지는 경향(gradient)을 따른다는 것을 보여주었습니다.

단순히 화학 물질이 어디에 있는지를 매핑하는 것을 넘어, 이 시스템은 이러한 패턴이 조직의 배치와 얼마나 강하게 연결되어 있는지 테스트할 수 있게 해줍니다. 연구진은 특정 화학 물질이 특정 구역에 밀집되어 있다는 것을 발견했는데, 이는 해당 물질들이 종양의 국소적 환경에서 역할을 하고 있음을 시사하며, 다른 물질들은 더 무작위로 흩어져 있었습니다. 또한 소프트웨어는 어떤 화학 물질들이 함께 나타나는 경향이 있는지를 보여주는 네트워크를 구축하여, 공유된 생물학적 과정을 암시했습니다. 28만 개 이상의 픽셀을 가진 소세포 폐암 샘플을 이용한 한 실험에서, 시스템은 종양 내부에서도 여러 하위 영역을 식별해 냈으며, 이는 암이 단일한 균일한 덩어리가 아니라 화학적으로 구별되는 영역들의 집합체임을 강조했습니다.

이 프레임워크는 고급 프로그래밍 기술을 가진 사람뿐만 아니라 광범위한 과학자들이 접근할 수 있도록 설계되었습니다. 사용자가 데이터를 업로드하고 설정을 조정하며 즉시 화면에서 결과를 확인할 수 있는 대화형 시각 인터페이스를 제공합니다. 표준 컴퓨터를 다운시킬 수 있는 매우 큰 데이터셋을 위해, 시스템은 강력한 컴퓨팅 클러스터에서 실행할 수 있는 별도의 명령줄(command-line) 모드를 포함하고 있어, 가장 거대한 실험이라도 처리가 가능하도록 보장합니다. 전체 시스템은 독립적인 패키지로 배포되므로, 어떤 연구자라도 설치하여 자신의 컴퓨터 운영 체제와 관계없이 정확히 동일한 결과를 얻을 수 있습니다.

데이터 처리, 통계 분석, 대화형 시각화를 한곳에 모음으로써, spatialMET은 공간 대사체학 분야의 발전을 늦추던 기술적 장애물을 제거합니다. 이를 통해 연구자들은 소프트웨어의 메커니즘보다는 조직의 생물학 자체에 집중할 수 있습니다. 이 도구는 이미 암의 숨겨진 화학적 구조를 밝혀내는 능력을 입증했으며, 종양의 다양한 부분과 그 주변에서 대사 활동이 어떻게 변화하는지를 보여주었습니다. 이 기술이 더 널리 보급됨에 따라, 암이 화학적으로 어떻게 스스로를 조직하는지에 대한 이해를 심화시키고, 질병이 시작되고 퍼지는 미세한 이웃들에 대한 더 명확한 시각을 제공할 것으로 기대됩니다.

기술 요약: spatialMET: 공간 대사체학 분석을 위한 개방형 및 확장 가능한 프레임워크

문제 정의
질량 분석 이미징(MSI)은 온전한 조직 절편 내의 대사체 분포를 매핑하여, 기존의 대사체학에서 손실되는 중요한 공간 정보를 보존할 수 있게 해준다. 그러나 대규모 MSI 데이터를 분석하는 것은 여전히 도전 과제로 남아 있다. 기존의 워크플로우는 여러 이질적인 소프트웨어 도구를 결합해야 하는 파편화 문제를 겪거나, 상호 운용성과 재현성을 제한하는 독점 벤더 소프트웨어에 의존하는 경우가 많다. 또한, 공간 통계가 공간 전사체학에는 잘 통합되어 있는 반면, MSI 분석 파이프라인에는 덜 통합되어 있는 실정이다. 따라서 광범위한 커스텀 스크립팅 없이도 전처리, 공간 도메인 탐지, 그리고 다운스트림 통계 분석을 통합할 수 있는 오픈 소스 엔드 투 엔드(end-to-end) 프레임워크가 필요하다.

방법론
저자들은 공간 대사체학을 위한 통합 플랫폼을 제공하도록 설계된 오픈 소스 프레임워크인 spatialMET를 개발하였다. 이 워크플로우는 세 가지 주요 단계로 구성된다:

데이터 전처리 및 입력:
- 본 프레임워크는 데이터 임포트 및 조직화를 위해 Cardinal R 패키지를 활용한다.
- 표준 MSI 형식(.imzML 및 .ibd)과 피크 강도 및 공간 좌표를 포함하는 탭 구분 행렬을 모두 수용한다.
- 전처리 단계에는 피크 필터링, 데이터 변환, 그리고 분자별-픽셀별 강도 행렬 생성이 포함된다.
- 확장성을 해결하기 위해, 작은 데이터셋의 경우 R Shiny 애플리케이션 내에서 대화형으로 전처리를 수행할 수 있으며, 고성능 컴퓨팅(HPC) 환경에서는 독립형 명령줄 워크플로우를 통해 수행할 수 있다.
공간 도메인 탐지 (hcdist):
- 핵심 혁신은 새로운 C 기반 계층적 클러스터링 구현인 hcdist이다.
- 기존의 R 기반 접근 방식과 달리, hcdist는 거리 행렬 계산과 계층적 트리 노드 업데이트를 병렬화하기 위해 멀티스레딩 C 구현을 사용한다.
- 노드 플리핑(node-flipping)을 최적화하기 위해 세리에이션 휴리스틱(seriation heuristic)을 채택하여 실행 시간과 메모리 소비를 크게 줄였다.
- 알고리즘은 덴드로그램(dendrogram)을 생성하며, 이는 사용자가 지정한 클러스터 수( $K$ )에서 절단되어 개별 픽셀에 공간 도메인 라벨을 할당한다.
대화형 분석 및 시각화 (Shiny 애플리케이션):
- 처리된 데이터와 도메인 할당은 대화형 R Shiny 인터페이스로 임포트된다.
- 시각화: 사용자는 공간 도메인을 시각화하고, $m/z$ 특징 강도를 매핑하며, 일치하는 조직 이미지(H&E, 면역 형광)를 중첩하여 볼 수 있다.
- 통계 분석:
  - 차별적 풍부도(Differential Abundance): Wilcoxon 순위 합 검정, Student's $t$ -test, 그리고 공간적 limma를 지원한다.
  - 공간 통계: 공간적 자기상관(클러스터링 대 분산)을 정량화하기 위해 Moran's $I$ 와 Geary's $C$ 를 계산한다.
  - 경사도 분석(Gradient Analysis): 특정 조직 도메인에 대한 풍부도 경사를 식별하기 위해 STgradient 알고리즘을 응용한다.
  - 차원 축소: 픽셀 수준의 변동성을 탐색하기 위해 PCA와 UMAP(uwot 패키지 활용)을 구현한다.
  - 함수적 데이터 분석(FDA): 조직 전체에 걸쳐 연속적으로 변화하는 공간 패턴을 요약하기 위해 함수적 주성분 분석(FPCA)을 사용한다.
  - 네트워크 분석: Pearson 또는 Spearman 상관관계를 계산하여 $m/z$ 특징들의 공국소화(co-localization) 네트워크를 구축한다.
- 배포: 일관된 재현성을 보장하기 위해 Docker 컨테이너 형태로 배포된다.

주요 결과
본 프레임워크는 벤치마킹과 마우스 폐암 모델에 대한 적용을 통해 검증되었다:

성능 벤치마킹:
- 320 MB 데이터셋(51,196 픽셀, 2,107 특징)에 대해 fastcluster 및 parallelDist와 비교했을 때, hcdist는 64코어 시스템에서 10.13 GB의 메모리를 사용하여 3분 18초 만에 처리를 완료하였으며, 이는 기존 R 기반 구현보다 현저히 개선된 효율성을 입증한다.
- 5 GB 크기의 소세포폐암(SCLC) 데이터셋에 대한 확장성 테스트 결과, 노트북급 시스템(8 GB RAM)에서도 55초 만에 전체 특징 세트를 처리할 수 있었으며, 메모리 사용량은 지속적인 부하보다는 피크 요구량에 의해 결정되었다.
- Spatial Shrunken Centroids (SSC) 방법과의 일치도는 중간 수준(Adjusted Rand Index 0.25–0.31)이었으며, 노이즈 및 미세 경계에 대한 민감도가 높아지는 높은 클러스터 수( $K=20$ )에서 일치도가 낮아지는 경향을 보였다.
사례 연구:
- 마우스 SCLC: 284,673 픽셀 데이터셋에 적용된 결과, spatialMET는 매칭된 조직학적 소견과 일치하는 종양 관련, 기질(stromal), 인접 폐 도메인을 식별하였다.
  - 차별적 풍부도 분석을 통해 종양 영역과 기질 영역 간에 유의미하게 다른 117개의 $m/z$ 특징을 식별하였다.
  - 공간 자기상관 분석을 통해 국소적 종양 특이적 특징(예: $m/z$ 794.5669)을 포함하여 강한 공간 구조(Moran's $I \ge 0.6$ )를 가진 50개의 특징을 찾아냈다.
  - 상위 30개 변동 특징에 대한 네트워크 분석을 통해 종양 영역 내에서 높은 상관관계를 보이는 19개의 특징을 확인하였다.
- 마우스 폐 선암종(Lung Adenocarcinoma): 더 큰 데이터셋(전체 폐엽에서 추출한 338,477 픽셀)에 적용되었으며, 프레임워크는 종양 및 주변 조직 전반의 공간적 이질성을 성공적으로 포착하여 확장성을 입증하였다.

의의 및 주장
저자들은 spatialMET가 전처리, 공간 클러스터링, 통계 분석 및 대화형 시각화를 하나의 오픈 소스 프레임워크로 통합함으로써 현재 MSI 워크플로우의 파편화 문제를 해결한다고 주장한다. 주요 기여는 다음과 같다:

확장성: C 기반의 hcdist 알고리즘은 기존 R 기반 계층적 클러스터링에 비해 실행 시간과 메모리 사용량을 실질적으로 감소시켜, 대규모 데이터셋(수십만 픽셀)을 표준 하드웨어 또는 HPC 클러스터에서 분석할 수 있게 한다.
상호 운용성: 개방형 형식(imzML)을 지원하고 독점 벤더 종속성을 피함으로써 재현성을 높인다.
포괄적 워크플로우: 공간 자기상관, 경사도 분석, 차별적 풍부도 테스트를 그래픽 사용자 인터페이스 내에 직접 통합한 몇 안 되는 플랫폼 중 하나로, 수동 스크립팅의 필요성을 줄여준다.
재현성: Docker 컨테이너로 배포되어 다양한 컴퓨팅 환경에서 일관된 배포를 보장한다.

결론적으로 spatialMET는 공간적으로 조직된 대사체 풍부도 패턴을 해석하기 위한 확장 가능한 오픈 소스 솔루션을 제공하며, 이를 통해 공간 대사체학을 다중 모달 조직 연구로 확장하는 데 기여한다. 소스 코드는 https://github.com/biodatalab/spatialMET에서 확인할 수 있다.

기술 요약: spatialMET: 공간 대사체학 분석을 위한 개방형 및 확장 가능한 프레임워크

유사한 논문