VINTER: a generative vision-language model for annotating and interrogating spatial tissues
VINTER는 조직학, 유전자 발현, 그리고 공간적 이웃 관계를 하나의 시퀀스로 통합하여 다양한 플랫폼과 해상도에 걸쳐 공간적 조직 구조를 정확하게 주석 달고 질의할 수 있게 하는 생성형 시각-언어 모델로, 숨겨진 생물학적 이질성을 드러내고 재학습 없이 분자적 증거 편집을 가능하게 합니다.
원본 논문은 CC0 1.0 (https://creativecommons.org/publicdomain/zero/1.0/)에 따라 공공 도메인에 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 단순히 세포들의 평면적인 지도가 아닙니다. 조직은 하나의 세포의 정체성이 바로 옆집에 누가 사느냐에 따라 크게 좌우되는, 복잡하고 3차원적인 이웃 사회입니다. 인체에서 세포의 기능은 종종 그 주변 환경에 의해 결정되는데, 이는 마치 한 사람이 매일 상호작용하는 사람들에 따라 공동체 내에서의 역할이 변하는 것과 같습니다. 수십 년 동안 과학자들은 이러한 이웃을 단일하고 통일된 방식으로 읽어내는 데 어려움을 겪어 왔습니다. 현미경으로 조직을 관찰하여 형태와 구조를 볼 수도 있었고, 세포 내부의 화학적 신호를 측정하여 활동성을 이해할 수도 있었지만, 이 두 가지를 동시에 수행하는 것은 매우 어려웠습니다. 전통적인 방식들은 대개 선택을 강요했습니다. 조직을 시각적 외형으로 설명하거나, 혹은 분자적 서명(molecular signature)으로 설명하거나 둘 중 하나를 택해야 했으며, 이 두 가지가 실시간으로 서로 소통하게 만드는 일은 거의 불과했습니다. 이러한 분리는 종양이나 장기의 물리적 배치가 그 안의 세포 행동에 어떤 영향을 미치는지에 대한 이해에 공백을 남겼습니다.
VINTER라고 불리는 새로운 접근 방식은 조직을 하나의 읽을 수 있는 이야기로 취급함으로써 이 간극을 메우고자 합니다. 연구진은 조직 샘의 사진을 보고, 특정 지점 내부의 활성 유전자 목록을 읽으며, 동시에 주변 6개 지점의 유전자 활동까지 고려할 수 있는 컴퓨터 모델을 개발했습니다. 모델이 이미지와 유전자 중 하나를 선택하도록 강요하는 대신, 이 모델은 세 가지 정보원인 시각적 구조, 국소 유전자, 그리고 이웃 맥락을 하나의 연속적인 정보 시퀀스로 읽어 들입니다. 이를 통해 시스템은 자신이 보고 있는 조직이 어떤 종류인지에 대한 결정을 내리는 동시에, 정확히 어떤 증거들이 그러한 결론에 도ul었는지에 대한 기록을 유지합니다. 유전 정보가 추상적인 숫자가 아닌 이름의 목록 형태로 제시되기 때문에, 연구진은 입력을 편집하여 특정 유전자를 제거하거나 재배열함으로써 모델의 결정이 어떻게 변하는지 확인할 수 있습니다. 이는 조직 식별 과정을 정적인 라벨링에서, 과학자들이 조직의 구성에 대해 "만약 ~라면 어떨까"라는 질문을 던질 수 있는 상호작례적인 탐구 과정으로 변화시킵니다.
연구팀은 인간의 뇌를 시작으로 다양한 생물학적 과제에 이 시스템을 테스트했습니다. 그들은 모델에게 대뇌 피질의 서로 다른 층을 식별하도록 요청했는데, 이 작업에서 모델은 유전자 데이터나 이미지 데이터만을 사용하는 기존 방식들보다 뛰어난 성능을 보였습니다. 모델은 높은 수준의 정확도를 달s achieve했으며, 대다수의 경우에서 피질 층을 정확하게 식별해 냈습니다. 더 중요한 점은, 이 시스템이 재학습 없이도 새로운 상황에 지식을 전이할 수 있는 놀라운 능력을 보여주었다는 것입니다. 연구진이 삼중 음성 유방암 환자 그룹에 적용하기 위해 유방암 데이터로 학습된 모델을 사용했을 때, 모델은 이전에 본 적 없는 조직 유형들을 성공적으로 식별해 냈습니다. 이는 모델이 단순히 특정 사례를 암기하는 것이 아니라, 서로 다른 질병과 환자에게도 적용되는 조직 조직화의 근본적인 언어를 학습했음을 시사합니다.
가장 인상적인 발견 중 하나는 종양 내부에서 형성되어 신체가 암과 싸우는 방식에 영향을 줄 수 있는 조직화된 면역 세포 집단인 3차 림프 구조(tertiary lymphoid structures)를 연구하면서 나타났습니다. 연구진은 입력값을 편집할 수 있는 모델의 능력을 사용하여, 이 구조들이 주변부에 전달하는 신호가 정확히 무엇인지 알아냈습니다. 그들은 구조가 "성숙"했는지 혹은 "미성숙"했는지에 대한 모델의 판단이 이웃의 두 가지 상반된 유전자 활동 프로그램에 달려 있다는 것을 발견했습니다. 여포 B 세포(follicular B cells)에 의해 주도되는 한 프로그램은 구조를 더 성숙하게 보이게 만들었고, 항체를 생성하는 형질 세포(plasma cells)에 의해 주도되는 다른 프로그램은 구조를 덜 성숙하게 보이게 만들었습니다. 이러한 신호들을 다시 조직에 매핑함으로써, 연구진은 숨겨진 공간적 패턴을 발견했습니다. 즉, 성숙한 조직화 신호는 구조의 중심부에 집중되어 있는 반면, 항체를 생성하는 신호는 아주 가장자리로 밀려나 있었습니다. 이는 "성숙도"가 단일한 상태가 아니라 중심부와 주변부 사이의 역동적인 균형이라는 점을 드러냈으며, 표준적인 방법으로는 놓쳤을 미묘한 차이였습니다.
이러한 접근 방식의 힘은 복잡성으로 알려진 질환인 삼중 음성 유방암의 숨겨진 세부 사항을 찾아내는 데에도 확장되었습니다. 많은 경우, 병리학자들은 특정 영역을 '기질(stroma)' 또는 결합 조직이라고 라벨링하는데, 이는 상당한 차이를 숨길 수 있는 광범위한 범주입니다. 그러나 모델은 각 지점에 대한 가능한 모든 조직 유형의 확률을 조사하여, 이 광범위하게 라벨링된 기질 영역 내에 뚜렷한 면역 활동 구역이 존재함을 발견했습니다. 어떤 구역은 면역 세포가 풍부하고 활발한 염증 반응의 징후를 보이는 반면, 다른 구역은 조용하고 정적이었습니다. 단일 라벨 내에서 "뜨거운(hot)" 구역과 "차가운(cold)" 구역을 구분해 내는 이러한 능력은 연구진이 특정 암 치료에 잘 반응하는 것으로 알려진 특정 면역 환경을 식별하는 데 도움을 주었습니다. 나아가, 모델의 이차 확률(secondary probabilities)을 살펴봄으로써 연구진은 양성으로 라벨링되었으나 실제로는 숨겨진 암세포를 포함하고 있는 지점들을 찾아낼 수 있었습니다. 이 플래그가 표시된 지점들을 검토했을 때, 연구진은 표준적인 단일 라벨 접근법에서 놓쳤던 암의 거의 절반을 회복해 냈으며, 특히 가장 공격적인 아형(subtype)에서 그러했습니다.
마지막으로, 연구진은 이 방법이 대규모 조직 샘플에서 개별 세포에 이르기까지 다양한 관찰 규모에서 작동함을 보여주었습니다. 그들은 동일한 모델을 대장암의 고해층 데이터에 적용하였는데, 여기서 모델은 추가 학습 없이도 면역 구조를 성공적으로 식별하고 서로 다른 유형의 면역 세포를 구분해 냈습니다. 모델은 특정 유형의 항체를 생성하는 특정 면역 세포들이 구조의 가장자리에 모이는 반면, 다른 세포들은 중심부에 머물러 있다는 것을 정확히 식별했습니다. 서로 다른 기술과 해상도 사이의 이러한 일관성은 모델이 조직이 어떻게 조직화되는지에 대한 견고한 이해를 포착했음을 시사합니다. 공간적 주석(spatial annotation)을 인터랙티브한 조직 읽기로 전환함으로써, VINTER는 인체의 이웃을 탐구하는 새로운 방법을 제시하며, 과학자들이 모든 생물학적 결정 뒤에 숨겨진 증거에 대해 질문을 던지고 건강과 질병을 정의하는 숨겨진 패턴을 볼 수 있게 해줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.