smoothclust: Spatial smoothing and boundary-density summaries for spatial transcriptomics

조직은 단순히 세포들의 주머니가 아닙니다. 그것은 지형이 기능을 결정하는 복잡한 도시입니다. 건강한 장기에서 동일한 유형의 세포들은 서로 모여 특정 과업을 수행하는 뚜렷한 구역을 형성하며, 이 구역들 사이의 경계는 흔히 명확하고 잘 정의되어 있습니다. 암과 같은 질병이 닥치면, 이러한 질서 정연한 구조가 해체되어 서로 다른 세포 유형들이 뒤섞이거나 지역 간의 경계가 모호하고 혼란스러워질 수 있습니다. 수십 년 동안 과학자들은 개별 세포 내부의 유전적 지침을 읽어낼 수 있었지만, 그 세포들이 조직 내 어디에 위치하는지를 포착하는 것은 더 새롭고 어려운 과제였습니다. 현대의 도구들은 이제 세포의 원래 위치를 보존하면서 유전자 활동을 매핑할 수 있게 하여, 조직의 공간적 지도를 만들어냅니다. 그러나 이러한 복잡한 지도를 단순하고 비교 가능한 숫자로 변환하는 것은 여전히 장애물로 남아 있습니다. 연구자들은 조직이 얼마나 조직화되어 있는지, 혹은 그 이웃들이 얼마나 뒤섞였는지를 정확하게 정량화하는 데 어려움을 겪으며, 이로 인해 한 환자의 샘플을 다른 환자와 비교하거나 시간이 지남에 따라 조직이 어떻게 변화하는지 추적하는 것이 어렵습니다.

보스턴 대학교의 연구팀은 조직 샘플의 구조를 요약하는 간단한 방법을 제공하는, 공간적 질서를 측정하는 새로운 방식을 개발했습니다. 그들은 이 접근 방식의 이름을 smoothclust라고 부르며, 이는 두 부분으로 작동합니다. 첫째, 유전자 활동과 이웃 관계를 기반으로 세포를 의미 있는 영역으로 그룹화하는 워크플로우를 제공하여, 원시 데이터에 흔히 나타나는 노이즈를 매끄럽게 처리합니다. 둘째, 아마도 더 중요한 점은, "경계 밀도(boundary density)"라고 불리는 지표를 도입했다는 것입니다. 도시의 지도를 보고 한 거리의 집이 완전히 다른 동네에 속한 옆 거리의 집과 이웃할 때 얼마나 자주 발생하는지를 세는 것을 상상해 보십시오. 도시가 잘 조직되어 있다면 유사한 집들이 길게 이어지는 구간을 보게 될 것이고, 경계를 넘나드는 횟수는 적을 것입니다. 만약 도시가 혼란스러워 서로 다른 동네들이 뒤섞여 있다면, 당신은 끊임없이 경계를 넘게 될 것입니다. 연구자들은 이와 동일한 논리를 사용하여, 한 세포의 유전적 "정체성"이 바로 주변의 세포들과 얼마나 자주 달라지는지를 계산합니다. 이 횟수는 조직이 얼마나 섞여 있는지 또는 얼마나 뚜렷한지를 설명하는 단일 숫자를 제공합니다.

연구진은 이 방법을 글리오블라스트로마(교모세포종)로 알려진 뇌종양 샘양을 포함한 다양한 실제 데이터 세트에 테스트했습니다. 그들은 공간적 위치를 고려하지 않는 표준 방식과 이 새로운 스무딩 기반 접근 방식을 비교했습니다. 결과는 그들의 방식이 훨씬 더 깨끗한 지도를 생성하며, 세포 유형 사이의 급격하고 무작위적인 전환이 적다는 것을 보여주었습니다. 한 특정 종양 샘플에서 표준 방식은 조직이 매우 파편화되어 있으며 경계 교차율이 높다고 제안했습니다. 반면, 새로운 방식은 훨씬 더 일관된 구조를 드러냈으며, 전이 현상이 훨씬 적어 조직이 실제로는 표준 도구가 나타낸 것보다 더 조직화되어 있음을 시사했습니다. 이러한 차이는 중요한데, 이는 새로운 방식이 종양 구조의 진정한 생물학적 실체를 더 잘 반영할 수 있음을 의미하기 때문입니다. 연구진은 또한 기존의 다른 소프트웨어로 생성된 레이블과 병리학자가 만든 지도에도 이 지표를 적용했습니다. 모든 경우에 있어, 경계 밀도 지표는 조직의 조직화를 성공적으로 요약해 냈으며, 이는 초기 세포 그룹이 어떻게 식별되었는지와 상관없이 이 도구가 작동함을 입증했습니다.

측정법의 견고함을 보장하기 위해, 팀은 정답을 알고 있는 시뮬레이션을 실행했습니다. 그들은 완벽하게 분리된 절반부터 완전히 무작위로 섞인 상태까지, 알려진 패턴을 가진 인공 세포 격자들을 만들었습니다. 예상대로, 지표는 완벽하게 분리된 절반이 매우 적은 경계 교차를 보이는 반면, 무작위 혼합물은 많은 경계 교차를 보인다는 것을 정확히 식별했습니다. 또한 그들은 레이블이 존재하는 세포 유형의 순수 개수에 따라 조정될 때 어떤 일이 일어나는지 테스트했습니다. 때때로 조직은 샘플이 다양하기 때문에 여러 가지 다른 세포 유형을 가질 수 있습니다. 이는 조직이 무질서해서가 아니라 단순히 다양하기 때문일 수 있습니다. 연구진은 순수한 우연에 의해 예상되는 교차 횟수와 관찰된 교차 횟수를 비교함으로써 이를 고려하는 "상대적(relative)" 버전의 지표를 개발했습니다. 이 조정을 통해 그들은 자연스럽게 다양한 조직과 진정으로 혼란스러운 조직을 구별할 수 있었습니다.

이 접근 방식의 유용성은 뇌종양을 넘어 확장됩니다. 연구진은 심근경색을 겪은 환자들의 심장 조직 샘플에 이 방법을 적용했습니다. 그들은 서로 다른 유형의 손상된 심장 조직이 뚜로 다른 조직화 패턴을 보인다는 것을 발견했습니다. 근육 세포가 풍부한 일부 구역은 서로 다른 세포 니치(niche) 사이의 전이가 더 빈번하게 나타나 세포 유형의 복잡한 뒤섞임을 시사했습니다. 반면, 흉터 조직이나 특정 손상 반응이 지배적인 다른 구역들은 더 균일한 영역을 보여주었습니다. 지표는 한 세포 유형이 거의 모든 자리를 차지하는 불균형한 구성의 샘플에서도 이러한 차이를 감지할 만큼 민감했습니다. 이는 도구가 생물학적 구성이 크게 치우친 샘플에서도 신뢰할 수 있는 요약을 제공할 수 있음을 시사합니다.

연구진은 또한 이웃을 계산하는 데 사용되는 이웃의 크기가 결과에 어떤 영향을 미치는지 탐구했습니다. 그들은 즉각적인 이웃을 보느냐 아니면 약간 더 넓은 범위를 보느냐에 따라 수치는 변할 수 있지만, 전체적인 샘의 순위는 일관되게 유지된다는 것을 발견했습니다. 이는 지표가 데이터를 바라보는 방식의 미세한 변화에 과도하게 민감하지 않고 안정적임을 나타냅니다. 또한, 그들은 대규모 세포 집단이 포함된 초고해상도 데이터 세트(예: 대장암 조직)에 대해 이 방법을 테스트했습니다. 이 거대한 규모의 데이터 세트에도 불구하고, 소프트웨어는 표준 노트북에서 1분 미만으로 효율적으로 실행되었습니다. 이는 이 방법이 이론적으로 타당할 뿐만 아니라, 현대 기술이 생성하는 방대한 양의 데이터를 처리하기에 실용적임을 입증합니다.

연구에서 가장 드러나는 측면 중 하나는 연구자들이 영역을 정의하는 방식에 지표가 어떻게 반응하는가 하는 점이었습니다. 연구진이 뇌 피질의 세 가지 다른 백질 층을 구분하는 상세한 지도를 가져와 이를 하나의 "백질" 범주로 통합했을 때, 경계 밀도는 크게 감소했습니다. 이는 직관적으로 타당합니다. 세 개의 유사한 층을 구분하지 않고 하나의 큰 영역으로 취급하면 경계를 넘는 횟수가 줄어들기 때문입니다. 그러나 연구진은 이러한 변화가 샘플의 상대적 순위도 변화시킨다는 점에 주목했습니다. 이 발견은 지표가 생성하는 숫자가 처음에 생물학적 영역이 어떻게 정의되느냐에 달려 있다는 중요한 사실을 상기시켜 줍니다. 그것은 조직에 대한 단 하나의 절대적인 진리를 제공하는 것이 아니라, 사용되는 특정 지도에 기반한 조직화의 정밀한 요약을 제공하는 것입니다.

본 연구는 이 프레임워크가 복잡한 공간 지도를 이해 가능한 요약으로 변환하는 투명하고 재사용 가능한 방법을 제공한다고 결론짓습니다. 세포의 정체성이 한 지점에서 다음 지점으로 얼마나 자주 변하는지를 정량화함으로써, 이 방법은 모든 세포를 완벽하게 정렬할 필요 없이 서로 다른 환자, 서로 다른 질병 상태, 그리고 서로 다른 생물학적 조건 간의 조직 조직화를 비교할 수 있게 해줍니다. 이는 조직 지도의 시각적 복잡성과 단순하고 비교 가능한 숫자에 대한 필요성 사이의 간극을 메워줍니다. 클러스터링 알고리즘의 성공을 평가하거나, 서로 다른 전문가의 수동 주석을 비교하거나, 질병에 따라 조직 구조가 어떻게 변하는지 탐구하는 데 사용되든 간에, 경계 밀도 지표는 생명의 공간적 질서에 대한 질문을 던지고 답할 수 있는 명확하고 데이터에 기반한 방법을 제공합니다. 이 도구들은 과학계에 무료로 공개되어 있으며, 공간 생물학 분야가 계속 성장함에 따라 새로운 데이터 세트에 적용될 준비가 되어 있습니다.