🧬 biology

SEMA: A Framework of Spatial-Aware Enrichment for Multi-pathway Analysis

SEMA는 공간적 맥락을 경로 농축 분석에 통합하는 새로운 프레임워크로서, 다양한 조직 및 암 데이터셋 전반에서 3차 림프 구조 근처의 대사 활동 및 섬유아세포 매개 면역 조절과 같은 중요한 공간 해상도 기반의 생물학적 통찰을 밝혀냄으로써 기존 방법들을 능가합니다.

원저자: Xiaokai Fan

게시일 2026-07-20

📖 5 분 읽기🧠 심층 분석

CC BY 4.0

원저자: Xiaokai Fan

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

드론으로 거대하고 북적이는 도시를 내려다보고 있다고 상상해 보십시오. 만약 각 건물에 있는 사람의 수만 센다며, 당신은 "이 건물에는 100명, 저 건물에는 50명"과 같은 숫자 목록을 얻게 될 것입니다. 이것은 전통적인 유전자 시퀀싱과 같습니다. 이는 과학자들에게 샘플 내에서 어떤 유전자가 활성화되어 있는지는 알려주지만, 모든 세포를 마치 진공 상태에 떠 있는 것처럼 취급하여 이웃의 존재를 무시합니다. 하지만 도시는 단순히 건물의 목록이 아닙니다. 도시는 그 건물들이 어떻게 상호작용하는지에 의해 정의됩니다. 도서관 옆에 있는 커피숍은 공사 현장 옆에 있는 커피숍과는 다른 분위기를 만들어냅니다. 생물학에서 이 "도시"는 당신의 신체 조직이며, "건물"은 세포입니다.

최근 과학자들은 이러한 세포 도시를 촬영하는 새로운 방법인 **공간 전사체학(spatial transcriptomics)**을 개발했습니다. 이 기술은 단순히 유전자를 나열하는 대신, 조직의 레이아웃 내에서 각 유전자가 정확히 어디에서 켜지는지를 지도화합니다. 하지만 함정이 하나 있습니다. 이 지도를 분석하는 데 사용되는 대부분의 도구는 여전히 문장의 의미를 이해하지 못한 채 단어의 목록만을 읽고 있는 것과 같습니다. 그들은 단일 세포를 보고 "이 세포는 무엇을 하고 있는가?"라고 묻지만, 그 세포가 바로 옆에 있는 세포들과 어떻게 대화를 나누고 있는지에 대한 더 큰 그림은 놓치고 있습니다. 이 논문은 이러한 사각지대를 해결하기 위한 새로운 도구를 소개하며, 연구자들이 단순히 방 안에 누가 있는지가 아니라, 방이 어떻게 배치되어 있고 그 배치가 도시의 건강에 무엇을 의미하는지를 이해하도록 돕습니다.

새로운 지도 제작자: SEMA를 만나보세요

SEMA(Spatial-Aware Enrichment for Multi-pathway Analysis)를 만나보세요. SEMA를 단순히 집 한 채를 보는 것이 아니라, 실제로 무슨 일이 일어나고 있는지 이해하기 위해 블록 전체를 살피는 아주 똑똑한 동네 파수꾼이라고 생각하십시오.

기존의 방식에서는, 만약 과학자가 특정 유전자 집단(즉, "경로/pathway")이 조직 내에서 활성화되었는지 알고 싶다면, 특정 지점을 보고 점수를 계산했습니다. 그것은 마치 구석에 있는 한 사람을 보고 파티 전체를 판단하는 것과 같았습니다. 만약 그 사람이 춤을 추고 있다면, 당신은 파티 전체가 열광적이라고 생각할 수도 있습니다. 하지만 만약 그 사람이 다른 모든 사람이 잠든 동안 혼자 춤을 추고 있었던 것이라면 어떨까요? 기존의 방법들은 종종 이런 실수를 범하며, 생물학이 고립된 상태가 아니라 이웃 단위로 일어난다는 사실을 놓쳤습니다.

SEMA는 "이웃 규칙"을 사용하여 게임의 판도를 바꿉니다. 특정 세포에 대한 점수를 계산할 때, SEMA는 단순히 그 세포의 유전자만 보는 것이 아닙니다. 또한 즉시 주변에 있는 세포들의 유전자도 함께 살펴보고, 이웃의 활동에 약간의 가중치를 부여합니다. 이것은 마치 이웃이 쿠키를 굽고 있다면, 설령 내 주방이 비어 있더라도 그 냄새(신호)가 아마도 이웃집에서 오는 것임을 깨닫는 것과 같습니다. 세포 자체의 활동과 이웃의 활동을 혼합함으로써, SEMA는 생물학적 과정이 실제로 어디에서 일s나고 있는지에 대해 훨씬 더 명확하고 매끄러운 지도를 만들어냅니다.

SEMA를 통한 검증

저자들은 단순히 이 도구를 만든 것에 그치지 않고, 이것이 기존 방법보다 실제로 더 잘 작동하는지 확인하기 위해 혹독한 테스트를 거쳤습니다. 그들은 세 가지 매우 다른 "도시"에서 이를 테스트했습니다:

조직화된 도시 (뇌): 그들은 생쥐의 뇌와 인간의 전두엽 피질을 조사했습니다. 이 영역들은 매우 뚜렷하고 조직화된 이웃(예: 시각 피질 또는 해마)을 가지고 있습니다. 유전자 활동을 사용하여 이러한 특정 영역을 찾으려 할 때, SEMA는 다른 도구들보다 경계선을 훨씬 더 잘 그려냈습니다. SEMA는 다른 도구들이 다소 모호할 때, "네, 이곳은 확실히 도서관이고, 저곳은 확실히 공원입니다"라고 말하듯 두 인접 뇌 영역을 훨씬 더 높은 정확도로 구분해 낼 수 있었습니다.
작은 마을 (림프절): 그들은 림프절 내부의 림프 여포 중심(germinal centers)이라고 불리는 작고 복잡한 구조로 줌인했습니다. 이곳은 면역 세포들이 감염과 싸우기 위해 모여드는 작고 밀집된 구역입니다. 이 구역들은 매우 작고 빽빽하기 때문에 기존의 도구들이 이를 포착하기 어렵습니다. 그러나 SEMA는 이를 명확하게 포착해 냈으며, 다른 고급 방법들에서 발견된 실제 세포 수와 거의 완벽하게 일치했습니다.
숨겨진 요새 (3차 림프 구조): 종양 내에서 우리 몸은 암과 싸우기 위해 3차 림프 구조(TLS)라고 불리는 "요새"를 구축하기도 합니다. 이들은 주변의 종양 조직과 비슷해 보여 찾기가 어렵습니다. SEMA는 이러한 구조를 식별하는 데 가장 뛰어났으며, 경쟁 도구들보다 더 정확하게 찾아내면서도 더 적은 컴퓨터 자원(메모리 및 시간)을 사용했습니다.

SEMA가 암에서 발견한 것들

저자들이 SEMA가 최고의 지도 제작자라는 확신을 얻은 후, 그들은 이 도구를 사용하여 93개의 유방암 샘플과 다양한 기타 암에서 추출한 123개의 샘플을 탐구했습니다. 여기서 그들이 발견한 내용은 다음과 같습니다.

대사적 연결 고리:
그들은 "기능적" TLS(활발하게 싸우는 면역 요새 버전)와 **아라키돈산 대사(arachidonic acid metabolism)**라고 불리는 특정 대사 과정 사이의 강력한 공간적 연결을 발견했습니다. 이는 마치 면역 요새가 완전히 가동될 때마다 주변 동네가 특정 유형의 화학적 에너지로 활기차게 움직이고 있다는 것을 찾아낸 것과 같습니다. 이는 이 대사 경로가 면역 전투에 연료를 공급하고 있을 수 있음을 시사하며, 이전에는 명확히 드러나지 않았던 단서입니다.

비밀 악수:
그들은 또한 세포들이 서로 대화하기 위해 사용하는 비밀 악수인 "리간드-수용체 쌍(ligand-receptor pairs)"을 살펴보았습니다. 모든 이들이 이 면역 요새에서 유명한 CXCL13-CXCR5라는 이름의 악수에 대해 알고 있었지만, SEMA는 또 다른 똑같이 중요한 쌍인 CXCL13-CXCR3를 강조했습니다. 이 쌍은 면역 요새가 가장 강력한 곳에서 매우 활발하게 발견되었습니다. 저자들은 이 쌍이 면역 반응을 조직하는 핵심 플레이어일 수 있으며, 이 신호의 수치가 높은 환자들이 더 나은 생존율을 보이는 경향이 있다고 제안합니다.

거대한 벽 vs 혼합된 군중:
아마도 가장 놀라운 발견은 여러 종류의 암에서 서로 다른 세포 유형들이 어떻게 배치되어 있는지를 살펴보는 과정에서 나왔습니다. 저자들은 섬유아세포(fibroblasts)(지지 세포의 일종)가 종양 도시에서 "풀" 또는 중앙 허브 역할을 한다는 것을 발견했습니다. 이들은 보통 암 세포와 가장 가까운 이웃입니다.

하지만, 그 배치가 매우 중요합니다. 연구팀은 두 가지 뚜렷한 패턴을 발견했습니다:

혼합된 군중: 일부 종양에서는 섬유아세포와 암 세포가 혼란스러운 혼합 상태로 뒤섞여 있습니다.
분리된 도시: 다른 종양에서는 명확하고 날카로운 경계가 존재합니다. 섬유아세포가 암 세포 주변에 뚜렷한 고리나 벽을 형성하여 면역 세포로부터 암 세포를 격리합니다.

이 논문은 섬유아세포가 명확한 경계를 형성하는 이 "분리된" 패턴이 실제로 좋은 것이라고 제안합니다. 섬로아세포가 명확한 경계를 형성하는 환자들은 더 강한 면역 활동과 더 나은 생존 결과를 보였습니다. 지원 세포들이 깔끔하고 조직된 경계를 형성할 때 면역 체계가 제 역할을 더 잘 수행할 수 있는 것으로 보입니다. 반면, 모든 것이 뒤섞여 있을 때는 면역 체계가 덜 효과적인 것처럼 보입니다.

이것이 왜 중요한가

이 논문은 암을 치료하거나 생명의 신비를 풀었다고 주장하는 것이 아닙니다. 대신, 지도를 읽는 더 나은 방법을 제공합니다. 세포가 이웃을 이루어 살아가며 그 위치가 정체성만큼이나 중요하다는 점을 인정함으로써, SEMA는 과학자들이 소음 속에 숨겨져 있던 패턴을 볼 수 있도록 돕습니다. 이는 종양의 물리적 레이아웃, 즉 세포가 어떻게 조직되고 분리되어 있는지가 질병이 어떻게 행동하고 환자가 치료에 어떻게 반응할지를 이해하는 결정적인 단서가 될 수 있음을 시사합니다. 이는 생물학에서도 도시와 마찬가지로, 단지 누가 살고 있느냐가 아니라 그들이 어떻게 배치되어 있는가가 중요하다는 점을 상기시켜 줍니다.

기술 요약: SEMA – 다중 경로 분석을 위한 공간 인지적 풍부화 프레임워크

문제 정의

공간 전사체(ST) 기술은 벌크 수준의 해상도에서 단일 세포 정밀도로 진화하여, 조직 구조, 세포 간 상호작용, 그리고 3차 림프 구조(TLS)와 같은 기능적 니치(niche)를 특징짓는 것을 가능하게 했다. 유전자 세트 풍부화 분석(GSEA)은 벌크 및 단일 세포 RNA-seq 데이터를 해석하는 표준 도구이지만, 현재의 ST 방법론들은 명시적인 공간적 맥락을 간과하는 경우가 많다. 전통적인 접근 방식은 스팟(spot)이나 세포를 고립된 데이터 포인트로 취급하며, 오직 국소적 유전자 발현에만 기반하여 풍부화 점수를 계산한다. 이는 생물학적 기능이 공간적으로 단절된 위치에 잘못 할당되는 오해를 불러일파할 수 있다. 특히 조직의 기능성이 물리적 세포 상호작용으로부터 발현된다는 점을 고려할 때, 공간적으로 분해된 데이터를 정확하게 해독하기 위해 물리적 공간 근접성을 경로 풍부화에 통합하는 방법론에는 결정적인 공백이 존재한다.

방법론

저자들은 공간 이웃 정보를 경로 점수 산출에 통합하는 프레임워크인 **SEMA (Spatial-Aware Enrichment for Multi-pathway Analysis)**를 개발하였다. 방법론은 다음 단계로 진행된다:

원시 점수(Raw Score) 계산: 주어진 유전자 세트 $G$ 에 대해, 각 스팟 또는 세포 $i$ 의 원시 점수( $S_i^{raw}$ )는 해당 유전자 세트와 발현 행렬 모두에 존재하는 유전자들의 평균 발현량으로 계산된다.
공간 그래프 구축: 스팟/세포의 유클리드 공간 좌표를 사용하여 k-최근접 이웃(KNN) 그래프를 구축한다. 이웃이 $k$ 개의 가장 가까운 세포들로 정의되는 무방향 인접 행렬이 형성된다.
가중치 평활화(Weighted Smoothing):
- 공간적 영향력의 감쇄를 제어하기 위해 $k'$ -번째 최근접 이웃까지의 거리를 기반으로 가우시안 커널 대역폭( $\sigma$ )을 자동으로 추정한다.
- 공간 거리( $d_{ij}$ )에 따라 가우시안 커널 가중치( $w_{ij}$ )를 엣지에 할당한다: $w_{ij} = \exp(-d_{ij}^2 / 2\sigma^2)$ .
- 이 가중치들은 가중 인접 행렬 $\tilde{W}$ 를 생성하기 위해 행 정규화(row-normalized)된다.
공간 인지적 점수 계산: 최종 공간 인지적 점수( $S_i^{spatial}$ )는 스팟 자체의 원시 점수와 이웃들의 가중 평균 점수의 볼록 결합(convex combination)이다:
$S_i^{spatial} = (1 - \lambda) \cdot S_i^{raw} + \lambda \cdot \sum_j \tilde{W}_{ij} S_j^{raw}$
여기서 $\lambda \in [0,1]$ 는 공간 가중치 파라미터이다.
공간 상관관계 분석: 경로 또는 세포 유형 간의 관계를 조사하기 위해, 저자들은 **이변량 모란스 I(bivariate Moran's I)**을 채택한다. 이 통계량은 SEMA 점수를 사용하여 전역적 공간 상관관계를 측정하며, 조직 전체에서 두 유전자 세트 간의 공존(양의 상관관계) 또는 공간적 배제(음의 상관관계)를 식별한다.

본 프레임워크는 AddModuleScore, AUCell, UCell, ssGSEA를 포함한 기존 방법들과 벤치마킹되었다.

주요 기여 및 결과

1. 벤치마킹 및 성능

SEMA는 여러 데이터셋과 작업에 걸쳐 엄격하게 평가되었으며, 정확도, 특이도 및 효율성 측면에서 기존의 주요 방법들을 일관되게 능가했다:

해부학적 재구성: 마우스 뇌 관상면 및 인간 배외측 전전두엽 피질(DLPLEC) 데이터셋에서, SEMA는 미세 규모의 영역 마커 유전자 세트 신호를 복구하는 데 있어 AddModuleScore, ssGهِ, UCell, AUCell보다 높은 AUC(Area Under the ROC Curve) 및 PRAUC(Precision-Recall AUC)를 달성했다.
미세구조 탐지: 인간 림프절 데이터에서, SEMA는 B 세포, 여포 수지상 세포(FDC), T 여포 보조 세포(Tfh) 마커를 기반으로 한 생식 중심(germinal centers, GCs)의 신호를 탐지하는 데 탁월한 능력을 입증했다. SEMA는 디컨볼루션 방법(cell2location 및 CARD)에 의해 추론된 세포 유형 풍부도와 더 높은 일치도를 보였으며, 10x Xenium 데이터에서 병리학자가 주석을 달은 림프 집합 및 GC를 식별하는 데 더 높은 AUC(0.707)를 달성했다.
TLS 식별: 투명 세포 신세포암(ccRCC) 데이터에 세 가지 서로 다른 TLS 시그니처 유전자 세트를 적용했을 때, SEMA는 더 높은 AUC/PRAUC와 더 낮은 위양성률을 통해 TLS 양성 스팟을 구별하는 데 우수한 성능을 보였다.
효율성: SEMA는 비교된 방법들보다 현저히 적은 계산 시간과 메모리를 요구하여 대규모 애플리케이션에 적합하다.

2. 생물학적 통찰: 유방암 및 기능적 TLS

93개의 유방암 공간 전사체 데이터셋에 SEMA를 적용한 결과:

대사 상관관계: 기능적 TLS(CXCL13, CD3D, MS4A1과 같은 마커로 정의됨)와 아라키돈산 대사 경로 사이에 강한 공간적 상관관계가 확인되었다. 이 발견은 KEGG 및 Reactome 유전자 세트 모두에서 일관되게 나타났으며, 벌크 RNA-seq 데이터(4,148개 샘플)에서도 검증되었다.
리간드-수용체 쌍: 기능적 TLS 내의 리간드-수용체 쌍 분석을 통해 CXCL13-CXCR3가 최상위 순위의 쌍임을 밝혀냈으며, 이는 기능적 TLS 시그니처와 강한 공간적 공존을 보였다. 이 쌍은 TCGA-BRCA 및 METABRIC 코호트에서 환자 생존율 개선과 연관되어 있어, 기존의 CXCL13-CXCR5 축을 넘어 TLS 활성에 대한 잠재적으로 과소평가된 역할을 시사한다.

3. 범암 세포 조직화 (Pan-Cancer Cellular Organization)

123개의 공간 전사체 샘플(TNBC, OV, LC, HCC, ccRCC)에 대한 범암 분석을 통해 세포 조직화의 일반적 원칙을 밝혀냈다:

섬유아세포 허브 (Fibroblast Hubs): 섬유아세포는 면역 세포(B 세포, 형질 세포, CD4+ T 세포, 대식세포)와 강한 공간적 연관성을 지속적으로 보여주며, 상피/암 세포에 가장 가까운 세포 유형으로서 중심적인 공간 허브로 나타났다.
분리 vs 혼합: 샘플들은 섬유아세포와 상피/암 세포 사이의 공간적 관계(이변량 모란스 I)를 기준으로 층화되었다:
- 분리 상태 (Segregated State): 섬유아세포와 종양 세포 사이의 더 뚜렷한 공간적 분리(명확한 경계)를 보이는 샘플들은 면역 관련 경로 발현(예: 항체 생성)이 강화된 것과 연관되었으며, 여러 코호트에서 유의미하게 개선된 환자 생존율과 관련이 있었다.
- 혼합 상태 (Mixed State): 혼합된 공간 패턴을 보이는 샘플들은 서로 다른 암 관련 섬유아세포(CAF) 아형과 상관관계가 있었다. 구체적으로, 분리된 상태는 항원 제시(apCAF), 기질(mCAF), 분열(dCAF), 망상형(rCAF) 아형과 연결된 반면, 혼합된 상태는 대사성 CAF(meCAF)와 상관관계가 있었다.

의의 및 주장

저자들은 SEMA를 공간적으로 분해된 경로 활성을 밝혀내기 위한 강력하고 효율적인 도구로 제시한다. 본 논문은 SEMA가 공간적 맥락을 명시적으로 포함함으로써, 공간 데이터를 고립된 점으로 취급하는 방법론들이 가진 오해를 피할 수 있다고 주장한다.

본 연구의 의의는 다음과 같다:

공간 구조 해독: 세포 기능의 물리적 실행 공간을 고려함으로써 조직 내 생물학적 기능에 대한 더 충실한 표현을 제공한다.
대규모 분석 가능: 급격히 확장되는 공간 전사체 데이터셋 규모에 적합한 계산 효율적인 솔루션을 제공한다.
새로운 생물학적 가설 생성: 아라키돈산 대사와 TLS 사이의 연결성, 그리고 섬유아세포-종양 세포 분리의 예후적 가치와 같은 구체적인 공간적 연관성을 밝혀냄으로써, 종양 미세환경 재구성을 위한 전략에 정보를 제공할 수 있다.

저자들은 메타볼릭 및 리간드-수용체 발견이 유전자 발현에 기반하고 있으므로 향후 공간 대사체학 및 기능적 분석을 통한 검증이 필요하다는 점을 언급하며 한계를 인정하였다. 마찬가지로, 세포 유형 분포는 마커 유전자 세트로부터 추론된 것이므로, 향후 단일 세포 해상도 데이터와의 통합이 상호작용 지도를 더욱 정교하게 만들 수 있을 것이다.