GraphTransformer-CoGNN: A two-stage dynamic graph learning framework for label-scarce cell-type annotation in spatial transcriptomics

거대한 3차원 퍼즐을 풀고 있다고 상상해 보세요. 퍼즐 조각은 아주 작은 살아있는 세포들이고, 당신이 밝혀내려는 그림은 인간의 몸이 어떻게 작동하는가 하는 것입니다. 이것이 바로 **공간 전사체학(spatial transcriptomics)**의 세계입니다. 이는 단순히 세포 내부에서 어떤 유전자가 활성화되어 있는지를 알려주는 것을 넘어, 그 세포가 조직 내 어디에 위치하고 있는지를 알려주는 최첨단 생물학 분야입니다. 마치 도시의 모든 상점이 무엇을 팔고 있는지 목록으로만 보는 것이 아니라, 어느 가게가 열려 있고 무엇을 판매하고 있는지 정확히 볼 수 있는 도시의 지도와 같습니다.

이 데이터를 이해하기 위해 과학자들은 **그래프(graph)**라는 수학적 도구를 사용합니다. 그래프를 사회 관계망 지도라고 생각해보세요. 각 세포는 사람(노드)이고, 이들을 연결하는 선(에지)은 얼마나 가까운지 또는 얼마나 유사한지를 나타냅니다. 보통 컴퓨터는 "두 사람이 옆에 서 있다면 반드시 친구여야 한다"와 같은 단순한 규칙에 따라 이 선들을 그립니다. 하지만 복잡한 생물학적 현실에서는 이웃이라고 해서 항상 친구인 것은 아니며, 멀리 떨어져 있는 세포들이 서로 협력하는 최고의 단짝일 수도 있습니다. 이 분야의 가장 큰 장애물은 **레이블 부족(label scarcity)**입니다. 과학자들은 지도는 가지고 있지만, 그 안에 있는 사람들의 이름은 아주 소수만 알고 있습니다. 그들은 알고 있는 몇 명의 이름을 바탕으로 나머지 사람들이 누구인지 알아내야 하는데, 이를 **준지도 학습(semi-supervised learning)**이라고 합니다. 만약 컴퓨터가 그린 연결 지도가 틀린다면, 컴퓨터는 군중의 이름을 잘못 추측하게 될 것입니다.

여기서 새로운 연구가 등장합니다. 저자들인 위위안 당(Yuanyuan Dang), 신이 한(Xinyi Han), 빙 리우(Bing Liu)는 이 지저받은 지도를 수정하고, 아주 적은 양의 레이블된 예시만 있을 때도 세포 유형을 정확하게 식별할 수 있도록 GraphTransformer-CoGNN이라는 영리한 2단계 시스템을 구축했습니다.

문제점: 노이즈가 섞인 정적인 지도

당신이 손님 몇 명의 이름만 알고 있는 거대한 파티를 조직하려고 한다고 상상해 보세요. 당신은 사람들을 그들이 서 있는 위치를 기준으로 그룹화하기로 결정했습니다. 하지만 문제는 이 방이 매우 붐비고, 어떤 사람들은 가면을 쓰고 있으며(기술적 노이즈), 때로는 "가장 가까운" 사람이 사실은 낯선 사람인 반면, 당신의 절친은 방 건너편에 있을 수도 있다는 점입니다. 전통적인 컴퓨터 모델은 오직 바로 옆에 있는 이웃하고만 대화하도록 허용하는 엄격한 문지기처럼 행동합니다. 만약 누가 누구 근처에 있는지에 대한 초기 지도가 틀렸다면, 문지기는 잘못된 정보를 퍼뜨려 파티 전체를 혼란에 빠뜨릴 것입니다.

이 논문은 이러한 고정된 사전 제작 지도에 의존하는 것이 막다른 길이라고 주장합니다. 저자들은 정적인 지도가 세포들이 가진 복잡한 장거리 관계를 포착하는 데 실패한다는 것을 보여주며, 특히 컴퓨터를 안내할 레이블된 예시가 매우 적을 때 더욱 그렇다고 말합니다. 그들은 단순하고 변하지 않는 이웃 목록만으로는 복잡한 조직을 이해하기에 충분하지 않다는 생각을 명시적으로 거부합니다.

해결책: 2단계 탐정 팀

저자들은 파티를 끊임없이 재평가하여 실제 연결을 찾아내는 2단계 솔루션을 제안합니다.

1단계: 글로벌 관찰자 (Graph Transformer)
먼저, 시스템은 "그래프 트랜스포머"를 사용합니다. 이것을 옆에 있는 사람뿐만 아니라 파티 전체를 볼 수 있는 드론 카메라를 가진 탐정이라고 생각하세요. 단순히 물리적으로 가까운 곳을 보는 대신, 이 탐정은 전체 공간의 "분위기"(유전자 발형)와 "배치"(공간 좌표)를 살펴봅니다.

결정적으로, 이 탐정은 **저항 거리(Resistance Distance)**라는 특별한 도구를 사용합니다. 조직을 거대한 전기 회로라고 상상해 보세요. 한 세포에서 다른 세포로 신호를 보내려고 할 때 얼마나 어려울까요? 만약 두 세포를 연결하는 경로가 많다면 "저항"은 낮고, 그들은 강력하게 연결되어 있습니다. 만약 그들이 고립되어 있다면 저항은 높습니다. 이 방법은 모델이 두 세포가 물리적으로는 멀리 떨어져 있더라도 여전히 동일한 "회로"나 팀의 일부가 될 수 있음을 이해하도록 돕습니다. 트랜스포머는 이를 사용하여 단순한 근접성에 갇히지 않은 더 스마트한 연결 지도를 구축합니다.

2단계: 사회적 필터 (Cooperative Graph Neural Network)
첫 번째 단계에서 더 나은 지도를 그린 후, 두 번째 단계가 시작됩니다. 이것이 CoGNN(협력적 그래프 신경망)입니다. 사회복지사 그룹이 파티를 돌아다니며 새로운 지도상의 모든 연결을 살피는 모습을 상상해 보세요. 그들은 각 세포에게 다음과 같이 물어볼 수 있는 특별한 능력이 있습니다. "이 이웃의 말을 들어야 할까? 무시해야 할까? 아니면 내 정보를 방송해야 할까?"

CoGNN은 동적인 필터 역할을 합니다. 이는 "가짜 에지(spurious edges)", 즉 실제처럼 보이지만 사실은 노이즈인 가짜 연결을 억제합니다. 그리고 현재 과업에 중요한 연결은 강화합니다. 이는 단순히 정적인 목록을 체크하는 문지기가 아니라, "당신 둘은 비록 옆에 서 있지는 않지만, 함께 어울리는 것처럼 보이네요"라고 결정하면서 가짜 친구들을 쫓아내는 것과 같습니다. 이 과정은 레이어를 거듭하며 일어나며, 연결이 가능한 한 정확해질 때까지 지도를 정교하게 다듬습니다.

학습: 비교를 통한 학습

모든 사람의 이름을 알지 못하는 상태에서 이 시스템을 가르치기 위해, 저자들은 **트리플렛 손실(Triplet Loss)**이라는 영리한 기술을 사용합니다. 한 명의 알려진 사람(앵커, Anchor)이 있다고 가정해 봅시다. 당신은 확실히 같은 유형인 다른 사람(포지티브, Positive)과 확실히 다른 사람(네거티브, Negative)을 찾습니다. 컴퓨터는 앵커와 포지티브를 정신적 지도에서 서로 가깝게 끌어당기고, 네거티브는 멀리 밀어내도록 훈련됩니다.

논문은 여기서 특정 변형을 언급합니다: 그들은 "포지티브"와 "네거티브" 예시가 단순히 즉각적인 이웃이 되지 않도록 보장합니다. 이는 모델이 세포들이 서로 멀리 떨어져 있을 수 있다는 것을 배우게 하여, 단순히 "이웃은 같다"라고 암기하는 것을 방지합니다. 이는 모델이 조직 전체에 흩어져 있을 수 있는 희귀 세포 유형을 찾는 데 도움을 줍니다.

결과: 적은 단서로도 날카로운 눈을 갖다

저자들은 실제 인간 폐암 조직과 뇌 조직 데이터를 사용하여 시스템을 테스트했습니다. 그들은 컴퓨터가 세포 레이블의 단 **18%**만 볼 수 있도록 하는 매우 어려운 과제를 부여했습니다. 이는 퍼즐 조각 중 이름이 붙은 조각이 5분의 1도 채 되지 않는 상태에서 퍼즐을 푸는 것과 같습니다.

이러한 희소성에도 불구하고, 그들의 방식인 GraphTransformer-CoGNN은 모든 선도적인 방법들을 압도했습니다.

• 폐암 데이터셋에서, 이 모델은 레이블된 세포들이 멀리 흩어져 있는 가장 어려운 시나리오에서 **84.70%**의 정확도를 달ek 성하며, 그다음으로 좋은 방법인 83.26%를 앞질렀습니다.
• 뇌 데이터셋에서도 **83.52%**의 정확도에 도달하여 다시 한번 경쟁자들을 이겼습니다.
• 또한, 다른 도구들이 놓치기 쉬운 희귀 세포 유형을 식별하는 데 더 뛰어난 성능을 보였습니다.

저자들은 모든 구성 요소가 필수적임을 증명하기 위해 "절제 연구(ablation studies, 시스템의 일부를 제거하는 실험)"를 수행했습니다. "저항 거리"나 "협력적(Cooperative)" 필터링을 제거했을 때 정확도가 크게 떨어졌습니다. 이는 글로벌 뷰, 스마트 필터링, 그리고 특정한 훈련 방식의 조합이 시스템을 잘 작동하게 만드는 핵심임을 시사합니다.

시사점

간단히 말해, 이 논문은 우리 몸속의 복잡한 세포 도시를 이해하기 위해서는 단순히 누가 옆에 서 있는지를 나타내는 정적인 지도에만 의존해서는 안 된다는 것을 보여줍니다. 우리는 전체 그림을 보고, 멀리 떨어진 세포들 사이의 숨겨진 전기적 연결을 이해하며, 노이즈를 능동적으로 걸러낼 수 있는 시스템이 필요합니다. 이 2단계 접근 방식을 통해, 저자들은 아주 적은 정보로 시작하더라도 세포 유형을 정확하게 식별할 수 있는 도구를 만들어냈으며, 이는 세포 수준에서 인체를 매핑하는 강력하고 새로운 방법을 제시합니다.