SPRINT enables spatial proteomic profile reconstruction through multimodal fusion of histology and transcriptomics
SPRINT는 공간 전사체학과 H&E 조직학적 이미지를 융합하여 공간적 단백질 프로파일을 재구성하는 멀티모달 계산 프레임워크로, 이를 통해 단일 모달리티 방법의 한계를 극복하여 단백질 분포를 정확하게 추론하고, 교차 종 분석을 지원하며, 조직 도메인 특성화를 향상시킨다.
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 단순히 세포들의 정적인 집합체가 아닙니다. 조직은 서로 다른 구역들이 특정한 직무를 수행하는 역동적이고 조직화된 도시와 같습니다. 이러한 도시가 특히 건강과 질병 상태에서 어떻게 기능하는지 이해하기 위해, 과학자들은 단순히 어떤 세포가 존재하는지를 넘어 그 세포들이 실제로 무엇을 하고 있는지까지 파악해야 합니다. 수십 년 동안 조직 활동의 가장 상세한 지도를 만드는 작업은 세포가 단백질을 만들기 위해 사용하는 분자적 지침인 RNA를 측정하는 데 의존해 왔습니다. 그러나 RNA는 설계도일 뿐이며, 실제 작업을 수행하는 일꾼이자 기계이자 신호는 단백질입니다. 우리는 이제 조직 샘플 내에서 유전자가 어디에서 활성화되는지는 매핑할 수 있지만, 동일한 정밀한 위치에서 실제 단백질을 측정하는 것은 어려웠습니다. 이 간극은 연구자들이 계획은 알고 있지만 건설 현장은 놓치고 있는 불완전한 그림을 갖게 만듭니다.
SPRINT라고 불리는 새로운 계산 도구는 이러한 누락된 세부 정보를 채울 수 있는 방법을 제공합니다. 이미 흔히 구할 수 있는 두 가지 유형의 데이터, 즉 조직의 현미경 이미지와 유전자 활성 지도를 결합함으로써, SPRINT는 특정 단백질이 어디에 위치하는지를 높은 정확도로 예측할 수 있습니다. 하얼빈 공업대학교(Harbin Institute of Technology) 연구진이 개발한 이 시스템은 조직이 현미경 아래에서 어떻게 보이는지, 유전자가 어떻게 켜지는지, 그리고 그 결과로 나타나는 단백질이 어디에 위치하는지 사이의 관계를 학습합니다. 일단 학습이 완료되면, 이 시스템은 단백질이 직접 측정되지 않은 조직 절편에 대해서도 상세한 단백질 지도를 재구성할 수 있어, 표준 현미경 슬라이드와 유전자 지도를 포괄적인 단백질 지도(atlas)로 변모시킵니다.
단백질의 공간적 매핑이 까다로운 이유는 단백질이 유전자와 다르게 행동하기 때문입니다. 혈관 벽이나 피부 외층을 형성하는 것처럼 조직의 물리적 형태와 밀접하게 연결된 일부 단백질은 현미경 이미지에서 식별하기 쉽습니다. 그러나 복잡한 화학적 신호 전달이나 면역 반응에 관여하는 다른 단백질들은 명확한 시각적 흔적을 남기지 않습니다. 현미경 이미지만에 의존하는 전통적인 방식은 이러한 '보이지 않는' 단백질들을 놓치기 쉬우며, 유전자 지도에만 의존하는 방식은 세포 내 단백질의 양이 그에 대응하는 유전자 지침의 양과 항상 일치하지 않기 때문에 부정확할 수 있습니다. 연구진은 하나의 정보원만을 사용하는 것이 전체적인 그림을 보는 능력을 제한한다는 것을 발견했습니다.
이를 해결하기 위해 연구팀은 현미경 이미지와 유전자 지도를 동일한 생물학적 실체를 설명하는 두 가지 상호 보완적인 언어로 취급하는 프레임워크를 만들었습니다. 시스템은 먼저 조직 이미지를 살펴보고 세포의 배열이나 조직의 질감과 같은 물리적 구조를 이해합니다. 그다음 유전자 발현 데이터를 살펴보고 해당 세포의 분자적 상태를 파악합니다. 이 두 가지 정보 흐름을 융합함으로써, 모델은 단백질이 이미지에서 명확히 보이지 않거나 유전자 지침이 최종 단백질 양을 잘 예측하지 못하는 경우에도 단백질 위치를 예측하는 법을 배웁니다. 이 시스템은 개별 세포의 세부 사항을 보여주는 고해Resolution 이미지와 더 넓은 조직 패턴을 포착하는 저해상도 이미지를 모두 처리할 수 있도록 설계되어, 다양한 실험실 장비 전반에서 작동할 수 있는 유연성을 갖추고 있습니다.
연구진은 이 접근 방식이 특정 데이터에 국한되지 않고 일반화될 수 있는지 확인하기 위해 다양한 생물학적 샘플을 테스트했습니다. 그들은 먼저 인간 편도 조직으로 시작하여, 한 부분으로 모델을 학습시킨 뒤 완전히 다른 사람의 다른 조직 절편에서 단백질 위치를 예측하도록 했습니다. 시스템은 면역 방어 및 조직 구조와 관련된 수십 가지 단백질의 공간적 패턴을 성공적으로 재구성했습니다. 이는 이미지나 유전자 중 하나에만 의존하는 기존 방법들보다 뛰어난 성능을 보였으며, 조직의 광범위한 구조와 국소적인 단백질 분포의 미세한 세부 사항을 모두 정확하게 포착했습니다. 이러한 성공은 연구진이 훨씬 낮은 해상도로 촬영된 마우스 비장 조직에서도 유효했으며, 이는 시스템이 예측력을 잃지 않으면서도 다양한 이미지 품질에 적응할 수 있음을 입증했습니다.
가장 엄격한 테스트는 인간의 뇌 샘플을 대상으로 진행되었습니다. 연구진은 단일 조직 절편을 대각선으로 나누어, 한쪽 절반으로 모델을 학습시키고 나머지 절반(학습에 사용되지 않은 영역이며 세포 구성 비율이 다른 영역)의 단백질 경관을 예측하도록 했습니다. 이러한 공간적 분리와 세포 구성의 변화에도 불구하고, 모델은 보이지 않는 영역 전체의 단백질 패턴을 정확하게 재구성했습니다. 모델은 면역 활성화 및 조직 복구와 같은 복잡한 생물학적 프로그램을 정확히 식별해 냈으며, 이는 모델이 단순히 학습 샘플의 특정 레이아웃을 암기한 것이 아니라 조직 구조, 유전자 활동, 단백질 위치를 연결하는 근본적인 규칙을 학습했음을 입증합니다.
이 접근 방식의 유용성은 단순히 누락된 데이터를 채우는 것을 넘어 확장됩니다. 연구진이 재구성된 단백질 지도를 사용하여 조직 내의 뚜렷한 영역을 식별했을 때, 그 결과는 유전자 데이터나 이미지만을 사용할 때보다 훨씬 더 명확했습니다. 마우스 비장과 뇌 샘플에서 예측된 단백질 정보를 추가하자, 이전에는 서로 모호하게 섞여 있던 해부학적 구역(예: 비장의 주변 구역)을 컴퓨터가 더 잘 구분할 수 있게 되었습니다. 이는 시스템이 생성한 단백질 지도가 조직이 어떻게 조직되고 질병에 어떻게 반응하는지 이해하는 데 필수적인 생물학적 세부 정보를 제공한다는 것을 시사합니다.
연구진은 또한 이 방법이 종(species)을 넘나들거나 단백질 이외의 분자에도 적용될 수 있는지 탐구했습니다. 그들은 인간 유방 조직으로 모델을 학습시킨 후 이를 마우스 유방 조직에 적용하였고, 학습 과정에서 마우스 단백질 데이터를 전혀 본 적이 없음에도 불구하고 마우스 샘플의 단백질 위치를 성공적으로 예측했습니다. 이는 조직 구조, 유전자, 단백질 사이의 관계가 인간과 마우스 사이에서 전이될 수 있을 만큼 보존되어 있음을 나타냅니다. 나아가, 연구진은 이 프레임워크를 세포가 에너지와 신호 전달에 사용하는 작은 분자인 대사산물(metabolites)에 대해 테스트했습니다. 대사산물 데이터로 시스템을 직접 학습시킴으로써 마우스 뇌의 대사산물 공간 지도를 재구성할 수 있었으며, 이는 이 기본 전략이 단백질에만 국한되지 않고 다양한 유형의 분자 경관을 재구성하는 데 적응될 수 있음을 보여줍니다.
이 연구는 기존의 생물학적 데이터로부터 최대의 가치를 추출하는 새로운 방법을 확립합니다. 많은 연구실이 이미 방대한 양의 조직 이미지와 유전자 지도를 보유하고 있지만, 해당 샘플에 대한 단백질 데이터는 누락되거나 불완전한 경우가 많습니다. SPRINT는 이러한 공간적 분자 프로필을 완성할 수 있는 일반적인 프레임워크를 제공하여, 과학자들이 다양한 조직, 종, 이미징 조건 전반에 걸쳐 단백질 및 잠재적으로 다른 분자들의 존재와 위치를 추론할 수 있게 해줍니다. 측정하기 쉬운 것과 알아야 하는 것 사이의 간극을 메움으로써, 이 도구는 부분적인 스냅샷을 넘어 조직이 어떻게 구축되고 기능하는지에 대한 포괄적인 시각을 제공하며 생명의 분자적 구조에 대한 더 완전한 이해의 문을 열어줍니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.