spaGFM is a scalable graph foundation model for spatial transcriptomics analyses
이 논문은 무작위 보행(random walks)과 자기지도 학습을 활용하여 공간 전사체 데이터의 견고하고 전이 가능한 표현을 생성함으로써 다양한 생물학적 맥락에 걸친 복잡한 조직 구조와 기능적 결과를 분석할 수 있게 하는 확장 가능한 그래프 파운데이션 모델인 spaGFM을 소개한다.
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
생물학은 오랫동안 현미경으로 조직 조각을 관찰하고 그 안의 세포 수를 세는 방식에 의존해 왔지만, 이러한 접근 방식은 종종 더 큰 그림을 놓치곤 합니다. 단일 세포는 진공 상태에서 존재하지 않습니다. 세포의 행동은 그 세포가 어떤 이웃과 함께 있느냐에 따라 결정됩니다. 살아있는 장기 내에서 세포의 기능은 자신이 감염과 싸우고 있는 이웃 옆에 있는지, 아니면 조용히 손상을 복구하고 있는 이웃 옆에 있는지에 따라 달라집니다. 조직이 어떻게 작동하는지, 그리고 질병 상황에서 왜 기능이 저하되는지를 이해하기 위해 과학자들은 개별 플레이어뿐만 아니라 그들이 형성하는 복잡하고 변화하는 이웃의 모습까지도 볼 필요가 있습니다. 최근 몇 년 동안, 공간 전사체학(spatial transcriptomics)이라는 새로운 기술은 조직 샘플 내에서 모든 유전자가 정확히 어디에서 활성화되는지를 매핑함으로써, 거주자 목록과 함께 그들의 이웃 지도를 보존하는 것을 가능하게 했습니다. 그러나 이러한 지도들은 너무 방대하고 상세해져서 컴퓨터가 읽기에 어려움을 겪고 있습니다. 이 데이터는 단순한 단어 목록이나 직선 형태의 코드가 아닙니다. 그것은 세포 간의 거리와 관계가 세포 자체보다 더 중요한, 연결된 복잡한 그물망입니다.
한 연구팀은 이러한 복잡한 세포 이웃을 이해하기 위해 설계된 spaGFM이라는 새로운 도구를 선보였습니다. 이것을 세포를 단순히 고립된 상태로 보는 것이 아니라, 세포 사이의 경로를 추적하여 조직의 이야기를 읽는 법을 배우는 시스템이라고 생각하면 됩니다. 연구진은 이 시스템을 방대한 양의 데이터 집합으로 학습시켰으며, 폐, 간, 뇌를 포함한 인간과 생쥐 신체의 다양한 부위에서 추출된 약 4,400만 개의 세포가 포함된 132개의 서로 다른 조직 샘사들을 입력했습니다. 이 샘플들은 다양한 고해상도 이미징 장비를 사용하여 캡처되었습니다. 이 거대한 라이브러리를 공부함으로써, 시스템은 세포들이 어떻게 기능적인 그룹으로 조직되는지에 대한 패턴을 인식하는 법을 배웠습니다. 시스템은 조직을 연결된 점들의 지도로 취급하며, 여기서 각 점은 하나의 세포입니다. 전체 지도를 한꺼번에 처리하려고 노력하는 대신, 시스템은 지도 위를 '산책'하며 한 세포에서 이웃으로, 그리고 그 이웃의 이웃으로 건너갑니다. 시스템은 이러한 여정을 일련의 단계(sequence of steps)로 기록함으로써, 특정 세포의 즉각적인 주변 환경부터 그 세포가 속한 더 넓은 이웃에 이르기까지의 로컬 환경을 이해할 수 있게 됩니다.
이러한 접근 방식의 위력은 세 가지 매우 다른 생물학적 과제에서 테스트되었으며, 각 과제는 시스템이 배운 것을 새로운 상황에 얼마나 잘 적용할 수 있는지를 보여주었습니다. 첫째, 연구진은 시스템이 3차 림프 구조(tertiary lymphoid structures)라고 알려진 특정 면역 구조를 찾아낼 수 있는지 물었습니다. 이들은 만성 염증이나 암이 발생할 때 조직 내에 형성되는 작고 조직화된 면역 세포 클러스터로, 환자의 치료 반응을 예측하는 중요한 지표가 됩니다. 이를 식별하는 것은 특히 세포 간의 경계가 흐릿한 오래된 저해상도 이미징 데이터에서는 매우 어려운 일입니다. 고해상도 이미지만으로 학습된 이 시스템은 폐와 신장 암 샘플의 저해상도 데이터에서도 이러한 구조를 성공적으로 찾아냈습니다. 시스템은 새로운 데이터에 대해 다시 학습할 필요 없이, 이전에 학습한 공간적 패턴을 인식함으로써 이를 수행했습니다. 결과는 시스템이 이전 방식들보다 훨씬 더 정확하게 이러한 면역 클러스터를 주변 종양 조직과 구별해 낼 수 있음을 보여주었으며, 이는 데이터가 완전히 다른 종류의 기계에서 왔음에도 불구하고 마찬가지였습니다.
다음으로, 연구팀은 시스템이 암세포에 미치는 면역 환경의 영향을 어떻게 이해하는지 탐구했습니다. 생쥐 종양에 대한 유전 실험을 포함한 연구에서, 연구진은 암세포가 어떻게 반응하는지 보기 위해 특정 유전자를 이미 변형시킨 상태였습니다. 질문은 암세포의 반응이 T세포(면역 세포의 일종) 옆에 서 있는지 여부에 따라 달라지는가 하는 것이었습니다. 시스템은 암세포의 유전적 변화를 살펴보고, 유전자 활동의 패턴을 분석하는 것만으로 어떤 세포가 T세포 근처에 있고 어떤 세포가 멀리 떨어져 있는지를 정확히 예측할 수 있었습니다. 더 중요한 것은, 시스템이 이전에 본 적 없는 유전적 변화에 대해 암세포가 어떻게 반응할지를, 오직 그 반응이 면역 세포와의 근접성에 달려 있는 경우에 한해 예측할 수 있었다는 점입니다. 이는 시스템이 단순히 유전자 행동 목록을 암기한 것이 아니라, 세포가 이웃과 대화하는 규칙을 진정으로 학습했음을 시사합니다.
마지막으로, 연구진은 이 도구를 당뇨병성 신장 질환 환자의 인간 신장 생검 조직에 적용했습니다. 이 질환에서는 사구체라고 불리는 신장의 아주 작은 여과 단위들이 손상되고 흉터가 생깁니다. 병리학자들은 이 손상을 경증에서 중증까지 등급을 매기지만, 육안으로 이를 판단하는 것은 어렵고 주관적입니다. 시스템은 조직을 관찰하여 세포들을 올바른 손상 범주로 자동 분류하였으며, 이는 인간 전문가가 부여한 등급과 일치했습니다. 심지어 시스템은 초기 인간 검토에서 놓쳤던, 손상된 사구체처럼 보이는 새로운 영역을 식별해 냈으며, 이는 나중에 특정 분자 표지의 존재를 통해 확인되었습니다. 또한 시스템은 손상이 악화됨에 따라 특정 보호 세포가 사라지고 다른 세포가 그 자리를 대신하는 등, 이웃의 구성이 예측 가능한 방식으로 변화한다는 사실을 밝혀냈습니다.
이 연구의 의의는 확장 능력에 있습니다. 이러한 세포 지도를 분석하는 기존 방식들은 데이터가 너무 커지거나 복잡해지면 연결 관계의 엄청난 수에 압도되어 어려움을 겪곤 했습니다. 이 새로운 접근 방식은 복잡한 세포 간 연결망을 현대 컴퓨터가 효율적으로 처리할 수 있는 형식으로 변환함으로써 그러한 한계를 우회합니다. 이를 통해 과학자들은 조직이 어떻게 구축되고 어떻게 무너지는지에 대한 일반적인 규칙을 배울 수 있으며, 이 규칙들은 서로 다른 장기와 서로 다른 질병에 걸쳐 공통적으로 적용됩니다. 이 시스템이 인간 전문가를 대체하는 마법 같은 해결책은 아니지만, 미시 세계를 바라보는 강력한 새로운 렌즈를 제공합니다. 이는 수십억 개의 세포가 뒤섞인 혼란스러운 덩어리를 조직화된 하나의 읽기 쉬운 이야기로 바꾸어 놓으며, 생명의 근본 원리와 질병을 이해하는 데 더 명확한 길을 제시합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.