ISPAT-3D: Spatially Varying Conditional Volumetric Network Estimation for 3D Tumor Imaging

기술 요약: ISPAT-3D

문제 정의
종양 미세환경(TME)의 공간적 조직화는 면역 기능과 질병 진행을 이해하는 데 매우 중요하다. CyCIF, IMC, MIBI와 같은 고차원 다중 표지 이미징 기술은 이제 3D에서 단일 세포 해상도를 가능하게 하지만, 기존의 세포 유형 상호작 작용 네트워크 분석 방법은 여전히 주로 2차원에 머물러 있다. 현재의 접근 방식은 조직 절편을 독립적인 평면 영역으로 취급하여, 깊이 축과 고형 종양의 본질적인 3D 체적 구조를 무시한다. 또한, 이러한 방법들은 공간적 자기상관(spatial autocorrelation)을 고려하지 못해 쌍별 공존 측정을 과대 산출하는 경우가 많으며, 일반적으로 종양 밀도 구배에 의해 발생하는 공간적 이질성을 버리는 단일 요약 네트워크를 생성한다. 결과적으로, 종양 밀도 구배를 따라 변화하는 세포 유형 간의 조건부 의존 구조는 규명되지 않은 상태로 남아 있다.

방법론
저자들은 3D 다중 표지 암 이미징 데이터로부터 공간적으로 변화하는 구역별 상호작용 네트워크를 복구하기 위해 설계된 계층적 베이지안 프레임워크인 ISPAT-3D(Informed Spatially Aware Patterns in 3D)를 소개한다. 이 방법은 세 가지 순차적 단계로 작동한다:

1. 구역별 비등방성 가우시안 프로세스(GP) 회귀:
   조직 체적은 국소적 종양 세포 밀도에 따라 종양 강도 구역(tumor intensity zones)으로 분할된다. 각 구역 내의 각 세포 유형에 대해, 관찰된 강도 표면에 비등방성 GP가 적합된다. 결정적으로, 이 모델은 연속 절편 이미징의 비등방성 해상도를 반영하기 위해 조직 평면($\ell_S$)과 축 방향 깊이($\ell_Z$)에 대해 별도의 길이 척도(lengthscale) 파라미터를 사용한다. 이 단계는 관찰된 강도를 매끄러운 공간적 추세(nuisance)와 잔차 신호로 분해한다. 공간적으로 조정된 잔차는 다음 단계로 전달되어, 세포 간 상호작용 신호를 격리하기 위해 전역적 공간 추세를 효과적으로 "디컨파운딩(deconfounding)"한다.

2. 다중 연구 요인 분석(MSFA):
   5개 종양 구역의 잔차는 여러 "연구(studies)"로부터 얻은 데이터로 취급된다. 베이지안 MSFA 모델은 교차 세포 유형 공분산 행렬을 다음과 같이 분해한다:

   • 모든 종양 밀도 구역에 공통적인 상호작용 패턴을 나타내는 공유 성분($\Phi\Phi^\top$).
   • 특정 밀도 수준에서 고유하게 나타나는 편차를 포착하는 구역별 성분($\Lambda_q\Lambda_q^\top$).
   • 개별적 분산($\Psi_q$).
     추론은 수백만 개의 세포 규모에서도 계산 가능한 효율성을 보장하기 위해 좌표 상승 변분 추론(CAVI)을 사용하여 수행된다.

3. 네트워크 구축:
   추정된 로딩 행렬로부터 프레임워크는 부분 상관 네트워크를 구축한다. 공유 네트워크는 $\Phi\Phi^\top$로부터 유도되며, 구역별 네트워크는 $\Phi\Phi^\top + \Lambda_q\Lambda_q^\top + \Psi_q$로부터 유도된다. 이 방법은 모든 다른 세포 유형을 통제하면서 세포 유형 간의 조건부 국소화(양의 엣지) 또는 공간적 배제(음의 엣지)를 나타내는 정밀 행렬(precision matrices)을 얻기 위해 공분산 행렬을 역행렬로 변환하여 부분 상관관계를 추출한다.

주요 기여

• 최초의 3D 체적 네트워크 추정: ISPAT-3D는 3D 다중 표지 이미징 데이터로부터 공간적으로 변화하는 구역별 세포 유형 상호작용 네트워크를 복구하도록 명시적으로 설계된 최초의 통계적 방법으로 제시된다.
• 비등방성 공간 디컨파운딩: 비등방성 GP의 사용은 3D에서 매끄러운 공간적 추세를 상호작용 신호와 분리할 수 있게 하며, 이는 2D 분석에서 문제를 일으키는 공간적 자기상관의 혼란 효과를 해결한다.
• 공유 구조와 구역별 구조의 분해: MSFA 구성 요소는 전역적 TME 구조와 종양 부담에 의해 유도되는 국소적 섭동을 동시에 추정할 수 있게 하며, 이는 단일 구역 또는 전체 슬라이드 요약 방법에는 없는 능력이다.
• 확장성: 이 프레임워크는 수억 개의 세포를 포함하는 데이터셋(예: CRC1 아틀라스)을 처리하기 위해 변분 추론과 공간적으로 층화된 서브샘플링(Fisher Z-변환을 통해 집계됨)을 활용한다.

결과
저자들은 시뮬레이션 연구와 두 가지 실제 3D 데이터셋(3D CyCIF 아틀라스의 대장암(CRC1) 표본 및 3D IMC의 HER2 양성 듀탈 유방암(BC) 표본)에 대한 적용을 통해 ISPAT-3D를 평가하였다.

• 시뮬레이션: 다양한 커널 사양(Matérn-3/2 및 RBF), 세포 수, 클러스터 크기 구성에 걸쳐, ISPAT-3D는 공유 및 구역별 네트워크 구조를 모두 복구하는 데 높은 정확도를 보였다. 평균 RV 계수는 0.65에서 1.0 사이였으며, 통계적 검정력은 일관되게 0.85 이상이었고 허위 발견율(FDR)은 통제되었다.
• CRC1 적용:
  • 공유 네트워크: 대식세포(Macrophages)와 기질(Stroma) 사이의 강한 양의 조건부 연관성과, T 세포와 조절 T 세포(Tregs) 사이의 음의 연관성을 밝혔다.
  • 구역별 역학: 종양 부담이 증가함에 따라 강화되는 T 세포 모듈을 식별했다. 특히, 지배적인 조절 연관성이 중간 밀도에서의 CD4+↔Treg에서 최대 밀도에서의 CD8+↔Treg로 이동했는데, 이는 종양 중심부로 향하는 세포 독성 억제로의 전환을 시사한다.
  • 3D 특이성: 2D 베이스라인과의 비교를 통해, B 세포와 T 세포 사이의 강한 조건부 배제 및 CD8+ T 세포와 기질 사이의 공존과 같이 2D에서는 보이지 않았던 유의미한 상호작용을 3D 디컨파운딩이 복구했음을 보여주었다.
• 유방암(BC) 적용:
  • 공유 네트워크: 암 관련 섬유아세포(CAFs)와 근상피층 사이의 거의 완벽한 조건부 결합, 그리고 면역 세포와 종양 아형 사이의 강한 음의 연관성을 보여주었다.
  • 구역별 역학: 중간 및 높은 종양 부담에서 나타나는 CAF↔내피세포(Endothelial) 공존(혈관 형성 리모델링과 일치)과 고밀도 구역에 국한된 B 세포↔CAF 연관성(3차 림프 구조 형성과 일치)을 밝혀냈다.
  • 3D 특이성: 3D 분석은 면역 세포군이 종양 구획으로부터 체적적으로 격리되어 있음을 보여주었으며, 이 신호는 2D 분석에서는 겉보기 공존으로 붕괴되었다. 또한, CD4+ T 세포↔대식세포 관계가 저부담(양의 관계)에서 고부담(음의 관계)으로 반전되는 것을 감지하여 TME의 기능적 전환을 반영했다.

의의 및 주장
본 논문은 ISPAT-3D가 단층(2D) 분석에서는 구조적으로 보이지 않는 체적 공간 조건부 상호작용을 포착함으로써 "종양 생물학에 대한 질적으로 다른 창"을 제공한다고 주장한다. 저자들은 자신들의 방법이 단순한 조건부 독립 그래프뿐만 아니라 종양 밀도에 따라 체계적으로 변화하는 구배(gradient)로서의 상호작용 구조를 복구한다고 단언한다.

이 연구의 의의는 다음을 수행할 수 있는 능력에 있다:

1. 3D 특이적 생물학 해결: 많은 생물학적으로 중요한 상호작용(예: CAF-내피 결합, 면역 배제 패턴)이 3D 기하학의 산물이며 2D 절편에서는 추론될 수 없음을 입증한다.
2. TME 이질성 특성화: 정적인 전체 종양 요약에서 벗어나 밀도 층화된 세포 간 크로스토크의 동적인 지도로 나아간다.
3. 방법론과 생물학의 연결: 3D 다중 표지 데이터에서 리간드-수용체 상호작용 및 공간적 니치(niche)의 해석을 직접적으로 지원하는 통계적 프레임워크를 제공한다.

저자들은 거대한 데이터셋에 대한 가우시안 프로세스의 계산 제약으로 인해 공간적으로 층화된 서브샘플링에 의존한다는 점과 현재 구현이 GP 단계에서 구역을 독립적으로 취급한다는 점을 인정하며 방법론의 한계에 대해 겸허한 태도를 유지하고 있다. 그들은 이 방법이 $p < n$ 시나리오에서 테스트되었지만, 이론적으로는 고차원($p > n$) 설정에도 적용 가능하다고 언급했다. 이 연구는 인과 추론 및 추가적인 3D 표본에 대한 적용을 포함한 향-후 방향을 제시하며, TME의 체적 구조를 이해하기 위한 기초적인 단계로 자리매김하고 있다.