서로 다른 조직 데이터를 함께 읽는 과제

공간 전사체(spatial transcriptomics, ST) 데이터의 기술적 차이를 줄이면서 조직 고유의 생물학적 신호를 보존하는 계산 방법 INSPIRE가 Nature Genetics에 보고됐다. 연구팀은 그래프 신경망과 적대적 학습, 비음수 행렬분해를 결합해 여러 조직 절편의 공간 구조와 관련 유전자 프로그램을 함께 해석했다.

ST는 유전자 발현을 조직 내 위치와 연결한다. 다만 기술마다 측정 유전자 범위와 공간 해상도가 다르고, 시료·실험 조건·발달 시점의 차이도 분석에 영향을 준다. 데이터를 단순히 합치면 기술적 차이를 조직의 특성으로 오해하거나, 반대로 특정 절편에만 존재하는 생물학적 신호를 지울 위험이 있다. 기존 공간 분석법인 SpiceMix와 NSFH는 해석 가능한 공간 패턴을 찾는 데 강점이 있지만, 여러 절편 사이의 복잡한 불필요 변이를 처리하는 장치는 제한적이었다.

공간 이웃과 유전자 프로그램을 함께 학습

INSPIRE는 여러 절편의 유전자 발현 계수와 공간 좌표를 입력받는다. 그래프 신경망(graph neural network, GNN)은 주변 세포나 측정 지점의 정보를 반영하고, 적대적 학습은 절편 사이의 공통 신호가 정렬되도록 유도한다. 절편 고유의 세포 집단까지 무리하게 섞지 않도록 판별기의 작동 범위를 제한한 설계도 포함됐다.

비음수 행렬분해(non-negative matrix factorization, NMF)는 여러 절편의 발현 신호를 공간 인자와 유전자 가중치로 설명한다. 공간 인자는 특정 패턴이 조직 어디에 분포하는지, 유전자 가중치는 어떤 유전자가 그 패턴을 특징짓는지 보여준다. 함께 나타나는 유전자들의 발현 패턴을 조직 구조와 생물학적 과정에 연결해 해석하려는 접근이다.

연구팀은 공여자 3명의 인간 배외측 전전두피질 12개 절편에서 피질층과 백질의 구분을 평가했다. 수동 주석과의 일치도를 나타내는 조정 랜드 지수(ARI)·정규화 상호정보량(NMI), 영역의 분리도를 평가하는 평균 실루엣 너비(ASW)에서 비교 방법들보다 나은 성능을 보고했다. 비교 우위가 확인된 범위는 논문에서 사용한 데이터와 평가 조건이다.

기술 간 통합에서는 생쥐 뇌의 Slide-seqV2와 MERFISH 데이터를 함께 분석했다. 전자는 2만 개 이상의 유전자를, 후자는 1,122개 유전자를 측정했으며 실제 통합에는 두 데이터에 공통으로 존재하는 1,077개 유전자를 사용했다. INSPIRE는 MERFISH의 정보를 활용해 Slide-seqV2에서 피질층을 구분했다. 인간 유방암에서는 Xenium으로 측정한 두 절편의 필터링 후 세포 283,063개와 유전자 313개를 분석해 종양 영역과 근상피·내피 관련 공간 인자의 차이를 포착했다.

연구용 조직 지도에서의 가능성과 한계

이 결과는 이질적인 공개 데이터를 재사용해 조직 구조와 종양 미세환경을 비교하는 연구를 뒷받침한다. 연구팀은 발생 단계별 생쥐 배아 분석과 인접 절편의 3차원 재구성에도 INSPIRE를 적용했다. 다만 인체 전체의 정밀 지도 완성이나 환자별 진단·최적 약물 선택 능력은 이번 연구의 검증 대상에 포함되지 않았다.

현재 통합 해석은 데이터셋 사이에 공유되는 유전자에 의존하므로 일부 데이터에만 있는 유전자 신호가 제외될 수 있다. 유전자 발현 보간값은 실제 측정값과 구분해야 하며, 데이터 통합 자체의 불확실성을 정량화하는 문제도 남아 있다. 후속 연구에서는 추론한 공간 패턴과 유전자 프로그램을 독립 자료와 실험으로 확인할 필요가 있다.

연구 내용과 분석 조건은 Nature Genetics 논문과 공개 본문에 제시돼 있다.