트랜스포머와 그래프 신경망을 통한 조직학 기반 공간 전사체 예측

공간 전사체학의 급속한 발전으로 RNA 풍부도를 높은 공간 해상도로 측정할 수 있게 되어, 유전자 발현, 세포 또는 지점의 공간 위치, 그리고 해당 헤마톡실린 및 에오신 염색 조직학 이미지를 동시에 프로파일링하는 것이 가능해졌다. 상대적으로 쉽고 저렴하게 얻을 수 있는 조직학 이미지로부터 유전자 발현을 예측하는 것이 유망해지고 있다. 이를 위해 여러 방법들이 고안되었으나, 2D 시각 특징의 내부 관계나 지점 간의 공간적 의존성을 완전하게 포착하지는 못했다. 본 연구에서는 조직학 이미지로부터 RNA-seq 발현을 예측하는 딥러닝 기반 모델인 Hist2ST를 개발하였다. 각 시퀀싱된 지점 주변에서 대응하는 조직학 이미지를 잘라내어 컨볼루션 모듈에 투입하여 2D 시각 특징을 추출한다. 동시에 트랜스포머 및 그래프 신경망 모듈을 통해 전체 이미지 및 인접 패치와의 공간적 관계를 각각 포착한다. 학습된 특징은 제로-인플레이티드 음이항 분포를 따르며 유전자 발현을 예측하는 데 사용된다. 작은 공간 전사체 데이터의 영향을 완화하기 위해 자기 증류 메커니즘을 적용하여 효율적인 모델 학습을 수행한다. 암 및 정상 데이터셋에서의 포괄적인 검증 결과, Hist2ST는 유전자 발현 예측과 공간 영역 식별 모두에서 기존 방법들을 능가하는 성능을 보였다. 추가 경로 분석을 통해 본 모델이 생물학적 정보를 보존할 수 있음을 확인하였다. 따라서 Hist2ST는 조직학 이미지로부터 공간 전사체 데이터를 생성하여 조직의 분자 특성을 규명하는 데 기여한다.