미니배치 GNN으로 Xenium급 대용량 공간전사체를 분석하는 SemanticST

Xenium과 같은 고해상도 대용량 공간전사체 데이터는 우세한 신호에 묻혀 희귀 세포군이나 미세한 공간 구조를 놓치기 쉽다. 또한 기존 GNN 기반 알고리즘은 그래픽 메모리 한계로 인해 수십만 내지 수백만 셀 규모의 데이터를 한 번에 처리하기 어려웠다. SemanticST는 공간전사체 GNN 알고리즘에 미니배치 학습과 멀티세만틱 그래프 융합 방식을 도입해 확장성과 해상도 문제를 함께 다룬다.

무엇을 했나

• 공간전사체 GNN 모델 최초로 미니배치 학습을 적용하고, 대조 학습(contrastive learning) 없이 min-cut loss 기반의 멀티세만틱 그래프 융합 방식을 구현했다.
• 마우스 뇌 피질, 후구, 해마 등 다양한 조직 데이터셋에서 도메인 분할 성능을 평가해 기존 대비 최대 20% 향상된 ARI/NMI 수치를 확인했다.
• Xenium 기반 유방암 데이터에 적용하여 삼중 수용체 양성 의심 영역 및 FOXC2가 농축된 EMT 관련 미세 도메인을 분할해 냈다.
• 기존 다중 샘플 벤치마크 데이터셋을 통해 샘플 간 배치 효과를 제거하면서 공간 정보를 보존하는 통합 성능을 검증했다.

왜 눈여겨볼 만한가

Xenium처럼 세포 수가 급증하는 공간전사체 플랫폼 데이터를 분석할 때 기존 풀그래프(full-graph) GNN의 메모리 병목을 피할 수 있는 실용적인 선택지다. Graph corruption이나 대조 샘플 생성 절차 없이 min-cut loss로 복합적인 생물학적 신호를 분리해 낸다는 점이 기술적으로 유용하다. 다만 초록 상의 결과는 계산적 예측에 기반하므로, 식별된 희귀 도메인이 실제 생물학적 기능으로 이어지는지는 실험적 검증을 통해 확인할 필요가 있다.

원문

• Advanced science (Weinheim, Baden-Wurttemberg, Germany) · DOI 10.1002/advs.77003