파운데이션 모델과 대조 학습 기반 조직 이미지-공간전사체 예측 기술

공간전사체 기술은 조직 내 세포 배치와 유전자 발현을 동시에 파악할 수 있지만, 높은 비용과 복잡한 실험 절차 때문에 대규모 임상 샘플에 적용하기 어렵다. 기존의 H&E 이미지 기반 유전자 발현 예측 디프러닝 모델들은 조직의 미세 형태적 특징과 위치적 맥락을 동시에 포착하는 데 한계가 있었다. 본 연구에서는 병리 파운데이션 모델과 그래프 신경망을 결합해 H&E 이미지로부터 공간 발현 프로파일을 예측하는 FOCST 프레임워크를 제안한다.

무엇을 했나

• 병리 조직 특화 파운데이션 모델인 UNI로 H&E 이미지 패치에서 시각적 특징을 추출하고, 대조 학습(contrastive learning)을 통해 유전자 발현 데이터와 공통 임베딩 공간으로 통합했다.
• 그래프 신경망(GNN)을 이용해 이미지 패치의 좌표 정보를 함께 학습시킴으로써 공간적 맥락 반영과 유전자 발현 영역 탐지 성능을 향상시켰다.
• 6개의 조직 이미지 데이터셋에서 기존 SOTA 예측 모델 및 타 비전 인코더들과 비교 평가하여 통계적으로 유의미한 성능 향상을 검증했다(FDR < 0.05).
• FOCST로 예측한 공간전사체 프로파일을 기반으로 유방암 환자의 치료 반응성을 분류한 결과, ROC AUC 0.79의 층화 성능을 확인했다.

왜 눈여겨볼 만한가

Visium이나 Xenium 같은 공간전사체 데이터 구축 비용이 부담스러운 상황에서, 기존 H&E 아카이브 슬라이드를 활용해 가상의 공간 발현 프로파일을 생성하고 탐색적 분석에 활용해 볼 만하다. 최신 병리 파운데이션 모델(UNI)을 시각 인코더로 활용해 일반적인 이미지 모델 대비 미세 병리 특징 반영률을 높인 점이 실용적이다. 다만 벤치마크에 사용된 이미지 수가 6장으로 제한적이며, 치료 반응 예측 AUC 0.79 수준은 임상적 단독 진단보다는 스크리닝 보조 목적으로 검토하는 것이 적절해 보인다.

원문

• PLoS computational biology · DOI 10.1371/journal.pcbi.1014762