최근 공개된 연구 논문 'SpaFactor'는 고비용의 공간 전사체학(Spatial Transcriptomics, ST) 대신, 일반적인 조직 병리 이미지(Hematoxylin and Eosin, HE 이미지)만으로 조직 내 유전자 발현을 예측하는 효율적인 AI 모델을 선보였습니다. 이는 세포의 유전자 발현 위치를 파악하는 데 드는 비용과 복잡성을 크게 줄여, 연구 및 진단 분야에서 공간 유전자 발현 분석의 접근성을 높일 것으로 기대됩니다.
기존의 유전자 발현 예측 방식은 각 유전자를 독립적인 대상으로 취급하여 유전자 간의 생물학적 연관성을 간과하고, 고차원 데이터의 노이즈와 과적합(overfitting)에 취약했습니다. 또한, 이러한 한계를 극복하려는 시도들은 복잡한 그래프 네트워크나 보조 감독(auxiliary supervision)에 의존하여 계산 비용이 매우 높았습니다. SpaFactor는 이러한 문제를 해결하기 위해 '저차원 형태-프로그램-유전자 분해(low-rank morphology-program-gene factorization)' 프레임워크를 도입했습니다. 이 모델은 중심 스팟의 시각적 표현과 다중 스케일의 국부 및 지역적 주변 환경 정보를 효율적으로 융합하여, 세포 형태와 미세 환경 이질성을 포착하는 조직학적 표현을 생성합니다. 이후 잔차형 다층 퍼셉트론(residual MLP)을 통해 조직 미세 환경으로부터 저차원 잠재 유전자 프로그램(latent gene programs)을 안정적으로 학습하고, 이를 공유된 유전자 로딩(gene loadings)을 통해 다중 유전자 발현 예측으로 디코딩합니다.
다섯 가지 공개 데이터셋에서 SpaFactor는 기존 방법론 대비 최고의 종합 성능을 달성했으며, 특히 공간적으로 가변적인 유전자(spatially variable genes) 예측에서 명확한 개선을 보였습니다. 이는 조직 맥락과 유전자 프로그램을 경량으로 통합 모델링하는 것이 예측 정확도와 생물학적 충실도를 동시에 향상시킬 수 있음을 입증합니다. 이러한 기술 발전은 암 연구, 발생 생물학 등 다양한 분야에서 질병 메커니즘을 이해하고 새로운 치료법을 개발하는 데 중요한 기반을 제공할 것입니다.