생체 조직 이미지 분석을 위한 쌍곡 기하학 기반 AI 모델
Hyperbolic Contrastive Learning with Entailment for Spatial Transcriptomics
arXiv공간 전사체 분석(ST)의 한계를 극복하기 위해, 유전자의 계층적 구조를 포착하는 새로운 AI 모델 'HyCLoST'가 개발되었습니다.
- 이 모델은 쌍곡 기하학과 유전자-이미지 함의 손실을 결합하여 생물학적 관계를 학습하며, 기존 방식 대비 예측 정확도를 크게 향상시켰습니다.
- 공간 전사체 분석은 바이오 연구의 핵심이지만, 본 기술은 데이터 노이즈와 과도한 평활화 문제를 해결하여 신뢰성을 높이는 데 기여합니다.
- 향후 생체 조직 이미지 분석은 단순 패턴 인식을 넘어, 유전자 발현의 복잡하고 비대칭적인 계층 구조를 반영하는 방향으로 발전할 전망입니다.
공간 전사체 분석(ST)은 조직 단면 전체에 걸쳐 유전자 발현을 공간적으로 매핑하며 생의학 연구 분야를 변화시켰다. 그러나 높은 운영 비용, 전문 장비 요구 사항, 그리고 실험 노이즈에 대한 민감성 때문에 ST 기술의 접근성과 확장성에 한계가 존재한다. 최근 컴퓨터 비전 기반 접근법들이 이 문제를 해결하기 위해 이미징 데이터에서 유전자 발현을 직접 예측하려 하지만, 기존 방식들은 종종 과도한 평활화나 조직 영역 전반에 걸친 균일한 예측 오류를 보이는 문제가 지적되었다.
이러한 한계를 극복하고자 연구진은 쌍곡 기하학(hyperbolic geometry)을 활용하는 'HyCLoST(Hyperbolic Contrastive Learning with Entailment)' 모델을 제안했다. HyCLoST는 ST 데이터가 가진 고유의 계층적 관계를 포착하도록 설계되었으며, 특히 유전자-이미지 함의 손실(gene-to-image entailment loss)을 활용하여 생물학적으로 근거 있는 구조화된 표현을 학습함으로써 유전자 발현 예측 정확도를 높이는 데 초점을 맞추었다.
HyCLoST 모델은 성능 평가를 통해 기존 방법 대비 우수한 결과를 입증했다. 이 모델은 26개의 ST 데이터셋에 걸쳐 평균적으로 MSE(Mean Squared Error)를 6% 감소시키고 PCC(Pearson Correlation Coefficient)는 8% 증가시키는 성과를 보였으며, 연구진은 해당 소스 코드를 공개하였다.