DELST: 공간 전사체학을 위한 혁신적인 쌍방향 함의 학습 기반 하이퍼볼릭 이미지-유전자 사전 학습

Xulin Chen과 Junzhou Huang이 개발한 DELST는 공간 전사체학 데이터의 계층적 정보를 활용하는 혁신적인 이미지-유전자 사전 학습 프레임워크입니다. 두 가지 수준의 함의 학습과 하이퍼볼릭 표현을 통해 기존 방법보다 향상된 예측 성능을 달성하였으며, 오픈소스로 공개되어 연구의 재현성과 확장성을 높였습니다.

공간 전사체학의 새로운 지평을 열다: DELST의 등장

최근 급부상하고 있는 공간 전사체학(Spatial Transcriptomics, ST)은 조직 내 유전자 발현을 개별 지점별로 매핑하여 다중 모달 표현 학습에 귀중한 자원을 제공합니다. 하지만 기존의 방법들은 이미지-유전자 쌍의 대조 정렬에 의존하여 ST 데이터의 복잡한 계층적 관계를 정확하게 포착하는 데 어려움을 겪었습니다.

이러한 한계를 극복하기 위해, Xulin Chen과 Junzhou Huang 연구팀은 DELST(Dual Entailment Learning for Hyperbolic Image-Gene Pretraining) 라는 혁신적인 프레임워크를 제시했습니다. DELST는 하이퍼볼릭 표현을 통합하여 두 가지 수준의 계층적 관계를 모델링하는 최초의 시도입니다.

1. Cross-modal entailment learning: 유전자와 이미지 간의 순서 관계를 설정하여 이미지 표현의 일반화 성능을 향상시킵니다. 이는 유전자 발현 패턴과 이미지 특징 간의 보다 깊이 있는 연관성을 학습함으로써, 이미지 인식 및 해석의 정확도를 높이는 데 기여합니다.

2. Intra-modal entailment learning: 유전자 발현 패턴을 계층적 관계로 인코딩하여, 다양한 샘플에서 전역적 수준의 계층적 학습을 유도하고 생물학적 통찰력을 단일 모달 표현에 통합합니다. 이는 ST 데이터 내부의 복잡한 상호작용을 더욱 효과적으로 모델링하여 예측 성능을 향상시킵니다.

병리학자에 의해 주석된 ST 벤치마크 데이터셋을 사용한 실험 결과, DELST는 기존 방법에 비해 향상된 예측 성능을 달성했습니다. 이는 DELST가 ST 데이터의 복잡한 구조와 계층적 정보를 효과적으로 학습할 수 있음을 보여줍니다. 더욱이, 연구팀은 GitHub (https://github.com/XulinChen/DELST)를 통해 코드와 모델을 공개하여 연구 결과의 재현성과 확장성을 높였습니다.

결론적으로 DELST는 공간 전사체학 연구에 새로운 가능성을 제시하는 획기적인 프레임워크입니다. 계층적 정보를 효과적으로 활용하고, 하이퍼볼릭 표현을 통해 고차원 데이터를 효율적으로 처리하는 DELST의 접근 방식은 향후 다양한 생물정보학 연구에 중요한 영향을 미칠 것으로 기대됩니다.