SpaEF: Spatially Resolved Transcriptomics Data Element-Wise Denoising Framework Powered by Large Models

Motivation

• Known: 기존 SRT denoising 기법들은 spatial coordinate, expression matrix, 혹은 histological image를 기반으로 spot graph를 구성하고 GNN이나 graph regularization을 적용해 노이즈를 줄이며, 일부 최신 방법은 gene graph를 추가로 구성해 spot과 gene 정보를 함께 활용한다.
• Gap: histological image 기반 spot graph 구성은 이미지의 협소성과 염색 방식에 따른 변동성으로 spot 간 spurious similarity bias를 유발하며, 기존 gene graph는 Pearson correlation과 같은 co-expression 통계에만 의존해 path sharing 등 nonlinear한 gene 관계를 포착하지 못한다. 또한 spot과 gene graph를 matrix-wise weighting으로 융합하는 방식은 모든 원소에 동일한 전역 가중치를 부여해 element 단위의 적응적 denoising을 제한한다.
• Why: SRT 데이터의 노이즈는 downstream 분석(cell type identification, spatial domain 식별 등)의 신뢰성을 직접적으로 저하시키므로, spot과 gene 관계를 편향 없이 정확하게 포착하고 이를 세밀하게 융합하는 denoising 기법은 공간 전사체학 분석의 정확성과 재현성을 크게 향상시킬 수 있다.
• Approach: SpaEF는 OmiCLIP의 text encoder로 spot feature를 추출해 GAT 기반 AGAE로 spot graph를 구성하고, GenePT로 gene 간 nonlinear 관계를 포착해 gene graph를 구성한 뒤, 두 Feature Autoencoder의 재구성 결과를 Element-wise Weighting Addition(EWA)으로 융합하는 EGAE 모듈을 제안한다.

Achievement

Figure 4. Performance comparison of various denoising methods

1. spurious bias 완화: histological image 대신 OmiCLIP text encoder를 활용해 구조 및 발현 정보를 인코딩하면서 spot 간 허위 유사성 편향을 줄였다.
2. nonlinear gene 관계 포착: GenePT를 이용해 co-expression만으로는 포착 불가능한 path sharing 등 gene 간 nonlinear 관계를 반영하는 gene graph를 최초로 구성했다.
3. element-wise 융합: 기존 matrix-wise weighting 대비 원소 단위 가중치를 부여하는 EGAE를 제안해 spot·gene feature의 세밀한 공동 융합을 가능하게 했다.
4. SOTA 성능 및 강건성: 네 개의 실제 SRT 데이터셋과 대응 downstream task에서 기존 SOTA denoising 방법 대비 정확도와 태스크 간 강건성 모두에서 우수함을 입증했다.
5. fine-tuning 불필요: 두 LM을 fine-tuning 없이 그대로 활용해 scGPT 등 기존 LM 기반 방법 대비 계산 효율성과 zero-shot 성능 저하 문제를 회피했다.

How

Figure 2. Overview of the proposed SpaEF. SGC employs the OmiCLIP text encoder and DT to construct a temporary spatial g

• Spot Graph Construction (SGC): OmiCLIP의 frozen text encoder로 spot sentence로부터 spot feature 추출 후, GAT 기반 AGAE로 spatial 정보와 통합해 spot graph Gs = (BT, Ns) 구성, over-smoothing 완화
• Gene Graph Construction (GGC): GenePT를 이용해 gene function description 기반으로 gene 간 nonlinear 상호작용을 포착, gene graph Gg = (B, Ng) 구성 (logistic regression predictor로 별도 downstream 모델링 없이 추론)
• Element-wise Graph Autoencoder (EGAE): 두 개의 Feature Autoencoder(FAE)로 spot graph와 gene graph를 각각 재구성한 뒤, Element-wise Weighting Addition(EWA)으로 재구성된 spot matrix Bs와 gene matrix Bg를 융합해 최종 denoised matrix B̂ 산출
• 네 개의 real-world SRT 데이터셋에 대해 다양한 downstream task(예: gene expression 시각화, spatial domain 식별)로 성능 검증 및 ablation study, 구조적 분석 수행

Originality

• histological image 대신 pre-trained multi-modal LM(OmiCLIP)의 text encoder를 spot feature 추출기로 활용한 최초 시도로, spot graph 구성 시의 spurious bias 문제를 근본적으로 다른 접근으로 해결
• gene function 기술 corpus로 사전학습된 GenePT를 도입해 co-expression 기반이 아닌 LM 기반 gene graph를 구성한 최초의 SRT denoising 연구
• matrix-wise weighting을 element-wise weighting으로 대체하는 EGAE를 제안해 spot-gene graph fusion의 세밀도를 향상
• 두 LM을 fine-tuning 없이 그대로 활용하는 사용 패러다임을 제시해 기존 scGPT 등의 LM 기반 방법과 차별화

Limitation & Further Study

• 본문 발췌에는 OmiCLIP과 GenePT라는 특정 사전학습 LM에 의존하는 구조로, 두 LM의 사전학습 도메인(예: 특정 조직·종 특이적 corpus)에 없는 새로운 spot/gene 유형에 대한 일반화 성능이 불명확함
• fine-tuning을 하지 않는다는 장점이 있으나, 반대로 특정 SRT 플랫폼이나 조직 특이적 패턴에 대한 적응력이 제한될 가능성이 있어 추가적인 domain shift 실험이 필요해 보임
• 네 개의 real-world 데이터셋으로만 검증되어 더 다양한 조직·질환·플랫폼(예: Visium HD, Xenium 등)에 대한 확장 검증이 필요함
• element-wise weighting의 가중치 학습 과정에서의 계산 비용 및 스케일 확장성(대규모 spot/gene 수 증가 시)에 대한 논의가 부족함

Evaluation

총평: 사전학습된 두 Large Model을 활용해 spot과 gene graph 구성의 근본적 한계를 해결하고 element-wise fusion으로 SRT denoising 성능을 향상시킨 독창적이고 실용적인 연구로, LM을 SRT 도메인에 창의적으로 접목한 점이 돋보인다.