SPATIA: Multimodal Generation and Prediction of Spatial Cell Phenotypes

Motivation

• Known: image-based spatial transcriptomics(ST) 기술은 조직 내 세포의 형태와 유전자 발현을 고해상도로 동시에 측정할 수 있으며, scGPT-spatial, CellPLM, HIPT, UNI, CONCH, TITAN, ST-Align 등 다양한 single-cell, pathology, vision-language 모델들이 각 모달리티 분석에 활용되어 왔다.
• Gap: 기존 방법들은 morphology와 gene expression을 분리하여 분석하거나 spot/patch 수준의 제한된 해상도에서만 작동하여 세포 수준의 이질성과 미세환경 상호작용을 포착하지 못하며, 특히 pre-post 페어링 데이터 없이 섭동(perturbation)에 따른 미세환경 의존적 형태 변화를 생성적으로 모델링하는 방법이 부재하다.
• Why: 세포 형태, 유전자 발현, 공간적 맥락을 통합적으로 이해하는 것은 건강 및 질병에서 조직 기능과 세포 상태를 규명하는 핵심 과제이며, 이를 해결하면 DCIS-to-invasive 진행이나 immune-cold to immune-hot 리모델링과 같은 임상적으로 중요한 표현형 전이를 시뮬레이션할 수 있다.
• Approach: 세포-니치-조직의 3단계 계층적 attention 구조로 morphology, gene expression, spatial context를 융합하고, entropy-regularized Optimal Transport(OT)로 구성한 weak pair에 confidence-aware flow matching과 morphology-profile alignment를 적용하는 spatially conditioned 생성 프레임워크를 제안한다.

Achievement

Figure 3. A) Tissue distribution of our MIST dataset. B) A landscape showcasing the variety of disease states in MIST. C

1. MIST 데이터셋 구축: 74개 소스, 17개 조직, 60명의 기증자, 4개 플랫폼에 걸쳐 25.9백만 cell-gene pair, 2백만 niche-gene pair, 20,000 tissue-gene pair로 구성된 대규모 multi-scale 데이터셋을 새롭게 구축했다.
2. 계층적 multimodal 아키텍처 제안: cell-level cross-attention, niche-level transformer, tissue-level global transformer로 구성된 SPATIA 모델을 통해 세포부터 조직 수준까지 형태-발현-공간 정보를 통합했다.
3. confidence-aware flow matching 기반 생성 모듈: pre-post paired 데이터 없이 OT로 구성한 weak supervision pair의 불확실성을 반영해 flow trajectory를 reweighting하는 새로운 목적함수를 제안했다.
4. morphology-profile alignment 도입: 생성된 세포가 이미지 수준 외형뿐 아니라 해석 가능한 표현형 특징 공간에서 target-state 분포를 따르도록 제약하는 정렬 목표를 제안했다.
5. 대규모 벤치마킹: 12개 태스크(phenotype generation, annotation, clustering, gene imputation, cross-modal prediction 등)에서 18개 기존 모델 대비 생성 충실도 8%, 예측 정확도 최대 3% 향상을 달성했다.

How

Figure 4. Qualitative image analysis of generated cell morphology

• 세포 수준: 이미지 기반 형태 토큰과 transcriptomic embedding을 cross-attention으로 융합
• 니치 수준: 인접 세포들을 공간 패치(예: 256×256 픽셀)로 그룹화하여 transformer로 국소적 세포-세포 상호작용 모델링
• 조직 수준: 전역 transformer로 니치 표현을 집계해 전체 슬라이드의 장거리 의존성 포착
• 공간적으로 인접하거나 니치 일관성이 있는 control-perturbed 세포 쌍을 entropy-regularized Optimal Transport(OT)를 유전자 발현 공간에서 활용해 weak supervision pair로 구성
• OT coupling의 불확실성에 기반해 flow trajectory를 재가중하는 confidence-aware flow matching objective 제안
• morphology-profile alignment와 condition-contrastive regularization을 추가해 생물학적으로 의미 있는 이미지 생성과 상태 식별력을 강화

Originality

• 기존에 spot/patch 수준에 머물던 spatial transcriptomics 멀티모달 모델과 달리 cell-level 해상도에서 morphology, gene expression, spatial context를 계층적으로(cell-niche-tissue) 통합하는 최초의 시도
• pre-post paired perturbation 데이터가 없는 상황에서 OT 기반 weak pairing과 confidence-aware reweighting을 결합한 flow matching이라는 새로운 생성 목적함수 설계
• 이미지 수준 유사성뿐 아니라 해석 가능한 phenotypic feature 공간에서의 정렬을 강제하는 morphology-profile alignment라는 개념적으로 참신한 정규화 기법 도입
• 25.9M cell-gene pair 규모의 MIST라는 대규모 multi-scale 벤치마크 데이터셋을 새로 구축하여 공개

Limitation & Further Study

• 발췌된 내용만으로는 confidence-aware flow matching의 정확한 수식적 정의와 uncertainty 추정 방식이 충분히 검증되었는지 확인하기 어려움
• weak supervision pair 구성이 OT coupling의 품질에 크게 의존하므로, OT coupling 자체의 오류나 편향이 생성 결과에 미치는 영향에 대한 심층 분석이 필요해 보임
• MIST 데이터셋이 특정 플랫폼(4개)과 조직(17개)에 한정되어 있어 다른 플랫폼이나 희귀 조직으로의 일반화 가능성은 추가 검증이 필요
• 대규모 생성 모델의 계산 비용 및 실제 임상 활용을 위한 해석 가능성(interpretability) 관련 논의가 본문 발췌에서 명확히 드러나지 않음
• 후속 연구로는 다양한 perturbation 유형에 대한 실제 pre-post paired 데이터와의 정량적 비교, 그리고 모델의 인과적 해석력 강화가 필요할 것으로 보임

Evaluation

총평: 세포 수준의 형태-발현-공간 정보를 계층적으로 통합하고 OT 기반 weak pairing과 confidence-aware flow matching으로 미세환경 의존적 표현형 전이를 생성적으로 모델링한 점에서 방법론적, 데이터셋 측면 모두 의미 있는 기여를 한 연구로 판단된다.