FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction

Motivation

• Known: 기존 histology-to-spatial gene expression 모델들은 유전자 발현 예측을 독립적인 scalar regression 문제로 취급하며 PCC, MSE 같은 pointwise 지표로 평가해왔고, DDPM, latent diffusion, graph-diffusion 등 다양한 diffusion 기반 생성 모델과 Geneformer, scGPT 같은 Gene Foundation Model이 각각 발전해왔다.
• Gap: 기존 방법들은 gene-gene coordination이나 gene-spatial distribution 같은 생물학적으로 중요한 구조적 관계를 무시하며, graph-diffusion으로 spot 간 관계와 유전자 발현을 동시에 모델링하려 하면 고차원 유전자 공간에서 최적화 안정성이 급격히 저하되는 'Gene Dimension Curse' 문제가 존재하지만 이를 체계적으로 규명하고 해결한 연구가 없었다.
• Why: 공간 전사체 데이터는 비용이 높고 처리량이 낮은 반면 H&E WSI는 모든 임상 워크플로우에서 쉽게 얻을 수 있어, 구조적으로 신뢰할 수 있는 유전자 발현 예측이 가능하면 pathway 분석, spatial domain 발견, microenvironment 특성화 같은 대규모 분자 프로파일링 응용에 큰 영향을 줄 수 있다.
• Approach: FLAG는 spot 간 관계를 학습하는 spatial graph encoder로 조건 신호를 생성하고 이를 gene-level diffusion 과정에 주입함으로써 joint node-edge diffusion 문제를 conditional generation 문제로 변환하며, 제한된 spot 수로 인한 통계적 신뢰성 문제를 GFM 사전학습 임베딩과의 정렬(alignment)로 보완한다.

Achievement

Figure 5. Recovery of Gene Regulatory Networks The co-expression matrices for genes in the intersection of the Estrogen

1. Gene Dimension Curse 규명: 유전자 차원이 증가함에 따라 joint node-edge diffusion의 최적화 안정성이 급격히 저하되는 현상을 체계적으로 분석하고 이론적 통찰을 제공했다.
2. FLAG 프레임워크 제안: spatial graph encoder와 GFM-aligned gene representation을 결합한 구조 인식 diffusion 프레임워크를 통해 공간 분포와 유전자 수준 의존 구조를 동시에 포착했다.
3. 새로운 구조적 평가지표 도입: Gene Structural Correlation(GSC)과 Spatial Structural Correlation(SSC)을 제안하여 기존 pointwise 지표가 포착하지 못하는 생물학적 구조 보존 능력을 평가할 수 있게 했다.
4. 성능 검증: 여러 데이터셋에서 전통적 pointwise 지표(PCC/MSE)에서 경쟁력을 유지하면서 구조적 충실도(GSC/SSC) 측면에서 유의미한 개선을 달성했다.

How

Figure 3. The FLAG Framework Architecture. Left: H&E tiles are encoded by a pathology foundation model and assembled int

• HEST-1K 등 데이터셋에서 High-Mean and High-Variance Genes(HMHVG, G=50) 부분집합으로 파일럿 스터디를 수행하여, 관찰 가능한 edge(물리적 거리, 이미지 유사도)만 사용하는 경우와 ground-truth 전사 상관관계를 제공하는 Oracle 설정을 비교함으로써 latent functional topology의 가치를 검증
• 유전자 차원이 커질수록 joint node-edge diffusion의 성능이 저하되는 Gene Dimension Curse 현상을 HER2ST 데이터셋에서 실험적으로 규명
• H&E tile을 pathology foundation model로 인코딩하고, 물리적 근접성·histology 유사도·분자적 유사도 세 요소를 반영한 spot 그래프 G=(V,E)를 구성해 Spatial Graph Encoder의 조건 신호로 사용
• gene-level diffusion 과정에서 Geneformer, scGPT 등 Gene Foundation Model(GFM)의 사전학습 임베딩과 정렬(alignment)하여 gene-gene 충실도를 강화
• 새로 제안한 GSC(유전자 co-expression 네트워크 보존도)와 SSC(Moran's I 기반 공간 분포 보존도) 지표로 구조적 성능을 정량 평가

Originality

• 공간 유전자 발현 예측을 pointwise regression이 아닌 structured distribution modeling 문제로 재정의한 관점의 전환
• Gene Dimension Curse라는 새로운 현상을 체계적으로 규명하고, 이를 spatial graph encoder 기반 조건부 생성으로 회피하는 아키텍처 설계
• Gene Foundation Model의 사전학습 표현을 diffusion 과정에 정렬시켜 제한된 ST 데이터의 통계적 한계를 보완하는 접근(REPA, SVG 등 vision 분야의 representation alignment 아이디어를 유전자 도메인에 적용)
• GSC, SSC와 같이 생물학적 구조 보존을 직접 평가하는 새로운 지표 체계 제안

Limitation & Further Study

• 발췌된 내용만으로는 GFM alignment의 구체적 loss 설계나 spatial graph encoder의 세부 구조, ablation 전반의 정량적 결과가 충분히 드러나지 않아 방법의 세부 타당성 평가에 한계가 있음
• Gene Dimension Curse에 대한 "이론적 통찰"이 어느 정도로 엄밀한 수학적 증명인지, 혹은 경험적 관찰 수준인지 본문만으로는 명확하지 않음
• 다양한 GFM(scGPT, Geneformer 등) 중 어떤 것을 사용했을 때 alignment 효과가 가장 큰지에 대한 체계적 비교가 필요해 보임
• 후속 연구로는 더 많은 조직 유형과 플랫폼(Visium HD, Xenium 등)에 대한 일반화 검증, GFM alignment의 계산 비용 분석 등이 필요할 것으로 보임

Evaluation

총평: 공간 유전자 발현 예측 문제를 구조적 분포 모델링으로 재구성하고 Gene Dimension Curse라는 새로운 문제를 규명하여 이를 spatial graph encoder와 GFM alignment로 해결한 참신하고 실용적인 접근으로, 새로운 평가지표(GSC/SSC) 제안까지 포함해 해당 분야에 의미 있는 기여를 한다고 평가된다.