SUICA: 스페이셜 트랜스크립토믹스를 위한 초고차원 희소 암시적 신경망 표현 학습

공간 전사체학(Spatial Transcriptomics, ST)은 공간 좌표와 일치하는 유전자 발현 프로파일을 캡처하는 방법입니다. 이산적인 공간 분포와 초고차원 시퀀싱 결과는 ST 데이터를 효과적으로 모델링하는 데 어려움을 초래합니다. 본 논문에서는 제안된 도구인 SUICA를 통해 이러한 문제를 연속적이고 효율적인 방식으로 해결하였습니다. SUICA는 암시적 신경 표현(Implicit Neural Representations, INRs)의 우수한 근사 능력을 활용하여 공간 밀도와 유전자 발현을 모두 향상시키는 데 기여합니다. 구체적으로, 제안된 SUICA 내에서 그래프 강화 오토인코더(graph-augmented Autoencoder)를 통합하여 비정형 스폿들의 맥락 정보를 효과적으로 모델링하고, 구조 인식이 가능한 임베딩을 제공하여 공간 매핑에 필요한 정보를 포함시킵니다. 또한 극단적으로 왜곡된 분포를 회귀-분류 방식으로 처리하며, SUICA 최적화를 위해 분류 기반 손실 함수(classification-based loss functions)를 적용합니다. 다양한 퇴화 조건 하에서 일반적인 ST 플랫폼들에 대한 광범위한 실험을 통해, SUICA는 수치적 충실성, 통계적 상관관계, 생물 보존성 측면에서 기존 INR 변형 및 최신 방법(SOTA methods)보다 우수한 성능을 보였습니다. SUICA의 예측은 원시 데이터의 생물 보존성을 풍부하게 하는 증폭된 유전자 서명(amplified gene signatures)을 보여주며, 후속 분석에 이점을 제공합니다.