[논문 리뷰] AI-driven 3D Spatial Transcriptomics

Cristina Almagro-Pérez, Andrew H. Song외 14명|ArXiv.org|2025. 02. 25.

Single-cell and spatial transcriptomics인용 수 3

한 줄 요약

VORTEX는 3D 조직 형태와 최소한의 2D ST 데이터로 조밀한 3D 공간 전사체학을 예측하는 AI 프레임워크로, 확장 가능한 비파괴적 체적 유전자 발현 맵을 가능하게 한다.

ABSTRACT

A comprehensive three-dimensional (3D) map of tissue architecture and gene expression is crucial for illuminating the complexity and heterogeneity of tissues across diverse biomedical applications. However, most spatial transcriptomics (ST) approaches remain limited to two-dimensional (2D) sections of tissue. Although current 3D ST methods hold promise, they typically require extensive tissue sectioning, are complex, are not compatible with non-destructive 3D tissue imaging technologies, and often lack scalability. Here, we present VOlumetrically Resolved Transcriptomics EXpression (VORTEX), an AI framework that leverages 3D tissue morphology and minimal 2D ST to predict volumetric 3D ST. By pretraining on diverse 3D morphology-transcriptomic pairs from heterogeneous tissue samples and then fine-tuning on minimal 2D ST data from a specific volume of interest, VORTEX learns both generic tissue-related and sample-specific morphological correlates of gene expression. This approach enables dense, high-throughput, and fast 3D ST, scaling seamlessly to large tissue volumes far beyond the reach of existing 3D ST techniques. By offering a cost-effective and minimally destructive route to obtaining volumetric molecular insights, we anticipate that VORTEX will accelerate biomarker discovery and our understanding of morphomolecular associations and cell states in complex tissues. Interactive 3D ST volumes can be viewed at https://vortex-demo.github.io/

연구 동기 및 목표

• 이질 조직에서 2D 절편을 넘는 진정한 3D 공간 전사체학의 필요성을 제시한다.
• 다양한 3D 형태학과 2D ST 데이터로부터 형태-분자 연결을 학습하는 확장 가능한 AI 프레임워크를 개발한다.
• 작은 VOI에서의 미세 조정으로 체적 특유의 형태-분자 상관관계를 포착하게 한다.
• 비파괴적 3D 이미징 모달리티를 사용하여 대형 조직 부피에서 3D ST 예측을 입증한다.
• 다른 이미징 모달리티와 2.5D(연속 절편) 맥락에 대한 교차 모달 일반화를 보여준다.

제안 방법

• 다양한 부피 및 질병 코호트에서 3D 형태–2D ST 쌍에 대해 VORTEX를 사전학습한다.
• 3D 조직 이미지, 2D 조직 이미지 및 2D ST 데이터를 정렬하기 위해 교차 모달 등록을 사용한다.
• 4개 구성요소를 활용한다: 2D/3D 이미지 인코더, 전사체 인코더, 및 전사체 예측기.
• 임베딩 정렬을 위한 대조 손실 포함 다중 작업 목표와 ST 재구성 손실을 포함한 학습 목표로 학습한다.
• 체적 특이적 모포몰릭 링크를 반영하기 위해 VOI 특이적 2D ST 데이터로 미세조정한다.
• 3D 맥 context가 불가능할 때는 시리얼 절편을 사용하여 2.5D 맥 context으로 확장하는 것을 선택적으로 허용한다.

실험 결과

연구 질문

• RQ1 VORTEX가 3D 형태와 제한된 2D ST 데이터로부터 조밀한 3D ST를 예측할 수 있는가?
• RQ2 3D 형태 맥락의 도입이 2D만 접근법에 비해 예측 성능을 향상시키는가?
• RQ3 VOI 특이적 미세조정이 예측 정확도와 형태학적 일관성에 어떤 영향을 미치는가?
• RQ4 모델이 대형 조직 부피에 확장 가능하고 서로 다른 이미징 모달리티에 적응할 수 있는가?
• RQ5 VORTEX가 2.5D 연속 절편 및 보지 않은 대형 부피에 일반화할 수 있는가?

주요 결과

• 3D+VOI 학습은 유전자 세트 전반에서 최상의 예측 성능을 제공하며, 평균 PCC는 0.46(all genes), 0.57(top 50), 0.42(marker genes)이다.
• 3D+VOI는 PCC와 SSIM 지표에서 3D 및 2D 학습 설정을 지속적으로 능가한다(예: SSIM all = 0.56(3D+VOI) 대 0.51(3D) 및 0.50(2D)).
• VOI 미세조정으로 발현 분산 및 공간 자기상관을 더 정확하게 포착하며, Spearman의 ρ가 더 높고 Moran’s I / Geary’s C 차이가 개선된 것이 이를 뒷받침한다.
• 3D 맥 context은 형태학적 영역(종양샘, 기질, 양성 샘)에 맞춘 예측을 가능하게 하고 알려진 유전자-형태 연관성(EpCAM in tumor, ACTA2 in stroma)을 재현한다.
• 이 프레임워크는 대형 조직 부피(예: 6.62×8.85 mm2 with 1.71 mm depth)까지 확장 가능하며 모달리티(예: OTLS) 및 2.5D 연속 절편 데이터에 일반화된다.
• VOI 미세조정은 최소한의 추가 2D ST 데이터로도 상당한 이점을 제공하여 원래 ST 캡처 영역을 넘어 외삽하는 것을 가능하게 한다.