[논문 리뷰] AI-powered virtual tissues from spatial proteomics for clinical diagnostics and biomedical discovery

Johann Wenckstern, Eeshaan Jain외 10명|arXiv (Cornell University)|2025. 01. 10.

Scientific Computing and Data Management인용 수 7

한 줄 요약

VirTues는 암 유형과 표지자에 걸쳐 일반화하는 공간 단백질체학용 기초 모델 프레임워크로, 조직 기반 검색을 통한 교차 연구 분석, 제로샷 예측 및 임상 의사결정 지원을 가능하게 한다.

ABSTRACT

Spatial proteomics technologies have transformed our understanding of complex tissue architecture in cancer but present unique challenges for computational analysis. Each study uses a different marker panel and protocol, and most methods are tailored to single cohorts, which limits knowledge transfer and robust biomarker discovery. Here we present Virtual Tissues (VirTues), a general-purpose foundation model for spatial proteomics that learns marker-aware, multi-scale representations of proteins, cells, niches and tissues directly from multiplex imaging data. From a single pretrained backbone, VirTues supports marker reconstruction, cell typing and niche annotation, spatial biomarker discovery, and patient stratification, including zero-shot annotation across heterogeneous panels and datasets. In triple-negative breast cancer, VirTues-derived biomarkers predict anti-PD-L1 chemo-immunotherapy response and stratify disease-free survival in an independent cohort, outperforming state-of-the-art biomarkers derived from the same datasets and current clinical stratification schemes.

연구 동기 및 목표

• 암 및 비암 조직 전반에 걸친 다형성(heterogeneity)과 다차원성(multi-dimensionality)을 다루는 multiplex 공간 단백질체학 데이터.
• 마커와 공간 주의(attention) 및 생물학적 의미를 보존하는 새로운 토크나이제이션 체계를 갖춘 변환기 기반 기초 모델(VirTues)을 개발.
• 미세 조정 없이 새로운 데이터 세트, 마커 및 암 유형에 대한 제로-샷 일반화를 가능하게 한다.
• 진단, 발견 및 검색 기반 임상 의사 결정 지원을 위한 다중 스케일 조직 표현(세포, 니치, 조직)을 제공한다.

제안 방법

• VirTues를 도입: 마커 특이적 및 공간 주의가 가능한 비전 트랜스포머로 수백 채널까지 확장 가능.
• 생물학적 의미를 보존하는 공간 채널 패치와 학습 가능한 세포 요약 토큰을 결합한 새로운 토크나이제이션 체계를 적용.
• 채널-마커-니치 수준의 마스킹을 갖는 MAE(마스킹된 오토인코더)를 학습시켜 세포-니치-조직 수준의 표현을 학습.
• 세포, 니치 및 조직 요약 토큰을 생성하여 다양한 스케일의 다운스트림 예측을 가능하게 한다.
• 높은 차원성과 해석 가능성을 유지하기 위해 트랜스포머 내에서 희소 주의(sparse attention)를 사용.
• 보지 못한 마커가 포함된 데이터 세트에 대한 제로샷 일반화를 평가하고 CA-MAE 및 ResNet 베이스라인과 비교한다.

실험 결과

연구 질문

• RQ1 VirTues가 작업 특화 미세 조정 없이 조직 유형과 보지 않은 마커 세트에 일반화할 수 있는가?
• RQ2 세포 유형, 니치 구조 및 조직 수준의 예측에서 VirTues의 성능은 기존 기준선에 비해 얼마나 잘 수행하는가?
• RQ3 모델이 생물학적 지식과 일치하는 해석 가능한 마커 및 공간 주의 인사이트를 제공하는가?
• RQ4 VirTues가 임상 관련 라벨이 있는 유사 조직 사례의 검색을 통해 임상 의사결정을 지원할 수 있는가?

주요 결과

• VirTues는 세포 수준, 니치 수준 및 조직 수준 작업에서 강력한 성능을 달성하고 유방 및 폐 암 데이터 세트에서 CA-MAE 및 ResNet 베이스라인을 능가한다.
• 유방 암의 경우 VirTues는 ER 상태 정확도 0.89 및 암 등급 정확도 0.68을 달성하며 각각 CA-MAE보다 7.26% 및 32.16% 향상(비교에 대한 P-값 보고).
• 폐 암의 경우 VirTues는 암 유형 정확도 0.87 및 암 등급 정확도 0.63을 달성했고 베이스라인 대비 각각 11.72% 및 16.21%의 향상을 보여준다(P-값 보고).
• VirTues는 드문 세포 집단(예: 유방 암의 NK 및 B 세포; 폐 암의 혈관 세포)에서 recall/F1이 향상되는 등 강건한 세포 유형 분류를 시연한다.
• 니치 수준 결과는 억제적 확장, TLS 유사 영역 및 PDPN+ 영역과 같은 구조를 식별하는 데 높은 정확도를 보여주며 베이스라인을 눈에 띄게 상회한다(P-값 제공).
• 조직 수준의 예측에는 유방 암의 암 유형, 등급, PAM50 아형화가 포함되고 폐 암의 암 유형/등급/재발 예측이 포함되며 여러 지표에서 베이스라인을 능가한다.