PyTorchKR Papers

최신 논문

총 8편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.27208v1cs.CV

비용 효율적 공간 전사체학을 위한 능동적 스팟 선택 벤치마킹

Benchmarking Active Spot Selection for Cost-Efficient Spatial Transcriptomics

공간 전사체학(spatial transcriptomics, ST)은 조직 맥락에서 유전자 발현을 측정하지만, 촘촘한 캡처 그리드는 비용이 많이 들 수 있으며 형태학적으로 유사한 영역을 반복적으로 샘플링할 수 있다. 대부분의 능동 학습(active learning) 전략은 범주형 레이블과 독립 표본을 위해 개발되었다. 우리는 발현 벡터가 고차원·연속이고 후보들이 공간적으로 상관된 ST에서, 균일 Random 샘플링 대비 능동 학습에 대한 후향적 pool 기반 벤치마크를 수행한다. 완전 프로파일링된 공개 ST 코호트 두 개를 사용해 후보 발현 벡터를 마스킹하고, 불확실성 기반 Monte Carlo 드롭아웃(MC-dropout) 및 temporal output discrepancy(TOD), 다양성 기반 CoreSet 및 TypiClust 영감 선택으로 다회차 선택을 시뮬레이션한다. 환자 수준 교차 검증 하에서 fold 전체 학습 spot 풀의 5%, 10%, 30%, 50%에서 160개의 완료된 구성을 비교하며, 별도의 전체 레이블 기준(reference)을 둔다. 각 예산 내에서 전략들은 선택 일정, 형태-발현 예측기, 최적화 프로토콜을 공유한다. 슬라이드 내 유전자별 평균 Pearson 상관계수(PCC), 발현 클러스터 일치, Moran's I 충실도를 평가한다. HER2 양성 유방암에서 네 가지 능동 전략의 Random 대비 pooled mean PCC 차이는 5%, 10%, 30%, 50%에서 각각 -0.0176, -0.0117, +0.0056, +0.0057이었다. 피부 편평세포암(cutaneous squamous cell carcinoma, cSCC)에서는 5%에서 세 전략이 Random보다 낮았고, 10%에서는 네 전략 모두 Random보다 낮았다. HER2 양성 유방암에서 CoreSet과 MC-dropout은 가장 작은 두 예산에서 Random보다 PCC는 낮지만 발현 클러스터 일치는 더 높았으며, 이 패턴은 cSCC에서는 재현되지 않았다. 보고된 고정 학습 horizon 하에서, 평가된 능동 전략들은 작은 예산에서 Random을 일관되게 개선하지 않으며, 순위는 평가 지표에 따라 달라진다.

arXiv:2607.24364v1cs.CV

HistoGPA: 조직학 기반 공간 유전자 발현 예측을 위한 컨텍스트 조건 유전자 사전 어텐션 프레임워크

HistoGPA: A Context-Conditioned Gene-Prior Attention Framework for Histology-Based Spatial Gene Expression Prediction

일상적인 헤마톡실린-에오신(H&E) 이미지로부터 공간 유전자 발현을 예측하는 것은 실험적 공간 전사체학(spatial transcriptomics)에 실용적인 보완을 제공한다. 기존 접근법은 국소 또는 다중 스케일 시각 특징에 초점을 맞추며, 종종 사전학습된 유전자 표현을 고정된 사전(prior)으로 취급하지만, 국소 형태학(morphology)의 해석과 유전자 사전의 관련성은 조직 문맥(tissue context)에 따라 달라진다. 우리는 공유된 슬라이드 수준 표현을 두 개의 병렬 경로에서 사용하는 컨텍스트 조건 유전자 사전 어텐션 프레임워크인 HistoGPA를 제안한다. 하나는 국소 형태학적 특징을 변조(modulate)하고, 다른 하나는 사전학습된 유전자 임베딩을 조건화하고 교차 어텐션(cross-attention)을 통해 유전자 사전 정보를 검색한다. 이 설계는 각 공간 위치가 국소 형태학, 위치, 및 슬라이드 문맥을 사용하여 문맥에 적응된 유전자 사전 정보를 검색할 수 있게 한다. HEST-1k의 10가지 암 유형에 걸쳐, HistoGPA는 상위 50개 및 상위 1,500개 고변동성(highly variable) 유전자 집합 모두에 대해 동일한 평가(evaluation) 프로토콜 하에서 비교된 방법들 중 가장 높은 유전자별 매크로 평균 Pearson 상관계수를 달성한다. 추가 분석은 HistoGPA가 암 관련 유전자의 공간 발현 패턴을 더 잘 복원하고, 예측된 발현 프로파일과 정답(ground-truth) 발현 프로파일로부터 독립적으로 도출된 클러스터 간 더 높은 일치를 보임을 나타낸다. 종합하면, 이러한 결과는 국소 형태학적 표현과 유전자 사전이 더 넓은 조직 문맥에 공동으로 적응되는 조직학-발현 예측의 문맥 의존적 관점을 뒷받침한다.

arXiv:2607.20896v1cs.LG

HierarchicalDAEW: H&E 조직병리학으로부터 다중 섹션 공간 유전자 발현 예측을 위한 증거적 불확실성을 갖춘 도메인 인식 엣지 가중 그래프 합성곱

HierarchicalDAEW: Domain-Aware Edge-Weighted Graph Convolution with Evidential Uncertainty for Multi-Section Spatial Gene Expression Prediction from H&E Histology

공간 전사체학(spatial transcriptomics) 분석은 여전히 비용이 많이 들고 기술적으로 까다로워, 전사체 전체 프로파일링을 전문 환경에만 국한시키고 일상적인 임상 적용을 막고 있다. H&E 조직병리학으로부터 공간적으로 분해된 유전자 발현을 예측하면 이 격차를 메울 수 있지만, 현재 방법들은 대체로 기저 조직 구조를 무시하고 예측을 얼마나 신뢰할 수 있는지 거의 정량화하지 않는다. 우리는 HierarchicalDAEW를 제안하며, 이는 두 격차를 모두 해결하는 이중 그래프 아키텍처이다. spot 그래프에서는 도메인 인식 엣지 가중 합성곱 연산자가 Leiden 클러스터링에서 도출된 도메인 간, 도메인 내, 경계 엣지에 대해 별도의 투영을 학습하여, 모델이 조직 이질성을 암묵적 신호가 아니라 명시적 구조적 신호로 다루게 한다. 두 번째 유전자 수준 그래프는 STRING-DB의 단백질-단백질 상호작용 사전(prior)과 조직 특이적 공발현을 학습된 어텐션 게이팅으로 융합하여, 랜드마크 유전자 집합에서 더 넓은 유전자 패널로 예측을 전파한다. 신뢰성은 증거적 불확실성 추정(evidential uncertainty estimation)으로 처리되며, 동일한 조건에서 Monte Carlo 드롭아웃보다 훨씬 더 잘 보정된 신뢰구간을 산출한다. 유방, 대장, 전립선, 소뇌 조직에 걸친 6개의 human Visium 섹션과 13개의 공개 베이스라인을 대상으로 한 결과, HierarchicalDAEW는 실측 발현과 가장 강한 상관을 달성했으며, 다중 시드 재현성 검증과 위치적 지름길을 배제하는 음성 대조군에서도 이득이 유지된다. Ablation은 도메인 인식 엣지 유형화와 계층적 깊이가 모두 이 개선에 필요함을 추가로 확인했으며, 보정된 불확실성 추정은 임상 조치 전 병리의사 검토를 위해 낮은 신뢰도 예측을 식별한다.

arXiv:2607.13508v1cs.LG

CDS: 공간 그래프에서의 구조화된 개입을 위한 반사실적 방향성 점수

CDS: Counterfactual Directionality Score for Structured Interventions in Spatial Graphs

노드 집단 간 방향성 영향을 정량화하는 것은 그래프 기반 모델링에서 근본적인 문제이며, 특히 세포-세포 상호작용이 기능적 결과를 형성하는 공간 생물학 시스템에서 그렇다. 어텐션, 기여도(attribution), 또는 상관관계에 기반한 기존 접근법은 연관성은 포착하지만, 통제된 교란(perturbation) 하에서 방향성 효과를 평가하기 위한 원칙적인 프레임워크를 제공하지 않는다. 우리는 노드 유형 간 방향성 영향을 추정하기 위해 그래프 기반 모델에서 구조화된 반사실적 개입을 위한 프레임워크를 제안한다. 우리 접근법은 지역 이웃으로부터 노드 상태를 예측하기 위해 이웃 영향 모델(NIM)을 학습하고, 핵심적인 공간 및 구조적 속성을 보존하면서 이웃 구성을 수정하는 제약 개입을 적용한다. 우리는 표적 교란에 의해 유발된 예측 노드 상태의 변화를 측정하는 반사실적 방향성 점수(CDS)를 정의하고, CDS를 국소 개입 민감도의 유한 차분(finite-difference) 척도로 해석하는 이론적 설명을 제공한다. 유효한 불확실성 추정치를 얻기 위해, 우리는 공간 샘플 내 의존성을 고려하는 코어 수준(core-level) 부트스트랩 절차를 도입한다. 알려진 방향성 구조를 갖는 합성 공간 그래프에 대한 실험은 CDS가 방향성 영향을 복원하고, null 조건 하에서 잘 보정되며, 교란(confounding) 신호에 강건함을 보여준다. 한편 공간 전사체학(spatial transcriptomics) 데이터에 대한 예비 결과는 조직 코어(tissue cores) 전반에 걸쳐 생물학적으로 타당하고 일관된 상호작용을 드러낸다.

arXiv:2607.09166v1cs.LG

COAST: 공간 전사체학에서 유전자 발현 예측을 위한 컨텍스트 인식 차분 학습

COAST: Context-Aware Differential Learning for Gene Expression Prediction in Spatial Transcriptomics

공간 전사체학(Spatial transcriptomics)은 공간적 유전자 발현의 프로파일링을 가능하게 하지만, 높은 비용과 낮은 처리량으로 인해 H&E 조직병리 이미지로부터의 예측이 요구된다. 기존의 컨텍스트 인식 방법들은 주로 절대 발현량을 감독하는 반면, 스팟 간 상대적 발현 관계는 명시적으로 활용되는 경우가 드물다. 우리는 공간 유전자 발현 예측을 위한 컨텍스트 인식 차분 학습 프레임워크인 COAST를 제안한다. COAST는 타입별 변조(type-specific modulation)를 통해 로컬 및 글로벌 컨텍스트 특징을 조건화하고, 트랜스포머 인코더를 사용하여 대상 및 컨텍스트 스팟 토큰을 집계함으로써 세밀한 로컬 패턴과 슬라이드 수준의 구조를 모두 포착한다. COAST는 대상 스팟과 컨텍스트 스팟 간의 절대 발현 회귀와 부호 있는 차분 회귀(signed differential regression)를 결합한 결합 목적 함수로 학습된다. 다수의 공간 전사체학 데이터셋에 대한 실험은 상관관계 및 분포 기반 메트릭에서 일관된 성능 향상을 보여주며, 조직학 기반 공간 유전자 발현 예측에 있어 컨텍스트 인식 차분 학습의 효과를 입증한다.

arXiv:2606.04764v2cs.CV

파운데이션 모델은 생물학을 보는가? 교모세포종 공간 전사체학을 통한 어텐션 일관성 평가

Do Foundation Models See Biology? Evaluating Attention Coherence with Spatial Transcriptomics in Glioblastoma

병리 파운데이션 모델의 어텐션 맵이 실제 생물학적 정보를 포착하는지는 아직 알려져 있지 않으나, 이 질문은 임상적 신뢰와 규제 승인에 있어 매우 중요하다. 본 연구에서는 어텐션에 대한 직교적이고 가설 독립적인 평가를 위한 공간 전사체학 기반 프레임워크를 제안하고, 이를 다섯 가지 병리 파운데이션 모델(CONCH v1.5, UNI v2, Virchow2, GigaPath, H-Optimus-1)과 ResNet50 기준선에 적용한다. 어텐션 기반 다중 인스턴스 학습(multiple instance learning)을 활용하여, CPTAC 코호트에서 교모세포종의 다섯 가지 분자 변이를 예측하는 단일 과제 및 다중 과제 모델을 학습하고, 독립적인 TCGA 코호트에서 검증하며, 18개 샘플의 공동 등록된 Visium 공간 전사체학 데이터를 사용하여 87개의 전사 시그니처에 대한 어텐션 맵의 생물학적 일관성을 평가한다. 내부 평가에서는 모든 과제에 걸쳐 단일 인코더가 우세하지 않으며, 외부 검증에서는 내부 성능 순위가 역전된다. 어텐션 맵은 경로(Cohen's d=0.329)에서 개별 유전자(d=0.055)로 갈수록 5배의 농축 그래디언트를 보이며, 이는 어텐션이 개별 분자 사건이 아닌 창발적 다중 유전자 전사 프로그램을 포착함을 나타낸다. 공간적으로 매끄러운 어텐션 맵이 생물학적 일관성을 의미하지는 않으며, 서로 다른 인코더는 각기 다른 생물학적 구획에 주목한다. 본 프레임워크는 파운데이션 모델이 조직병리학으로부터 무엇을 학습하는지에 대한 객관적이고 정량적인 평가를 제공함으로써, 질적 현저성 맵 검토에 머물던 분야를 한 단계 발전시킨다.

arXiv:2606.21156v1cs.CV

공간 전사체학을 위한 대조적·적응형 멀티모달 마스크드 오토인코더

Contrastive and Adaptive Multi-modal Masked Autoencoder for Spatial Transcriptomics

공간 전사체학(spatial transcriptomics, ST)의 높은 비용으로 인해 H&E 조직학 이미지로부터 유전자 발현을 직접 예측하는 연구가 광범위하게 진행되어 왔다. 그러나 이 예측 과제에는 조직 형태학만으로는 기저 유전자 발현을 완전히 규명하기에 정보가 불충분하다는 본질적인 한계가 있다. 이 한계를 해결하기 위해 최근 연구는 조직학 이미지와 함께 부분적인 유전자 발현을 예측 과정의 안내 신호로 활용한다. 이러한 패러다임을 기반으로, 우리는 예측 과제를 공간 대치(spatial imputation) 문제로 접근하며, 마스크드 오토인코더(MAE)를 사용하여 소량의 유전자 발현을 전체 슬라이드 유전자 발현 프로파일을 추론하기 위한 유전적 앵커(genetic anchors)로 활용한다. 구체적으로, 우리는 생물학적 현저성(bio-saliency) 점수와 순위 학습(learning-to-rank) 전략을 제안하여 조직 내에서 가장 정보가 풍부한 spot을 적응적으로 식별한다. 식별된 spot을 바탕으로, 우리 프레임워크는 실제 ST 프로파일링 하드웨어에 적합하도록 연속 영역을 유전적 앵커로 선택한다. 이러한 앵커를 효과적으로 활용하기 위해, 우리는 시각 및 유전 모달리티를 통합하는 교차 모달 공동 인코더를 설계한다. 대조 학습(contrastive learning)을 통해 선택된 앵커와 해당 시각 특징을 정렬함으로써, 인코더는 전체 슬라이드에 걸친 유전자 발현을 정확히 예측할 수 있는 견고한 공동 표현을 생성한다. 특히 우리 프레임워크는 조직학 전용 예측과 공간 대치 모두에서 기존 방법들을 일관되게 능가하며, 유전적 앵커 없이도 우수한 정확도를 달성하고 전사체학(transcriptomic) 커버리지가 10%에 불과한 경우에도 더욱 뛰어난 성능을 보인다. 코드는 https://github.com/Kyyle2114/CAMMST 에서 제공된다.

arXiv:2507.04704v3q-bio.QM

SPATIA: 공간적 세포 표현형의 멀티모달 생성 및 예측

SPATIA: Multimodal Generation and Prediction of Spatial Cell Phenotypes

세포 형태학, 유전자 발현, 그리고 공간적 문맥이 어떻게 조직 기능을 공동으로 형성하는지 이해하는 것은 생물학의 핵심 과제입니다. 이미지 기반 공간 전사체학 기술은 이제 세포 이미지와 유전자 발현 프로파일의 고해상도 측정을 제공하지만, 기존 방법들은 일반적으로 이러한 모달리티를 독립적으로 분석하거나 제한된 해상도로 분석합니다. 우리는 세포에서 조직 수준에 이르기까지 형태학, 유전자 발현, 그리고 공간적 문맥을 융합하여 통합되고 공간을 인식하는 표현을 학습하는 다층 생성 및 예측 모델인 SPATIA를 도입하여 이 문제를 해결합니다. SPATIA는 또한 목표 상태 형태학 분포를 모델링하기 위해 신뢰도 인식 최적 운송(OT) 재가중치와 형태학-프로파일 정렬을 포함하는 공간 조건부 생성 프레임워크를 통합합니다. 구체적으로, 우리는 불확실성을 기반으로 약한 최적 운송 쌍에 재가중치를 부여하는 신뢰도 인식 플로우 매칭 목적함수를 제안합니다. 또한, 우리는 생물학적으로 의미 있는 이미지 생성을 장려하기 위해 형태학-프로파일 정렬을 적용하여, 미세 환경 의존적 표현형 전이를 모델링할 수 있게 합니다. 우리는 17개 조직에 걸쳐 2590만 개의 세포-유전자 쌍으로 구성된 다중 스케일 데이터셋을 구축했습니다. 우리는 표현형 생성, 어노테이션, 클러스터링, 유전자 대체, 교차 모달 예측과 같은 범주를 아우르는 12개 작업에 걸쳐 18개 모델과 비교하여 SPATIA를 벤치마킹했습니다. SPATIA는 최첨단 모델 대비 향상된 성능을 달성하여, 생성 충실도를 8%, 예측 정확도를 최대 3% 향상시켰습니다.