임상 메타데이터, 조직병리학 영상, 분자 프로파일을 포함한 이질적 생의학 데이터의 통합은 질병에 대한 포괄적 이해에 필수적이다. 그러나 유전자 발현 데이터 획득은 높은 비용과 프라이버시 우려로 인해 여전히 제약을 받고 있어, 멀티모달 연구 및 AI 기반 응용에서의 활용을 제한한다. 우리는 조직병리학 영상과 임상 메타데이터에 조건을 걸어 생성적 적대 신경망(GAN)으로 유전자 발현 프로파일을 생성하는 새로운 프레임워크인 MultiModal Molecular Generation(M$^3$-Gen)을 제안한다. M$^3$-Gen은 대조 학습(contrastive learning)을 활용하여 임상 변수와 영상으로부터 통합 잠재 표현을 학습하고, 두 모달리티의 임베딩을 이용해 생물학적으로 일관된 유전자 발현 프로파일을 생성하는 생성 모델을 유도한다. TCGA 데이터셋에 대한 평가는 M$^3$-Gen이 현실적이고 기능적으로 의미 있는 유전자 발현 데이터를 생성함을 보여준다. 중요하게도, 어텐션 기반 메커니즘으로 여러 모달리티를 통합함으로써 M$^3$-Gen은 내재적 설명 가능성을 제공한다: 특정 유전자 발현 프로파일 생성에 조직병리학 영상의 어떤 영역이 가장 강하게 영향을 미쳤는지 식별할 수 있게 하며, 모델의 결정을 설계상 해석 가능하게 만든다.
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.
Gene-expression profiling is widely used in research and central to many areas of precision oncology, but remains costly and not universally accessible. Recent advances in computational pathology enable prediction of transcriptomic profiles directly from hematoxylin and eosin (H&E)-stained whole-slide images (WSIs), although optimal modeling strategies and clinical relevance remain unclear. In this study, we systematically evaluate deep regression models for WSI-based gene-expression prediction across multiple regression formulations and pathology foundation models (PFMs), and assess whether the resulting predicted transcriptomic signals retain prognostic utility. Across four TCGA datasets, we find that direct regression using attention-based multiple instance learning together with PFM feature extractors provides a strong and computationally efficient baseline, with no consistent benefit from separately training multiple models on subsets of genes. We then externally validate the selected configuration on an independent cohort of 997 breast cancer patients, demonstrating robust generalization for clinically relevant gene sets such as PAM50. To assess clinical relevance, we further evaluate predicted gene-expression scores in two independent population-representative breast cancer cohorts comprising 4,172 patients with survival endpoints, where predicted scores retain prognostic value in both the full patient cohort and the ER+ & HER2- subgroup. Together, these results demonstrate that WSI-based gene-expression prediction can generalize across independent cohorts and recover biologically and clinically meaningful molecular structure, supporting its potential as a scalable approach for transcriptomic phenotyping and risk stratification.
생물학적 응용을 위한 신뢰할 수 있는 머신러닝 알고리즘을 구축하려면 서로 다른 출처, 배치, 분포, 또는 연구로 인한 데이터 이질성에 적응해야 한다. 우리는 'Cross-Cluster Weighted Forest'(CCWF)를 제안한다. 이는 특징 분포의 이질성을 명시적으로 활용하는 앙상블 접근법으로, 데이터가 자연스럽게 클러스터링될 수 있는 경우 표준 Random Forest보다 더 정확하고 더 일반화 가능한 예측기를 생성한다. CCWF는 RF 아키텍처를 외부 비지도 층, 지도 하위 과제, 그리고 앙상블로 일반화한다. 구체적으로는 학습 데이터의 비지도 클러스터링, 각 클러스터에 Random Forest를 적합시키는 것, 그리고 클러스터 간 일반화 가능성을 보상하는 스택드 회귀 가중치를 통해 포레스트를 결합하는 것을 포함한다. 우리는 해석적으로 다룰 수 있는 포레스트 모델에 대한 이론적 분석을 제공하며, 클러스터 기반 앙상블이 전체 데이터에 단일 포레스트를 학습하는 것보다 점근적으로 더 정확함을 보인다. 이 이득은 바이어스 감소에 의해 주도된다. 시뮬레이션에서 CCWF는 데이터 생성 체제와 결과 모델 전반에 걸쳐 견고함을 보인다. 또한 데이터 분할 및 앙상블 가중 전략이 우리 방법의 이점에 미치는 영향을 탐구한다. 마지막으로, 우리는 접근법을 자연스럽게 클러스터로 나눌 수 있는 암 분자 프로파일링 및 유전자 발현 데이터셋에 적용한다. 시뮬레이션과 실제 데이터 예시 모두에서, 우리의 접근법이 고전적인 Random Forest를 30-40%의 여유로 능가함을 보여주며, 이는 우리의 이론적 결과와 일치한다. 전반적으로, CCWF가 여러 도메인 또는 하위 집단에 걸친 데이터에 대해 통계적으로 타당한 예측 알고리즘을 제공함을 보인다. 이러한 구조는 생물학적 응용에서 흔하다.
정밀 분자 설계는 생물학적 관련성과 분자 설계 전략과 같은 여러 조건의 공동 제어를 통해 개인 맞춤형 약후보를 발굴하는 것을 목표로 한다. 생물학적 관련성은 질병 또는 교란(perturbation) 조건 하의 세포 기능 상태를 반영하며, 분자 설계 전략은 구조적 의도와 물성 최적화 측면에서 상호 보완적인 지침을 제공한다. 본 연구에서는 유전자 발현 프로파일로 인코딩된 생물학적 상태와 텍스트로 표현된 분자 구조 정보, 그리고 수치로 정량화된 화학적 특성을 통합 모델링 프레임워크 내에서 결합하는 공동 제어 정밀 분자 생성 모델 JoPMol을 제안한다. 이러한 공식화는 공동 조건 제어 하에서 후보 분자의 조율된 생성과 최적화를 가능하게 한다. 실험 결과 JoPMol은 여러 평가(evaluation) 지표에서 최신(state-of-the-art) 방법들을 능가함을 보여준다. 또한 JoPMol은 전이(transfer) 작업과 생물학적으로 그라운딩(grounding)된 시뮬레이션 시나리오 모두에서 강한 일반화(generalization) 능력을 보여 정밀 분자 설계에서의 효과를 검증한다. 소스 코드는 https://github.com/hala-yh/JoPMol 에서 공개되어 있다.
PREDIKTOR는 치료 전 전사체만으로 환자별 약물 반응을 예측하기 위해, DysRegNet으로 구성한 개인화 유전자 조절 네트워크(지식 그래프 뷰)와 LINCS L1000에서 사전학습된 전사체 섭동 뷰를 CLIP 방식의 대조 학습으로 정렬하는 멀티뷰 프레임워크다. TCGA 평가에서 최신 기준 모델을 일관되게 상회하고, I-SPY2 임상시험에 제로샷 전이 시 AUROC를 5.6% 향상시켰으며, 해석 가능한 유전자·경로 기여도를 통해 알려진 기전을 복원한다.
유전자 발현 분석처럼 단일 시점의 횡단면 데이터만 관측 가능한 상황에서, 알려진 방향성 비순환 그래프(DAG) 구조를 가진 인과적 확산 과정의 드리프트 함수를 비모수적으로 식별할 수 있음을 Fokker-Planck 방정식을 통해 증명한다. 이를 기반으로 재생 커널 힐베르트 공간(RKHS)을 활용한 비모수 커널 추정량을 제안하고 일치성을 이론적으로 확립하며, 해당 DAG 구조 드리프트가 생성적 확산 모델보다 정상 분포로 더 빠르게 수렴함을 보인다.
Spatial Transcriptomics (ST) profiles thousands of gene expression values at discrete spots with precise coordinates on tissue sections, preserving spatial context essential for clinical and pathological studies. With rising sequencing throughput and advancing platforms, the expanding data volumes motivate large-scale ST pretraining. However, the fundamental unit for pretraining, i.e., what constitutes a single training sample, remains ill-posed. Existing choices fall into two camps: (1) treating each spot as an independent sample, which discards spatial dependencies and collapses ST into single-cell transcriptomics; and (2) treating an entire slide as a single sample, which produces prohibitively large inputs and drastically fewer training examples, undermining effective pretraining. To address this gap, we propose treating spatial transcriptomics as croppable images. Specifically, we define a multi-channel image representation with fixed spatial size by cropping patches from raw slides, thereby preserving spatial context while substantially increasing the number of training samples. Along the channel dimension, we define gene subset selection rules to control input dimensionality and improve pretraining stability. Extensive experiments show that the proposed image-like dataset construction for ST pretraining consistently improves downstream performance, outperforming conventional pretraining schemes. Ablation studies verify that both spatial patching and channel design are necessary, establishing a unified, practical paradigm for organizing ST data and enabling large-scale pretraining.
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.
본 논문에서는 손실(loss)이나 정확도(accuracy) 측정 측면에서 성능이 유사하지만 문맥 인지(context-aware) 특성이 현저히 다른 모델 집합을 찾기 위한 접근법을 제안합니다. METABRIC 데이터셋(dataset)에 대한 실험을 통해, 제안된 방법이 성능 저하 없이 대조 방법론이 찾아낸 모델들보다 유전자 발현(gene expression)이 현저히 다른 여러 모델을 찾아낼 수 있음을 보여줍니다. 우리는 연구 대상인 기저 현상에 대한 통찰을 얻기 위해 모델의 전역적 특성을 분석하려는 모든 상황에서 제안된 방법론이 중요하다고 주장합니다.