1. 논문관련 분야의 소개, 동향, 전망을 설명, 연구과정에서 생긴 에피소드

조직을 구성하는 세포는 단독으로 행동하지 않으며, 인접한 세포와 접촉하여 혹은 다양한 리간드의 수용체 결합을 통해서 상호작용을 합니다. 이때 세포의 공간적인 위치에 따라서 세포와 세포의 공간적인 상호작용이 변화할 수 있습니다. 따라서, 조직 내에서 세포의 공간 구성을 알아내는 것이 조직 내에서 세포의 역할을 이해하는 데에 중요한 열쇠가 되겠습니다. 공간 전사체 방법을 이용한다면 넓은 조직의 영역에서 여러 세포들이 어떻게 분포하고 상호작용을 하는지 총체적으로 이해하는 데에 도움이 되겠습니다.

바코드 기반의 공간 전사체 방법은 조직의 각 위치에서 유전자 전장에 걸친 RNA 발현을 스크리닝할 수 있는 도구입니다. 공간 전사체 데이터를 해석하면 어떤 유전자가 지역에 따라, 상태에 따라 다른 발현 패턴을 보이는지, 그 차이가 어떤 기능과 연관되어 있는지를 탐색할 수 있습니다. 하지만, 공간 전사체 데이터는 조직의 영역을 스팟이라는 임의의 단위로 구분하여 유전자 발현을 조사하기 때문에 세포 단위의 유전자 발현을 직접적으로 알 수 없습니다. 스팟 하나에 여러 개의 세포 혹은 그 일부가 포함되어 있으며 조직 위치에 따라서도 세포의 밀도가 상이합니다. 이에 연구자들은 세포 단위로 RNA 발현을 조사한 단일 세포 전사체 데이터를 공간 전사체 데이터와 통합하여 세포의 공간 조성을 추정하는 모델을 제시하였습니다.

저희 연구팀에서는 세포의 공간 분포를 추정하는 문제를 다른 관점에서 접근해보기로 하였습니다. 단일 세포 전사체와 공간 전사체 데이터는 유전자 발현 관점에서 다른 도메인에 위치한 데이터로 간주할 수 있습니다. 적대적 도메인 적응 방법을 이용한다면, 두 데이터를 구별할 수 없는 최적의 공간으로 옮겨 단일 세포 전사체에서의 세포 유형 정보를 공간 전사체로 옮길 수 있겠습니다. 우선, 단일 세포 전사체와 공간 전사체가 설명하는 세포 유형이 유사하다는 가정을 바탕으로 하여 단일 세포 전사체 데이터에서 세포를 무작위로 골라내 세포 혼합물을 구성하였습니다. 가상의 세포 혼합물로부터 세포 비율을 추정하는 정답이 있는 딥러닝 모델을 학습한 후에 적대적 학습을 통해 세포 혼합물과 공간 전사체 스팟을 구별할 수 없도록 모델을 변화시켰습니다. 이로써 공간 전사체 스팟에서도 세포 조성을 잘 추정할 수 있도록 하였고, 최종적으로 세포 유형별 공간 분포 지도를 생성하였습니다.

첫 번째로, CellDART로 이름 붙인 방법을 마우스와 사람의 뇌 조직에 적용하여 성능을 검증하였습니다. 특정 피질층에 집중적으로 분포하는 것으로 알려진 흥분성 뉴런의 공간 분포를 예측하였을 때 해당하는 피질층에 국한하여 분포하는 것으로 나왔습니다. 또한, 12장의 사람 뇌 조직 슬라이드에서 특정 피질층을 구분하는 진단 성능을 ROC 분석의 AUC로 산출하였을 때 CellDART는 기존에 제시된 방법에 비해서 우수한 성능을 보였습니다. 뿐만 아니라, CellDART는 다른 방법에 비해서 계산 시간이 빠르다는 장점이 있었습니다. CellDART는 Visium 공간 전사체뿐만 아니라 고해상도 방법인 Slide-seq에서도 해마의 지역 특이적 뉴런을 해당 영역으로 정확하게 매핑할 수 있었습니다. 마지막으로, CellDART를 적용하여 사람 폐 조직을 구성하는 여러 세포 유형의 공간 분포를 추정하였으며, 기존에 알려진 폐 구조 특이적인 분포와 상응하는 패턴을 보였습니다. 요약하자면, 적대적 도메인 적응 모델인 CellDART를 이용하여 여러 조직에서 세포의 공간 조성을 정확히 예측할 수 있었고 세포의 공간적인 상호작용을 총체적으로 이해하는 데에 있어서 도움이 될 것으로 기대합니다.

2. 연구를 진행했던 소속기관 또는 연구소에 대해 소개 부탁드립니다.

저는 서울대학교 융합과학기술대학교 분자의학 및 바이오제약학과 이동수 교수님 연구실에서 박사과정 학생으로 연구를 진행하였습니다. 공간 전사체 데이터 분석 방법 개발과 해석에 주로 관심을 가지고 실험실 내의 다른 선생님 그리고 다른 과의 선생님들과 소통하였습니다. 특히, 이번 연구에서는 서울대학교병원 핵의학과 최홍윤 교수님, 흉부외과의 나권중 교수님, 김영태 교수님 및 여러 공동 저자 교수님들의 지도로 다양한 각도에서 공간 전사체 데이터를 이해하고 시각화하는 방법을 배울 수 있었습니다.

3. 연구 활동 하시면서 평소 느끼신 점 또는 자부심, 보람

공간 전사체 분석을 시작하여 연구 주제를 구체화하고 논문을 완성하기까지 오랜 기간동안 아낌없는 조언을 해주신 최홍윤 교수님 그리고 이동수 교수님께 감사의 말씀을 드리고 싶습니다. 결과 해석에 어려움이 있고 어떤 방향으로 의미를 찾아나가야 할지 몰라서 고민을 하고 있을 때 항상 현명한 방향으로 이끌어 주셨던 나권중 교수님과 김영태 교수님을 포함한 여러 공동 저자 교수님들께도 감사의 말씀을 드립니다. 이번 논문을 통해서 다른 분야에서 일하는 선생님들과 협업하여 연구를 진행하는 방법을 배울 수 있었던 값진 기회였던 것 같습니다.

4. 이 분야로 진학하려는 후배들 또는 유학준비생들에게 도움이 되는 말씀을 해 주신다면?

공간 전사체학은 2016년도에 Karolinska 연구소에서 위치 바코딩 기술과 염기서열분석 기술을 결합한 방법을 제시한 이후로 빠르게 발전하였습니다. 비록, 형광 염색을 기반으로 한 다른 공간 전사체학 기술에 비하여 RNA 포착 민감도는 다소 떨어질 수 있지만, 넓은 조직 영역에서 유전자 전장에 걸친 전사체를 뽑아낼 수 있다는 점과 전사체를 얻은 단면과 같은 위치에서 H&E 염색한 슬라이드를 획득할 수 있다는 강점으로 많은 연구자들이 실험 도구로써 활용하기 시작하였습니다. 이렇게 하여 조직의 각 위치에서 세포 수십 개, 최근 기술로는 세포 수개의 공간 해상도로 RNA 발현을 조사할 수 있게 되면서 세포의 공간적인 맥락을 이해하기 위한 시도가 이루어졌습니다. 전사체 데이터를 해석하는 기존의 연구 방법에 국한되어 있지 않고 다양한 분야에서 도출한 정보를 통합하여 연구를 수행하기 때문에 다학제 연구가 필수적인 분야라고 할 수 있겠습니다.

5. 연구 활동과 관련된 앞으로의 계획이 있으시다면?

공간 전사체 데이터를 기반으로 여러 세포의 공간적인 상호작용을 정량적으로 조사할 수 있는 방법을 연구해보려고 합니다. 다양한 질병 모델에서 조직에 침투하는 소수 세포 유형의 분포를 수치화하고 조직의 어느 영역에서 어떤 패턴으로 분포하며 다른 세포들과 어느 정도의 상호작용을 하고 있는지를 포착하여 병태생리와 직접적으로 연관되어 있는 핵심 기전을 탐색하는 플랫폼을 마련해보고자 합니다.

6. 다른 하시고 싶은 이야기들.....

연구를 진행하는 동안에 많은 격려를 해주셨던 서울대학교병원 핵의학과의 여러 교수님 그리고 건설적인 제안을 해주셨던 실험실 내의 여러 선생님께 감사의 말씀을 드립니다. 또한, 논문을 출간하기까지 쉽지 않은 과정을 거치는 동안 아낌없이 지지와 응원을 해주었던 가족 그리고 여자친구에게도 고맙다는 말을 전하고 싶습니다.