STProtein: 멀티오믹스 데이터로부터 공간 단백질 발현 예측

STProtein: predicting spatial protein expression from multi-omics data

단일 조직의 공간 멀티오믹스 데이터 통합은 생물학 연구 발전에 매우 중요합니다. 그러나 심각한 데이터 불균형이 이러한 진전을 저해하고 있습니다. 공간 전사체 데이터는 비교적 풍부한 반면, 공간 단백질체 데이터는 기술적 한계와 높은 비용으로 인해 여전히 부족한 실정입니다. 이러한 문제를 극복하기 위해 우리는 멀티태스크 학습 전략과 그래프 신경망을 활용한 새로운 프레임워크인 STProtein을 제안합니다. STProtein은 공간 전사체와 같이 접근성이 높은 공간 멀티오믹스 데이터를 활용하여 미지의 공간 단백질 발현을 정확하게 예측하도록 설계되었습니다. 우리는 STProtein이 공간 단백질체 데이터의 부족 문제를 효과적으로 해결함으로써 공간 멀티오믹스의 통합을 가속화하고, 나아가 생명과학 분야의 혁신적인 돌파구를 마련할 수 있을 것으로 기대합니다. 이 도구는 조직 내 단백질의 복잡하고 이전에 숨겨져 있던 공간적 패턴을 식별하고, 다양한 마커 유전자 간의 새로운 관계를 밝혀내며, 생물학적 "암흑 물질(Dark Matter)"을 탐구하게 함으로써 과학자들의 연구 발견을 가속화할 것입니다.

The integration of spatial multi-omics data from single tissues is crucial for advancing biological research. However, a significant data imbalance impedes progress: while spatial transcriptomics data is relatively abundant, spatial proteomics data remains scarce due to technical limitations and high costs. To overcome this challenge we propose STProtein, a novel framework leveraging graph neural networks with multi-task learning strategy. STProtein is designed to accurately predict unknown spatial protein expression using more accessible spatial multi-omics data, such as spatial transcriptomics. We believe that STProtein can effectively addresses the scarcity of spatial proteomics, accelerating the integration of spatial multi-omics and potentially catalyzing transformative breakthroughs in life sciences. This tool enables scientists to accelerate discovery by identifying complex and previously hidden spatial patterns of proteins within tissues, uncovering novel relationships between different marker genes, and exploring the biological "Dark Matter".