다중 모달 공간 오믹스 데이터를 효과적으로 모델링하는 것은 조직 복잡성과 근본적인 생물학적 메커니즘을 이해하는 데 중요하다. GROVER는 공간 오믹스 데이터와 조직병리학적 이미지를 통합하기 위한 새로운 프레임워크로, 그래프 컨볼루션 네트워크(GCN) 인코더를 사용하여 모달리티 간의 비선형 의존성을 포착하고, 스폿-특징 쌍 대비 학습을 통해 모달리티 간의 대응 관계를 최적화하며, 동적 전문가 라우팅 메커니즘을 통해 각 스폿에 대해 정보성 모달리티를 선택한다.
시사점, 한계점
•
GROVER는 공간 멀티오믹스 데이터 통합을 위한 새로운 프레임워크를 제시하여, 다양한 오믹스, 이미징 및 공간 모달리티 간의 이질성 문제를 해결한다.
•
GCN 기반 인코더를 사용하여 모달리티 간의 비선형 의존성을 모델링하고, 스폿-특징 쌍 대비 학습을 통해 모달리티 간 정렬을 개선한다.
•
동적 전문가 라우팅을 통해 노이즈 또는 저품질 입력의 영향을 줄인다.
•
실제 공간 오믹스 데이터셋에서 기존 방법론보다 우수한 성능을 보였다.
•
논문에서 구체적인 한계점은 명시되지 않음. (향후 연구에서 데이터 전처리, 모델 복잡성, 다른 종류의 오믹스 데이터 통합 등에 대한 추가적인 고려가 필요할 수 있음)
