인공지능(Artificial intelligence)은 생물학적 과제를 해결하는 우리의 능력을 변화시키고 있습니다. 고차원 생물학적 데이터로 인해 악화되는 차원 병목(dimensionality bottleneck) 영역에서, 신경망(Neural networks)은 서로 다른 개념들을 중첩(superposition)이라고 알려진 더 낮은 차원으로 강제하여 밀어 넣습니다. 이러한 중첩은 해석 가능성(interpretability)을 저해하는 것으로 널리 알려져 있지만, 잠재 공간(latent spaces)의 기하학적 구조를 손상시키는 데 미치는 영향은 여전히 결정적으로 간과되고 있습니다. 본 연구에서는 환자 유래 파킨슨병(Parkinson's disease) 뉴런과 건강한 뉴런의 100,000개 이상의 다중화된 이미지(multiplexed images)로 학습된 희소 오토인코더(sparse autoencoders, SAEs)를 활용하여 중첩 문제를 해결했습니다. 이 접근 방식은 해석 가능한 잠재 표현 분석(interpretable latent representation analysis)으로 전환함으로써 특징 속성(feature attribution)의 수학적 비유일성(non-uniqueness)을 우회합니다. 우리는 이론적 및 경험적으로 중첩이 표현 메트릭 공간(representational metric spaces)을 오염시킨다는 것을 입증하였으며, 이를 통해 SAE가 기하학적 충실도(geometric fidelity)를 성공적으로 회복함을 보여줍니다. 이러한 기하학적으로 정제된 표현을 단일 세포 상태 벡터(single-cell state vectors)로 취급함으로써, 우리는 단일 세포 RNA 시퀀싱(single-cell RNA sequencing, scRNA-seq) 데이터 분석 방법론을 이미지 영역에 직접 적용했습니다. 마지막으로, 우리는 Gromov-Wasserstein 최적 운송(optimal transport)을 활용하여 이러한 이미지 표현을 실제 scRNA-seq 데이터와 extit{de novo}로 정렬하는 GW-map을 소개합니다. 이러한 결합은 참조 공간 전사체학(reference spatial transcriptomics) 없이도 Calcium-AIS scaffold와 같은 계층적 뉴런 병리 경로를 재구성하며, 공간 생물학(spatial biology)을 위한 확장 가능한 기반을 구축합니다. 코드는 https://github.com/jijihihi/Bio_superposition 에서 확인할 수 있습니다.