AI가 사람보다 100배 빠르게 죽은 세포를 찾아내 알츠하이머병 치료에 도움이 될 수 있다
세포가 언제, 왜 죽는지 이해하는 것은 인간의 발달, 질병, 노화를 연구하는 데 근본적으로 중요합니다. 루게릭병, 알츠하이머병, 파킨슨병과 같은 신경퇴행성 질환의 경우, 죽었거나 죽어가는 뉴런을 식별하는 것은 새로운 치료법을 개발하고 시험하는 데 결정적입니다.
하지만 죽은 세포를 찾아내는 일은 어려울 수 있습니다. 지금까지 과학자들은 현미경으로 어떤 세포가 살아 있고 어떤 세포가 죽었는지 일일이 표시해야 했습니다. 죽은 세포는 무엇을 찾아야 하는지 알고 있으면 비교적 쉽게 알아볼 수 있는 특유의 쪼그라든 모습을 띱니다.
연구진은 시간당 임금을 받는 인턴 학생들로 이루어진 대규모 인력을 고용해 수천 장의 이미지를 살펴보고, 샘플 속 각 뉴런이 언제 죽었는지 세도록 했습니다. 그러나 이를 수작업으로 하는 것은 느리고, 비용이 많이 들며, 때로는 오류가 생기기 쉬운 과정입니다.
상황을 더 복잡하게 만드는 것은, 과학자들이 최근 세포 이미지를 시간에 따라 변하는 모습 그대로 연속적으로 촬영하기 위해 자동 현미경을 사용하기 시작했다는 점입니다. 자동 현미경은 촬영을 쉽게 만들어 주지만, 수작업으로 분류해야 할 이미지의 양도 엄청나게 늘려 놓습니다.
수작업 큐레이션은 정확하지도 효율적이지도 않다는 것이 분명해졌습니다. 게다가 대부분의 영상 기법은 세포가 죽는 후기 단계만 포착할 수 있으며, 때로는 세포가 이미 분해되기 시작한 뒤 며칠이 지나서야 확인되기도 합니다. 이 때문에 실제로 세포 사멸을 유발한 요인과 단순히 분해 과정에 관여한 요인을 구분하기 어렵습니다.
과학자들은 한동안 큐레이션 과정을 자동화하려고 노력해 왔습니다. 초기 시도들은 연구에서 사용되는 다양한 세포 유형과 현미경을 감당하지 못했고, 인턴들의 정확도에 필적하지도 못했습니다.
하지만 연구팀이 개발한 새로운 인공지능 기술은 초인적인 정확도와 속도로 죽은 세포를 식별할 수 있습니다. 이러한 진전은 모든 종류의 생명의학 연구, 특히 신경퇴행성 질환 분야의 연구를 가속화할 잠재력이 있습니다.
최근 인공지능은 현미경 분야를 빠르게 장악하고 있습니다. 합성곱 신경망(CNN)이라 불리는 인공지능의 한 형태는 사람만큼 정확하게 이미지를 분석할 수 있다는 점에서 특히 주목받고 있습니다.
합성곱 신경망은 이미지 속 복잡한 패턴을 인식하고 감지하도록 학습될 수 있습니다. 인간의 시각과 마찬가지로, CNN에 많은 이미지 예시를 제공하고 어떤 특징에 주목해야 하는지 알려주면 컴퓨터가 관심 있는 패턴을 인식하도록 가르칠 수 있습니다.
이러한 패턴에는 맨눈으로 보기 어려운 생물학적 현상도 포함될 수 있습니다. 예를 들어, 한 연구팀은 CNN이 훈련된 피부과 전문의보다 더 정확하게 피부암을 식별하도록 가르칠 수 있었습니다. 최근에는 과학자들이 현미경 이미지에서 세포 유형과 같은 복잡한 생물학적 신호를 식별하도록 CNN을 훈련시키는 데 성공했습니다.
이러한 연구를 바탕으로 샌프란시스코 캘리포니아대학교의 글래드스톤 연구소 연구진은 죽은 세포를 식별하기 위해 바이오마커 최적화 CNN(BO-CNN)이라는 새로운 기술을 개발했습니다. 먼저 연구진은 BO-CNN이 명백히 죽은 세포와 명백히 살아 있는 세포를 구별하도록 가르쳐야 했습니다.
이를 위해 연구진은 독성이 없는 단백질인 유전적으로 코딩된 사멸 지표(GEDI)를 생산하도록 설계된 생쥐 뉴런을 배양 접시에 준비했습니다. 이 단백질은 살아 있는 세포를 초록색으로, 죽은 세포를 노란색으로 염색합니다. BO-CNN은 초록색이 '살아 있음', 노란색이 '죽음'을 의미한다는 것을 쉽게 학습할 수 있었습니다. 그러나 이 모델은 사람의 눈에는 그다지 명확하지 않은, 살아 있는 세포와 죽은 세포를 구별하는 다른 특징들도 함께 학습했습니다.
BO-CNN은 초록색 세포와 노란색 세포를 구별하는 특징을 익힌 뒤, 색이 구별되지 않는 뉴런을 보게 되었습니다. BO-CNN은 같은 작업을 수행하도록 훈련받은 사람보다 훨씬 빠르고 정확하게 살아 있는 세포와 죽은 세포를 올바르게 표시할 수 있었습니다. 이 모델은 이전에 본 적 없는 세포 유형의 이미지를 서로 다른 종류의 현미경으로 촬영한 것이라도 여전히 죽은 세포를 올바르게 식별할 수 있었습니다.
그러나 한 가지 분명한 의문이 남았습니다. 연구진의 모델은 왜 죽은 세포를 그토록 효과적으로 찾아냈을까?
과학자들은 흔히 CNN이 내리는 결정을 블랙박스로 여기며, 컴퓨터가 시각 과제를 해결하기 위해 사용하는 전략은 그것이 얼마나 잘 작동하는지보다 덜 중요하다고 봅니다. 하지만 세포 구조 안에는 모델이 결정을 내릴 때 참고하는 어떤 패턴이 반드시 있을 것이므로, 이러한 패턴을 밝혀내면 과학자들이 세포 사멸이 어떤 모습인지 더 잘 규정하고, 왜 일어나는지 이해하는 데 도움이 될 수 있습니다.
이 패턴이 무엇인지 알아내기 위해 연구팀은 추가 계산 도구를 사용해 BO-CNN의 판단을 시각적으로 표현했습니다. 그 결과 BO-CNN 모델은 세포핵 내 형광 패턴의 변화에 초점을 맞춰 세포 사멸을 부분적으로 감지하는 것으로 나타났습니다. 이는 사람 큐레이터들이 이전에 알지 못했던 특징이며, 이전 인공지능 모델의 설계가 BO-CNN보다 정확도가 떨어졌던 이유일 수 있습니다.
연구진은 이들의 접근 방식이 생물학의 복잡한 영역을 연구하는 데 인공지능을 활용하는 데 중요한 진전을 나타내며, 이 개념 증명이 현미경 이미지에서 세포 사멸을 탐지하는 것을 넘어 폭넓게 적용될 수 있다고 믿고 있습니다. 이들의 소프트웨어는 오픈소스이며 누구나 사용할 수 있습니다.
살아 있는 세포의 현미경 관찰은 정보가 매우 풍부하지만, 연구자들이 해석하기 어렵습니다. 그러나 BO-CNN과 같은 기술을 사용하면 이제 세포 자체에서 나오는 신호를 활용해 다른 세포의 신호를 인식하고 해석하도록 인공지능을 훈련시킬 수 있습니다. 사람의 추측을 배제함으로써 BO-CNN은 연구의 재현성과 속도를 높이고, 그렇지 않으면 쉽게 알아채지 못했을 이미지 속 새로운 현상을 과학자들이 발견하도록 도울 수 있습니다.
인공지능을 활용해 연구진은 현재 BO-CNN 기술을 확장하여 미래를 예측하는 작업, 즉 죽기 시작하기도 전에 손상된 세포를 식별하는 작업을 진행하고 있습니다. 연구진은 이것이 신경퇴행성 질환 연구의 판도를 바꿀 수 있으며, 뉴런의 죽음을 막는 새로운 방법을 찾아내고 궁극적으로 더 효과적인 치료법으로 이어질 수 있다고 보고 있습니다.
