Trajectory Landscapes for Therapeutic Strategy Design in Agent-Based Tumor Microenvironment Models

1. 연구 배경 및 문제 제기 (Problem Statement)

• 배경: 다중 조직 이미징 (MTI) 기술은 종양 미세환경 (TME) 의 고차원적이고 공간적으로 분해된 데이터를 제공하지만, 임상 데이터는 시간적으로 불규칙하게 샘플링되고 종단적 (longitudinal) 정보가 부족합니다. 이로 인해 TME 의 시공간적 역동성과 효과적인 치료 시점을 직접 추론하기 어렵습니다.
• 한계점:
  • 기존 모델: 상미분방정식 (ODE) 기반 모델은 분석적 처리가 용이하지만, '완전 혼합 (well-mixed)' 가정으로 인해 TME 의 공간적 이질성 (예: T 세포 배제, 국소적 고갈) 을 포착하지 못합니다.
  • 에이전트 기반 모델 (ABM): ABM 은 공간적, 확률적 상호작용을 잘 모사하지만, 고차원 상태 공간과 불확실한 매개변수화로 인해 직접적인 제어 설계가 어렵습니다. 또한 임상 데이터가 부족하여 단일 최적 매개변수 집합을 찾는 것이 모호합니다.
• 핵심 문제: 부분적으로 관측된 생물학적 시스템 (임상 MTI 스냅샷) 에 기반하여, TME 의 역동적 상태를 추론하고 최적의 치료 스케줄링 전략을 수립하는 방법론의 부재.

2. 제안된 방법론 (Methodology)

이 연구는 시뮬레이션 기반의 축소 차원 프레임워크를 제안하여 ABM 에서 도출된 궤적 앙상블을 활용합니다.

A. 시뮬레이션 앙상블 및 궤적 풍경 구축

• ABM 설정: PhysiCell 프레임워크를 사용하여 7 가지 세포 유형 (종양세포, T 세포 등) 과 신호 전달 상호작용을 모델링합니다.
• 매개변수 샘플링: 21 차원 매개변수 공간 (세포 이동성, 접착력, 신호 분비 등) 에서 라틴 하이퍼큐브 (Latin Hypercube) 설계를 통해 50 개의 서로 다른 매개변수 조합을 샘플링하고, 각각에 대해 3 가지 공간 초기화를 적용하여 총 150 개의 시뮬레이션 궤적을 생성합니다.
• 공간 통계 및 시간 지연 임베딩:
  • 각 시뮬레이션 단계에서 세포 구성을 고정된 차원의 공간 요약 통계 (세포 비율, 공간 혼합/분리 지표 등) 로 변환합니다.
  • 타카네스 (Takens) 정리에 영감을 받아, 시간 지연 임베딩 (Time-delay embedding) 을 적용하여 단일 스냅샷이 아닌 시간 창 (window) 단위의 동역학적 특성을 재구성합니다.

B. 마르코프 상태 모델 (MSM) 및 상태 이산화

• 클러스터링: 임베딩된 벡터를 UMAP 으로 차원 축소 후 계층적 클러스터링을 수행하여 TME 의 6 가지 메타안정 상태 (Metastable States, $S_1 \sim S_6$) 를 정의합니다.
  • $S_1$: 효과기 T 세포 우세 (면역 통제)
  • $S_4$: T 세포 고갈 우세 (면역 회피)
  • $S_6$: T 세포 배제 (면역 회피)
  • $S_2, S_3, S_5$: 과도기적 상태
• 전이 확률 행렬 추정: 클러스터링된 상태 간의 전이를 1 차 마르코프 체인으로 모델링하여 전이 확률 행렬을 학습합니다.

C. 매개변수 식별 및 조건부 모델링

• 주요 매개변수 식별: 크루스칼 - 월리스 (Kruskal-Wallis) 검정을 통해 최종 흡수 상태 (attractor) 를 결정하는 주요 매개변수를 식별합니다.
  • 결정적 매개변수: T 세포 고갈률 ($r_{exh}$) 과 종양 자기 접착력 ($r_{adh}$).
• 조건부 MSM: 식별된 매개변수 영역 (예: $S_4$-선호군 vs $S_6$-선호군) 에 따라 그룹별 전이 모델을 구축합니다. 이는 단일 모델이 놓칠 수 있는 다양한 탈출 경로를 포착합니다.

D. 치료 전략 설계 (MDP)

• 마르코프 의사결정 과정 (MDP) 공식화:
  • 상태: 이산화된 TME 상태 ($S_1 \sim S_6$).
  • 행동: 약물 투여 ($a=1$, 고갈률 감소) 또는 투여 없음 ($a=0$).
  • 목표: $S_1$(면역 통제 상태) 로의 흡수 확률 최대화.
  • 해법: 벨만 방정식을 역방향 유도 (backward induction) 로 풀어 최적 정책 ($\mu^*$) 을 도출합니다.

3. 주요 결과 (Key Results)

A. 임상 데이터 매핑 및 검증

• 임상 데이터 적용: 삼중 음성 유방암 (TNBC) 환자의 MIBI(다중 이온 빔 이미징) 데이터 360 개 ROI 를 학습된 궤적 풍경에 매핑했습니다.
• 결과: 대부분의 ROI 는 $S_1$(면역 통제) 또는 $S_6$(면역 배제) 상태에 할당되었습니다.
• 예후 연관성:
  • $S_1$ 비율이 높은 환자군 ($>89\%$) 은 전체 생존율이 유의하게 높았습니다 ($p=0.038$).
  • $S_6$ 비율이 높은 환자군 ($>22\%$) 은 생존율이 유의하게 낮았습니다 ($p=0.029$).
  • 이는 시뮬레이션 기반의 역동적 상태가 실제 임상 예후와 밀접하게 연관됨을 입증했습니다.

B. 매개변수 민감도 및 흡수 영역 (Attractor Basins)

• 매개변수 영향: $r_{exh}$(고갈률) 와 $r_{adh}$(접착력) 만이 장기적 행동을 결정하는 것으로 확인되었습니다.
  • 낮은 $r_{exh}$: $S_1$(면역 통제) 로 수렴.
  • 높은 $r_{exh}$ + 높은 $r_{adh}$: $S_4$(고갈 우세) 로 수렴.
  • 높은 $r_{exh}$ + 낮은 $r_{adh}$: $S_6$(배제) 로 수렴.
• 분류 정확도: 2-NN 분류기를 사용하여 이 두 매개변수 공간에서 흡수 영역을 구분한 결과, 99.3% 의 정확도를 보였습니다.

C. 치료 시점 민감도 및 최적 정책

• 개입 시점 민감도:
  • $S_6$(배제) 선호군은 $S_4$(고갈) 선호군보다 치료 창 (therapeutic window) 이 훨씬 빠르게 닫힙니다 ($Q_g(k) < 0.25$ 도달 시간: $S_6$은 36 단계, $S_4$는 189 단계).
  • 이는 $S_6$ 경로의 경우 초기 개입이 절대적으로 중요함을 시사합니다.
• 최적 정책 (MDP) 성능:
  • 고정된 치료 스케줄 (즉시 투여, 교차 주기 등) 과 비교하여 상태 의존적 최적 MDP 정책이 가장 높은 성공 확률을 달성했습니다.
  • 성능 향상: $S_4$-선호군에서 14.7%, $S_6$-선호군에서 5.8% 의 흡수 확률 증가.
  • 메커니즘: 최적 정책은 이미 $S_1$로 향하는 상태에서는 약물을 투여하지 않고, 전환이 필요한 상태에서만 약물을 투여하는 적응형 전략을 취합니다.

4. 주요 기여 및 의의 (Contributions & Significance)

1. 부분 관측 시스템에 대한 새로운 프레임워크: 임상 데이터의 시간적 불연속성을 극복하기 위해 ABM 시뮬레이션 앙상블과 시간 지연 임베딩을 결합하여, 단일 스냅샷으로부터 TME 의 역동적 상태를 추론하는 방법을 제시했습니다.
2. 해석 가능한 축소 차원 모델: 고차원 ABM 을 6 개의 메타안정 상태로 축소하고, 이를 매개변수 공간의 물리적 의미 (고갈률, 접착력) 와 연결하여 생물학적 통찰력을 제공했습니다.
3. 개인 맞춤형 치료 전략 설계: 환자의 TME 상태 (특히 탈출 모드) 를 식별하여, 고정된 스케줄이 아닌 상태 의존적 (state-dependent) 최적 치료 시점을 제안했습니다.
4. 임상적 타당성 입증: 실제 임상 데이터 (MIBI) 와의 정량적 일치 및 생존율 분석을 통해 제안된 모델이 실제 종양 생물학을 잘 반영함을 검증했습니다.

5. 결론

이 연구는 에이전트 기반 모델과 마르코프 의사결정 과정을 결합하여, 종양 미세환경의 복잡한 역학을 이해하고 최적의 면역 치료 전략을 설계할 수 있는 강력한 계산적 프레임워크를 제시했습니다. 특히, T 세포 고갈률과 접착력이 치료 반응을 결정하는 핵심 인자임을 규명했으며, 치료 시기의 중요성 (특히 면역 배제 상태에서는 초기 개입이 필수적) 을 정량적으로 증명했습니다. 이는 고정된 치료 프로토콜에서 적응형, 상태 인지형 치료 전략으로의 전환을 위한 이론적 기반을 마련했다는 점에서 의의가 큽니다.