Scattering correction for infrared spectra of biological cells using computational infrared microspectroscopy and deep learning

기술 요약: 계산적 IR 미세분광법과 딥러닝을 활용한 생물학적 세포의 적외선 스펙트럼 산란 보정

문제 제기
적외선 (IR) 미세분광법은 라벨 없는 생물학적 샘플 분석을 위한 강력한 도구입니다. 그러나 단일 세포에 적용될 때, 강한 빛 산란으로 인해 상당한 어려움에 직면합니다. 생물학적 세포의 크기가 중적외선 (mid-IR) 파장과 유사하기 때문에, 산란은 기록된 흡수 스펙트럼에 기저 왜곡, 피크 이동, 진동성 아티팩트를 유발합니다. 이러한 효과는 신호 내에 포함된 실제 화학 정보 (흡수) 를 가립니다.

현재의 보정 방법들은 일반적으로 샘플이 완벽한 구형이라고 가정하는 미 (Mie) 이론에 의존합니다. 이 가정은 종종 평평하고 불규칙한 형태를 보이는 부착된 세포의 경우 정확도를 제한합니다. furthermore, 샘플 형태 (산란) 의 효과와 고유한 물질 특성 (흡수) 의 효과를 분리하는 것은 여전히 어려운 역문제이며, 특히 임의의 기하학적 구조에 대한 엄밀한 전자기 시뮬레이션의 계산 비용이 높다는 점을 고려할 때 더욱 그렇습니다.

방법론
저자들은 이러한 과제를 해결하기 위해 유한차분 시간영역 (FDTD) 기반의 계산적 IR 미세분광법과 딥러닝 (DL) 을 통합한 프레임워크를 제안합니다.

1. 계산적 IR 미세분광법 (FDTD):

   • 저자들은 빛과 생물학적 세포 간의 상호작용을 시뮬레이션하기 위해 FDTD 를 사용한 가상 이미징 시스템을 개발했습니다.
   • 이 시스템은 빛 산란, 수치 개구수로 정의된 대물렌즈에 의한 수집, 그리고 검출기로의 재초점을 포함한 전체 광학 경로를 모델링합니다.
   • 특정 기하학적 구조 (예: 구, 원통) 로 제한된 해석적 모델과 달리, 이 FDTD 접근법은 임의의 3 차원 형태를 가진 물체를 모델링할 수 있습니다.
   • 시뮬레이션은 두 가지 주요 물리량을 계산합니다:
     • IR 흡수 ($A(\nu)$): 흡수와 산란 효과를 모두 포함하는 검출기에 기록된 총 빛 손실.
     • 진짜 흡수 ($\mathcal{A}_{true}(\nu)$): 세포 주변의 폐쇄된 부피를 통한 순 광파워 흐름으로부터 유도된 샘플 내에서 열로 소산되는 에너지. 이는 산란 아티팩트가 없는 기준 진실 (ground truth) 로서 작용합니다.
   • 수치적 세포 팬텀은 HeLa 자궁경부암 세포 (현탁/구형 및 부착/평평한 형태) 의 고해상도 3 차원 전자현미경 데이터를 사용하여 구축되었습니다. 세포는 생체 조직과 유사한 굴절률 특성을 가진 Matrigel 로 채워진 것으로 모델링되었습니다.

2. 딥러닝 프레임워크:

   • 데이터 생성: FDTD 방법을 사용하여 11,000 개의 훈련 스펙트럼으로 구성된 합성 라이브러리를 생성했습니다. 이 데이터셋은 다양한 부피, 종횡비 (장형에서 편평형까지), 그리고 물질 밀도 (축소된 허수 굴절률) 를 가진 3 차원 타원체를 포함했습니다.
   • 산란 보정 모델 (인코더 - 디코더): 인코더 - 디코더 신경망이 왜곡된 흡수 스펙트럼 ($A$) 에서 직접 진짜 흡수 스펙트럼 ($\mathcal{A}_{true}$) 을 예측하는 역매핑을 수행하도록 훈련되었습니다. 이 모델은 추론 중 반복적이고 계산 비용이 많이 드는 FDTD 시뮬레이션이 필요하지 않도록 합니다.
   • 형태 추론 모델: 두 개의 추가적인 대리 (surrogate) DL 모델이 기하학적 매개변수 ($r_x, r_y, r_z$) 와 물질 밀도 ($k_m$) 로부터 스펙트럼을 예측하도록 훈련되었습니다. 이러한 모델들은 FDTD 솔버의 빠른 근사치 역할을 합니다.
   • 다목적 역산: 실험적 스펙트럼에서 세포 치수를 복원하기 위해 저자들은 최적화 루프를 사용했습니다. 이 루프는 대리 모델을 사용하여 데이터에 타원체를 적합시키고, 예측된 스펙트럼과 측정된 흡수 (및 DL 로 예측된 진짜 흡수) 간의 오차를 최소화합니다.

주요 결과

• FDTD 검증: 계산적 IR 미세분광 시스템은 반해석적 모델과 비교하여 검증되었으며, 우수한 일치 (피크 오차 < 0.5%) 를 보였습니다.
• 형태 의존성: 시뮬레이션은 세포 형태가 IR 스펙트럼을 극적으로 변화시킨다는 것을 보여주었습니다. 구형 세포 (HeLa-1) 는 강한 공명 미 산란 효과 (분산형 피크, 기저 진동) 를 나타낸 반면, 평평한 부착 세포 (HeLa-2, 3) 는 훨씬 더 약한 산란 기여도를 가진 박막 간섭 효과를 보여주었습니다.
• 산란 보정: 딥러닝 모델은 수치적 세포 팬텀의 왜곡된 흡수 스펙트럼으로부터 진짜 흡수 스펙트럼을 성공적으로 재구성했습니다. 예측된 값과 FDTD 에서 유도된 진짜 흡수 간의 평균 제곱근 오차는 0.018 미만이었습니다. 보정은 특히 "침묵" 스펙트럼 영역 (2000–2500 cm⁻¹) 과 지문 영역에서 기저 왜곡과 피크 이동을 효과적으로 제거했습니다.
• 형태 복원: 프레임워크는 IR 스펙트럼을 역산하여 세포 핵의 치수를 성공적으로 복원했습니다. 구형과 중간 정도 평평한 세포의 경우, 복원된 반축 및 물질 밀도 매개변수는 기준 진실 형태와 좋은 일치를 보였습니다. 그러나 매우 길쭉한 세포 (HeLa-2) 의 경우 모호성이 관찰되었는데, 이는 모델의 대칭성과 실제 세포 형태가 이상화된 타원체 훈련 데이터에서 약간 벗어난 것에 기인합니다.

의의 및 주장
저자들은 이 작업이 구형 기반 미 이론의 한계를 극복하고 다양한 생물학적 세포 기하학 전반에 걸쳐 산란 보정을 위한 다목적 단일 모델 솔루션을 제공한다고 주장합니다. 임의의 3 차원 구조를 모델링할 수 있는 FDTD 의 물리적 정확성과 딥러닝의 속도를 결합함으로써, 이 프레임워크는 다음과 같은 것을 가능하게 합니다:

1. 고속 스펙트럼 역산: IR 데이터에서 진짜 흡수 스펙트럼과 샘플 형태를 초 단위로 추출할 수 있는 능력으로, FDTD 만으로는 계산적으로 불가능한 작업입니다.
2. 산란의 활용: 종종 성가신 것으로 간주되는 고유한 빛 산란이 화학 데이터와 함께 복원될 수 있는 형태 정보를 인코딩한다는 것을 입증했습니다.
3. 확장성: FDTD 방법의 유연성은 충분한 훈련 데이터가 생성된다면 타원체를 넘어 점점 더 복잡한 샘플 기하학으로 이 접근법을 확장할 수 있음을 시사합니다.

이 논문은 고품질 합성 훈련 데이터에 의존함으로써 광범위한 실험적 보정 연구의 필요성을 줄일 수 있는 잠재력을 지닌, 생물학적 세포를 위한 IR 분광법의 완전한 분석적 잠재력을 실현하기 위한 유망한 경로를 제시하는 DL 기반 접근법이 결론을 맺고 있습니다.