CellSwarm: LLM-Driven Cell Agents Recapitulate Tumor Microenvironment Dynamics and Sense Indirect Genetic Perturbations

이 논문은 손으로 작성된 규칙에 의존하던 기존 종양 미세환경 시뮬레이션의 한계를 극복하고, 대규모 언어 모델 (LLM) 을 인지 핵심으로 활용하여 세포 간 상호작용을 재현하고 간접 유전적 변이를 감지하며 치료 반응을 예측하는 새로운 에이전트 기반 프레임워크 'CellSwarm'을 제안합니다.

핵심

1. 기존 방식: "매뉴얼대로 움직이는 로봇 군단"

과거에 과학자들이 암을 시뮬레이션할 때는 **'손으로 쓴 규칙 (Hand-coded rules)'**을 사용했습니다.

• 비유: 마치 정해진 매뉴얼만 따르는 로봇 군단 같습니다.
  • "만약 적군 (암세포) 이 10 미터 안에 오면 공격해라."
  • "만약 에너지가 부족하면 멈춰라."
  • "만약 'PD-1'이라는 신호등이 켜지면 공격을 멈춰라."
• 한계: 이 로봇들은 매뉴얼에 적힌 일만 할 뿐, 매뉴얼에 없는 상황 (예: 예상치 못한 새로운 신호) 이 나오면 당황하거나 아무것도 못 합니다. 마치 "비 오는 날은 공격하지 마라"라는 규칙이 없으면, 비가 오는데도 무조건 공격하다가 망가져버리는 로봇과 같습니다.

2. 새로운 방식 (CELLSWARM): "생각하는 세포들"

이 연구팀은 **LLM(대규모 언어 모델, 즉 최신 AI)**을 세포 하나하나의 '두뇌'로 사용했습니다.

• 비유: 이제 로봇 대신 **생각하고 학습할 수 있는 '스마트한 세포들'**이 되었습니다.
  • 각 세포는 과거의 경험 (메모리), 현재 주변 환경 (신호), 그리고 의학 지식 (데이터베이스) 을 종합해서 스스로 판단합니다.
  • "지금 주변에 암세포가 많고, 내 에너지도 충분하며, 면역 신호도 강하네. 그럼 공격해야겠다!"라고 스스로 결론을 내립니다.
  • 중요한 건, 이 세포들은 새로운 상황 (예: 유전자가 변이된 경우) 이 와도 매뉴얼을 다시 쓰지 않고도 그 상황을 이해하고 적절한 행동을 찾아낸다는 점입니다.

3. 이 프로그램이 보여준 놀라운 능력 3 가지

① 다양한 암을 한 번에 이해하다 (범용성)

• 상황: 유방암 (TNBC) 을 시뮬레이션하더니, 지식 데이터베이스만 바꿔주면 대장암, 피부암 등 다른 암도 똑같은 프로그램으로 시뮬레이션할 수 있었습니다.
• 비유: 같은 **요리사 (AI)**가 재료 (암 종류) 만 바꿔주면 유방암 요리, 대장암 요리, 피부암 요리를 모두 완벽하게 해낼 수 있다는 뜻입니다. 기존 로봇은 요리 종류만 바뀌어도 다시 프로그래밍을 해야 했지만, 이 AI 요리사는 바로 적응합니다.

② 약의 효과를 미리 예측하다

• 상황: 면역 치료제 (PD-1 억제제 등) 를 투여했을 때, 실제 임상 데이터와 매우 비슷한 결과가 나왔습니다.
• 비유: 가상의 병원에서 미리 약을 먹여보고 "이 환자에게는 이 약이 80% 정도 효과가 있겠네"라고 예측하는 것과 같습니다. 기존 방식은 약에 대한 반응이 단순해서 예측이 어렵지만, 이 AI 세포들은 약이 세포 내부의 복잡한 신호에 어떻게 영향을 미치는지 깊이 있게 이해합니다.

③ 눈에 보이지 않는 연결고리를 찾아내다 (가장 중요한 발견)

• 상황: 연구팀은 **'간접적인 유전자 변이'**를 실험했습니다. 예를 들어, 면역 세포가 직접 공격하는 스위치 (PD-1) 가 아니라, 그 스위치를 작동시키는 **중간 신호 (IFN-γ)**를 끊어보는 실험이었습니다.
  • 기존 로봇: "내 매뉴얼에 PD-1 스위치만 있네. 중간 신호는 나와 상관없어."라고 생각해서 아무런 변화도 감지하지 못했습니다.
  • AI 세포: "아! 중간 신호가 끊어졌구나. 그럼 PD-1 스위치도 결국 작동 안 하겠구나. 면역 세포들이 무기력해지겠네."라고 연쇄 반응을 추론하여, 암세포가 다시 커지는 것을 정확히 감지했습니다.
• 비유: 전등 스위치 (PD-1) 가 고장 난 게 아니라, 전선 (중간 신호) 이 끊어졌을 때, 로봇은 스위치만 보고 "정상이다"라고 말하지만, AI 는 "전선이 끊어졌으니 불이 안 켜지겠구나"라고 원인을 파악하는 것입니다.

4. 결론: 왜 이것이 중요한가요?

이 연구는 **"AI 가 단순히 데이터를 분석하는 것을 넘어, 생물학적 현상을 '이해'하고 '추론'할 수 있다"**는 것을 증명했습니다.

• 기존: "규칙 A 가 맞으면 행동 B 를 해라." (매우 단순함)
• CELLSWARM: "지금 상황은 A, B, C 가 복잡하게 얽혀있네. 의학 지식과 내 경험을 바탕으로 행동 D 를 선택하자." (복잡한 상황 대처 가능)

이 기술이 발전하면, 환자 한 명 한 명의 몸속 환경을 가상으로 만들어서 "이 환자에게는 어떤 약을 언제, 얼마나 먹여야 가장 효과가 있을까?"를 미리 시뮬레이션해 볼 수 있게 될 것입니다. 마치 **환자 맞춤형 '디지털 트윈 (가상 복제)'**을 만들어 치료법을 찾는 길로 나아가는 첫걸음입니다.

한 줄 요약:

"암세포와 면역세포에게 '생각하는 두뇌 (AI)'를 심어주니, 복잡한 몸속 상황을 이해하고 약의 효과까지 예측하는 똑똑한 가상 실험실이 완성되었습니다!"

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 기존 모델의 한계: 종양 미세환경 (TME) 을 시뮬레이션하는 기존의 에이전트 기반 모델 (ABM) 은 연구자가 수동으로 코딩한 규칙 (hand-coded rules) 에 의존합니다. 이러한 규칙 기반 모델은 프로그래밍된 논리를 벗어난 상황으로의 일반화가 어렵고, 복잡한 생물학적 맥락을 유연하게 해석하지 못합니다.
• 전환적 과제: 면역 치료 반응 예측, 개인별 역설적 테스트 (counterfactual testing), 그리고 다양한 유전적 변이 (특히 간접적인 신호 전달 경로를 통한 변이) 에 대한 반응을 포착하는 데 있어 기존 모델의 해석 가능성과 확장성이 부족했습니다.
• 핵심 질문: 대규모 언어 모델 (LLM) 이 생물학적 문헌을 학습한 지식을 바탕으로, 수동 규칙을 대체하여 세포의 의사결정 엔진으로 작동할 수 있으며, 이를 통해 더 정교하고 일반화 가능한 TME 시뮬레이션이 가능한가?

2. 방법론 (Methodology: CELLSWARM Framework)

저자들은 CELLSWARM이라는 새로운 프레임워크를 제안했습니다. 이는 TME 내의 각 세포를 독립적인 LLM 기반 에이전트로 모델링합니다.

• 아키텍처:
  • 지속적 상태 (Persistent State): 세포 주기 (G0~M), 에너지, 활성화/지침 상태 등을 유지합니다.
  • 신호 전달 모듈: 14 가지 주요 신호 전달 경로 (TCR, PD-1, mTOR, JAK-STAT 등) 의 활성화 값을 실시간으로 추적합니다.
  • 메모리 스트림: 최근 5 단계의 행동과 20 개의 주요 사건 (항원 접촉, 지침 시작 등) 을 기억하여 시간적 맥락을 제공합니다.
  • 인지 코어 (Cognitive Core): 각 에이전트의 LLM 은 관찰된 국소 신호 (사이토카인, 인접 세포 상태), 내부 상태, 그리고 도메인 특화 지식 베이스 (Knowledge Base) 를 기반으로 행동을 추론합니다.
• 지식 베이스 (Knowledge Bases):
  • Cancer Atlas: 특정 암종 (TNBC, 대장암, 흑색종 등) 의 세포 비율 및 면역 침윤 패턴.
  • Drug Library: 약물 작용 기전 및 경로 영향.
  • Pathway KB: 신호 전달 경로 정의 및 상호작용.
  • Perturbation Atlas: 유전자 녹아웃 (KO) 시 경로 변화 매핑.
  • 특징: 암종 변경 시 코드 수정 없이 지식 베이스 항목만 교체하면 됩니다 (Zero-shot Generalization).
• 시뮬레이션 루프:
  • 지각 - 추론 - 행동: 에이전트는 주변 환경 (6 가지 확산 신호, 인접 세포) 을 관찰하고, LLM 이 이를 처리하여 5 가지 원자적 행동 (증식, 이동, 사이토카인 분비, 세포사멸, 휴지) 중 하나를 선택합니다.
  • 비교 대상:
    1. Agent (LLM 기반): 위와 같은 LLM 추론 방식.
    2. Rules (수동 규칙): 고정된 조건문 (예: "체크포인트 점수 > 0.5 면 공격") 기반.
    3. Random: 무작위 행동.

3. 주요 기여 및 결과 (Key Contributions & Results)

A. TNBC 미세환경 구성의 정밀한 재현

• 삼중 음성 유방암 (TNBC) 시뮬레이션 결과, LLM 기반 에이전트는 실제 단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터와 매우 유사한 세포 구성 비율을 보였습니다.
• 성능 지표: 제이슨 - 샤논 발산 (JS Divergence) 값이 0.144로, 수동 규칙 모델 (0.146) 과 거의 동등한 정확도를 보였으며, 무작위 모델 (0.263) 보다 훨씬 우수했습니다.
• 생태계 다양성: Shannon 다양성 지수 (1.54) 를 유지하며 실제 조직과 유사한 세포 간 균형을 유지했습니다.

B. 암종 간 일반화 및 치료 반응 예측

• Zero-shot 일반화: 코드 변경 없이 'Cancer Atlas' 지식 베이스만 교체하여 6 가지 다른 암종 (대장암, 흑색종, 폐암, 난소암 등) 을 시뮬레이션했습니다.
• 결과: 면역 'Hot' 종양 (예: MSI-H 대장암) 과 'Cold' 종양 (예: MSS 대장암) 을 명확히 구분했으며, CD8+/Treg 비율이 실제 생물학적 특성과 일치하는 경향을 보였습니다. 반면, 규칙 기반 모델은 암종에 관계없이 동일한 결과를 보여 일반화 실패를 보였습니다.
• 치료 반응: Anti-PD-1 치료 시 시뮬레이션된 종양 감소율 (17.6%) 이 임상 데이터 (21%) 와 높은 일치도를 보였습니다.

C. 간접 유전적 변이 감지 (가장 중요한 차별점)

• 직접 vs 간접 변이:
  • 직접 변이 (PD-1, CTLA-4 KO): 규칙 기반 모델과 LLM 에이전트 모두 반응했으나, 규칙 모델이 더 극단적인 반응을 보였습니다.
  • 간접 변이 (IFN-γ KO 등): 규칙 기반 모델은 IFN-γ 가 공격 임계값 변수에 포함되지 않아 반응이 거의 없었습니다 (0.3% 변화). 반면, LLM 에이전트는 IFN-γ 결손이 JAK-STAT 경로를 통해 CD8+ T 세포 기능을 저하시킨다는 생물학적 맥락을 추론하여 종양 확장을 감지했습니다 (15.7% 증가, P < 0.005).
• 의미: LLM 은 명시적으로 프로그래밍되지 않은 중간 신호 전달 경로를 통해 발생하는 간접적 영향을 이해하고 반응할 수 있음을 입증했습니다.

D. 모델 견고성 및 비용 효율성

• LLM 백엔드 비교: 6 가지 LLM 을 테스트한 결과, DeepSeek, GLM-4-Flash 등 일부 모델이 수동 규칙과 동등한 정확도를 보였습니다. 모델의 규모 (Parameter size) 가 클수록 성능이 좋지는 않았으며, 지시 준수 (Instruction-following) 능력이 중요했습니다.
• 비용: DeepSeek 이 정확도 대비 비용 (API 비용) 이 가장 효율적인 것으로 나타났습니다.

4. 논의 및 한계 (Discussion & Limitations)

• 보수적 의사결정: LLM 에이전트는 확률적 헤징 (hedging) 으로 인해 직접적인 변이에 대한 반응이 규칙 모델보다 다소 보수적이었으나, 이는 실제 면역 시스템의 중복성 및 문턱값 gating 메커니즘과 유사합니다.
• 지식 베이스 의존성: 시뮬레이션의 정확도는 입력된 지식 베이스의 품질에 종속적입니다. 예를 들어, Anti-TGFβ 치료 시 임상 반응보다 16 배 과대평가된 이유는 지식 베이스에 TGF-β 의 복잡한 다면적 효과를 단순화하여 기록했기 때문입니다.
• 구조적 편향: 모든 모델에서 CD8+ T 세포는 과대평가되고 B 세포는 과소평가되는 경향이 있었습니다. 이는 LLM 의 추론 결함이 아니라, 시뮬레이션 아키텍처에 체액성 면역 (항체 분비 등) 모듈이 부재하기 때문입니다.
• 계산 비용: 시뮬레이션당 약 280 만 토큰을 소모하며, 대규모 파라미터 탐색에는 비용이 부담될 수 있습니다.

5. 의의 및 결론 (Significance)

CELLSWARM 은 LLM 을 세포 수준의 에이전트 '인지 코어'로 활용하여 TME 시뮬레이션의 패러다임을 전환했습니다.

1. 일반화 능력: 수동 규칙 코딩 없이 지식 베이스만 교체하여 다양한 암종과 시나리오를 즉시 시뮬레이션할 수 있습니다.
2. 기계적 통찰: 명시적 규칙에 포함되지 않은 간접적인 유전적/신호 전달 경로의 영향을 감지하여, 기존 모델이 놓칠 수 있는 생물학적 메커니즘을 포착합니다.
3. 미래 전망: 환자 특이적 디지털 트윈 (Digital Twin) 구축, 맞춤형 면역 치료 전략 탐색, 그리고 복잡한 종양 진화 과정의 역설적 테스트를 위한 강력한 도구로 발전할 잠재력을 가집니다.

이 연구는 LLM 이 단순한 텍스트 생성기를 넘어, 복잡한 생물학적 시스템의 동역학을 이해하고 예측하는 계산적 생물학의 핵심 엔진이 될 수 있음을 입증했습니다.