Automated Viability Estimation from Digital Holographic Microscopy: Validation on Heterogeneous Industrial Bioproduction Cultures

이 논문은 다양한 산업적 생체공정 조건에서도 보정 없이 적용 가능한 디지털 홀로그래피 현미경 (DHM) 기반의 자동화된 세포 생존율 추정 파이프라인을 개발하고, 40 개의 이질적인 배양 데이터를 통해 그 유효성을 검증하여 차세대 비침습적 생공정 모니터링 기술의 가능성을 제시했습니다.

핵심

1. 문제: "수동 검사"의 한계

약물 (항체 등) 을 만드는 데는 'CHO(햄스터 난소) 세포'라는 작은 공장들이 필요합니다. 이 세포들이 건강하게 살아있어야만 약이 잘 만들어집니다.

• 기존 방식: 연구원들이 직접 샘플을 뽑아 현미경으로 보거나, 염색약을 넣어 세포가 죽었는지 확인합니다.
  • 비유: 마치 공장 생산 라인에서 일일이 직원이 손으로 박스를 하나씩 뜯어보며 "이거 괜찮은가?" 확인하는 것과 같습니다.
  • 단점: 시간이 너무 걸리고, 사람마다 판단이 달라지며, 샘플을 뽑는 과정에서 오염될 위험도 있습니다. 게다가 12~24 시간마다 한 번씩만 확인하니까, 세포가 갑자기 죽기 시작하는 '치명적인 순간'을 놓치기 쉽습니다.

2. 해결책: "홀로그래픽 현미경 (DHM)"이라는 새로운 눈

이 논문은 **디지털 홀로그래픽 현미경 (DHM)**을 이용해 세포를 레이블 (염색) 없이 자동으로 살피는 기술을 개발했습니다.

• 기술의 원리:
  • 기존 현미경은 세포에 염색약을 바르거나 빛을 비춰 '색'을 보고 판단합니다.
  • 이 새로운 기술은 세포가 빛을 통과할 때 생기는 **미세한 '굴절' (빛의 꺾임)**을 측정합니다.
  • 비유: 유리창을 통해 사람의 실루엣을 보는 것과 비슷합니다. 얼굴에 메이크업 (염색) 을 하지 않아도, 빛이 어떻게 뒤틀리는지 보면 그 사람의 몸무게 (세포의 무게/건강 상태) 나 상태가 어떨지 알 수 있습니다. 살아있는 세포와 죽은 세포는 빛을 뒤틀리는 방식이 완전히 다릅니다.

3. 핵심 혁신: "모든 공장에通用的인 AI"

기존 기술들은 실험실처럼 조건이 똑같은 곳에서만 잘 작동했습니다. 하지만 실제 공장에서는 세포 종류, 영양액, 배양 방식이 천차만별입니다.

• 이 연구의 성과:
  • 이 팀은 40 개의 서로 다른 공장 (실험실) 에서 수집한 100 만 개가 넘는 세포 데이터를 학습시켰습니다.
  • 비유: **어떤 차종 (세포 종류) 이나 도로 상황 (배양 조건) 이든 상관없이, 운전 실력 (세포 상태) 을 똑같이 잘 판단하는 '범용 자율주행 AI'**를 만든 것과 같습니다.
  • 별도의 재조정 없이도, 세포가 100 만 개/mL 라는 매우 빽빽한 상태에서도 정확하게 살아있는 세포와 죽은 세포를 구분해 냅니다.

4. 놀라운 추가 기능: "미래를 보는 눈"

이 기술은 단순히 "살아있음/죽음"만 알려주는 게 아닙니다.

1. 약물 생산량 예측: 세포의 모양과 빛 굴절 데이터를 보면, 앞으로 얼마나 많은 약 (IgG) 이 만들어질지 미리 예측할 수 있습니다.
   • 비유: 작업자의 손놀림과 표정만 보고, 오늘 생산량이 얼마나 될지 미리 짐작하는 것입니다.
2. 위험 신호 조기 경보: 세포가 죽기 시작하기 수일 전에 미세한 변화 (빛 굴절 패턴의 변화) 를 감지합니다.
   • 비유: 건물이 무너지기 전에 벽에 생긴 아주 작은 금을 감지하여, 붕괴 전에 대피시키는 것과 같습니다.

5. 결론: 왜 이것이 중요한가?

이 기술은 수동 검사라는 낡은 방식을 대체하여, 생물공장을 자동화하고 지능화할 수 있는 열쇠가 됩니다.

• 간단한 요약:
  • 이전: "직원이 12 시간마다 손으로 확인" (느리고, 위험하고, 놓치는 게 많음)
  • 이제: "AI 가 1 초마다 홀로그램으로 스캔" (빠르고, 정확하고, 미래를 예측함)

이 기술이 실제 공장에 적용되면, 약물 생산 비용은 줄어들고, 약의 품질은 더 안정적이 될 것입니다. 마치 공장의 '눈'이 갑자기 영롱해져서, 세포들이 숨 쉬는 것까지 다 볼 수 있게 된 것과 같습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 현황: 바이오의약품 (특히 CHO 세포를 이용한 단클론 항체 및 재조합 단백질) 생산에서 세포 활력 (Viability) 은 배양 수율과 제품 품질을 결정하는 핵심 지표입니다.
• 기존 방법의 한계: 현재 대부분의 시설은 트립판 블루 배제법 (Trypan blue exclusion) 이나 형광 염색을 이용한 유세포 분석과 같은 **수동적이고 오프라인 (offline)**인 시약 기반 분석에 의존하고 있습니다.
  • 단점: 시료 채취, 희석, 독성 염료 사용으로 인한 오염 위험, 운영자 편차, 시간 및 비용 소모, 그리고 측정 간격 (보통 12~24 시간) 이 길어 세포 사멸 (apoptosis) 이나 오염과 같은 중요한 사건을 놓칠 수 있습니다.
• 기존 자동화 기술의 한계: 광학 밀도 (OD), 생전도도 (biocapacitance) 센서 등은 간접적인 측정을 하며, 세포 형태 변화, 파편, 비활성 세포 축적 등에 민감하여 고밀도 배양 환경이나 다양한 공정 조건에서 보정이 어렵고 정확도가 떨어집니다.
• 핵심 문제: 다양한 산업적 배양 조건 (다른 세포주, 배지, 공정 모드, 고밀도 환경) 에서 보정 없이도 적용 가능한 범용적인 세포 활력 추정 알고리즘이 부재합니다. 특히 1 억 개/mL 이상의 고밀도 배양 환경에서의 신뢰할 수 있는 모니터링 기술이 필요합니다.

2. 방법론 (Methodology)

이 연구는 **라벨 프리 (Label-free) 디지털 홀로그래피 현미경 (DHM)**을 기반으로 한 자동화된 세포 활력 추정 파이프라인을 개발했습니다.

• 이미징 시스템:

  • 광학 설계: 간섭계용 별도의 참조 광로가 필요 없는 초점 이탈 (defocused) 투과 현미경 구성을 사용하여 광학 설계를 단순화하고 비용을 절감했습니다.
  • 데이터 획득: 0.25 NA 의 저 NA 대물렌즈를 사용하여 넓은 시야 (FOV) 를 확보하며, 모터화된 스캐닝 스테이지를 통해 대량의 데이터를 자동 획득합니다.
  • 재구성: 홀로그램으로부터 위상 (Phase, OPD) 및 흡수 (Absorption) 이미지를 계산적으로 재구성합니다. 위상 정보는 세포의 건조 질량, 두께, 굴절률과 관련이 있습니다.
  • 고밀도 대응: 고밀도 환경에서 회절 무늬가 겹치는 문제를 해결하기 위해 재구성 알고리즘 (CNN 기반) 을 개선하고 초점 이탈 거리를 50 µm 로 최적화했습니다.

• 이미지 처리 및 분할:

  • Cellpose: 딥러닝 기반 분할 알고리즘인 Cellpose 를 사용하여 개별 세포를 식별하고 마스크를 생성합니다. (분할 정확도 98% 이상)

• 활성도 추정 알고리즘 (Population-based Analysis):

  • 개별 세포 특징의 한계: 단일 세포의 직경, 평균 OPD, 평균 흡수값 등만으로는 다양한 세포주와 배양 조건에서 활력 있는 세포와 비활성 세포를 명확히 구분하기 어렵습니다.
  • 2D 히스토그램 기반 접근: 개별 세포의 특징 (평균 OPD, 평균 흡수 등) 을 2D 히스토그램으로 변환하여 **세포 군집 (Population)**의 분포를 분석합니다.
  • 하이브리드 분류 전략:
    1. 피크 감지: 히스토그램에서 1 개 또는 2 개의 피크 (군집) 를 감지합니다.
    2. 2 개 피크 (Case 1): 활력 있는 세포와 비활성 세포가 명확히 분리된 경우, 고정된 기울기를 가진 결정 경계 (Decision boundary) 를 두 군집 사이에 설정하여 활력을 계산합니다.
    3. 1 개 피크 (Case 2): 두 군집이 겹쳐서 하나의 피크만 보이는 경우, **예측 CNN (Prediction CNN)**을 사용하여 해당 군집이 주로 활력 있는 상태인지 비활성 상태인지 분류합니다.
    4. CNN 입력: OPD/흡수 히스토그램뿐만 아니라 10 가지의 다른 단일 세포 특징 (직경, 이심률, 광학적 부피 등) 으로 구성된 9 개의 추가 2D 히스토그램을 입력받아 분류 정확도를 높입니다.

3. 주요 기여 (Key Contributions)

1. 범용성 (Generalizability): 보정이나 파라미터 튜닝 없이도 다양한 CHO 세포주 (6 종), 배지 (5 종), 공정 모드 (배치, 피드-배치, 퍼퓨전) 에서 작동하는 최초의 DHM 기반 파이프라인을 제시했습니다.
2. 고밀도 검증: 기존 기술이 한계에 부딪히는 1 억 개/mL (100 M/mL) 이상의 초고밀도 배양 환경에서도 정확한 활력 측정이 가능함을 입증했습니다.
3. 대규모 이질적 데이터셋 검증: 산업 현장 (Sanofi, Servier 등) 과 학술 연구소 등 3 곳의 사이트에서 수집된 **40 개의 배양 실험 (총 550 개의 시간점 데이터)**을 통해 검증했습니다.
4. 확장된 모니터링 가능성: 단순 활력 측정을 넘어 재조합 단백질 (IgG) 타이터 예측 및 활력 감소의 초기 징후 탐지 가능성을 제시했습니다.

4. 결과 (Results)

• 활력 추정 정확도:
  • 기준 장비인 Beckman Coulter Vi-CELL(트립판 블루 염색) 과 비교하여 높은 일치도를 보였습니다.
  • 90~100% 활력 구간: 평균 오차 1.8% ± 1.5%.
  • 전체 구간 (0~100%): 평균 오차 3.7% ± 5.7%.
  • 특히 산업적으로 중요한 70% 이상의 활력 구간에서 Vi-CELL 과 유사한 추세를 보이며, 활력 감소 시작점을 동시에 감지했습니다.
• 고밀도 성능:
  • 인위적으로 혼합된 고밀도 시료 (최대 111 M/mL) 에서 Vi-CELL 과의 오차가 5.5% 이내로 유지되었습니다.
  • 퍼퓨전 배양 (110 M/mL) 에서도 활력 감소 시점을 정확히 파악했습니다.
• 탐색적 분석 (Exploratory Results):
  • IgG 타이터 예측: 홀로그래픽 특징을 Gradient Boosting 모델에 입력하여 IgG 생산량을 예측하는 데 성공했습니다. (실험적 추세는 잘 재현됨)
  • 초기 활력 감소 예측: UMAP 을 이용한 차원 축소 분석 결과, 활력 감소가 가시화되기 전에 세포 분포가 2D 공간 내에서 특정 패턴 (중앙으로 이동 후 외곽으로 이동) 을 보임을 발견하여 조기 경보 시스템의 가능성을 제시했습니다.

5. 의의 및 향후 전망 (Significance)

• 비침습적 다중 파라미터 모니터링: DHM 은 세포의 형태적, 생리학적 변화를 정량화하여 단순한 활력 측정을 넘어 배양 상태에 대한 깊은 통찰 (Early warning, Titer prediction) 을 제공합니다.
• 산업 적용 가능성: 단순하고 컴팩트한 광학 설계 덕분에 온라인 (on-line) 또는 인라인 (in-line) 프로브로의 구현이 용이합니다.
• 공정 최적화: 실시간 모니터링을 통해 배양 종료 시점 (Harvest time) 을 최적화하고, 오염이나 영양 고갈을 조기에 발견하여 배지 낭비와 실패를 줄일 수 있습니다.
• 향후 과제: 다양한 공정 조건으로의 모델 일반화, 실시간 경보 알고리즘의 표준화, 그리고 실제 산업용 인라인 프로브로의 하드웨어 통합 및 검증이 필요합니다.

결론적으로, 이 연구는 복잡한 산업적 바이오 프로세스 환경에서도 보정 없이 적용 가능한 정밀한 DHM 기반 세포 활력 모니터링 시스템을 성공적으로 개발하고 검증함으로써, 차세대 비침습적 바이오 프로세스 제어 기술의 토대를 마련했습니다.