Inferring Cell-Cell Interaction Dynamics from Cell Trajectory Data Using Deep Attention Networks

수백만 대의 작은 자율주행 자동차들이 질주하는 북적이는 도시를 상상해 보십시오. 때로는 이 자동차들은 완벽하게 소용돌이치는 교통 체증 속에서 움직이고, 때로는 놀란 새들처럼 흩어지기도 합니다. 생물학의 세계에서 이 "자동차"들은 세포이며, 이들의 움직임은 아기가 자궁 속에서 성장하는 과정부터 종양이 퍼지거나 면역 체계가 감염과 싸우는 방식에 이르기까지 모든 것의 엔진 역할을 합니다. 오랫동안 과학자들은 이 세포들의 사진을 찍고 그 경로를 추적할 수 있었지만, 이는 마치 바쁜 고속도로의 타임랩스 영상을 보는 것과 같았습니다. 하지만 자동차가 '어디로' 갔는지를 아는 것과, 왜 방향을 틀었는지, 왜 속도를 높였는지, 혹은 왜 멈췄는지를 아는 것은 별개의 문제입니다. 도로 위의 구멍을 피한 것일까요? 친구를 따라간 것일까요? 아니면 낯선 이에게 밀려난 것일까요? 이러한 미세한 춤사위를 지배하는 보이지 않는 규칙을 밝혀내는 것은 거대한 퍼즐이었습니다.

여기에 새로운 종류의 디지털 탐정인 "딥 어텐션 네트워크(Deep Attention Network)"가 등장했습니다. 이것을 단순히 정답을 추측하는 로봇이 아니라, 수천 시간의 세포 교통 영상을 지켜보며 규칙을 배우는 매우 관찰력이 뛰어난 학생이라고 생각하십시오. 이 모델은 단순히 "차가 왼쪽으로 돌았나 오른쪽으로 돌았나?"라고 묻는 대신, "차가 정확히 얼마나 멀리, 어느 방향으로 움직였는가?"라고 묻습니다. 이 모델은 움직임을 이웃과의 미세한 상호작용으로 세분화함으로써, 세포가 서로를 끌어당기는지, 밀어내는지, 아니면 단순히 군중의 속도에 맞추려고 하는지를 들여다볼 수 있는 커튼 뒤를 엿볼 수 있게 해줍니다. 이는 마치 군집의 비밀 언어를 마침내 이해하여, 세포들이 조율된 팀처럼 행동하는지 아니면 그저 혼란스러운 군중인지 밝혀내는 것과 같습니다.

새로운 탐정 도구

이 논문에서 옥스퍼드 대학교의 제임스 보일(James Boyle)과 그의 팀은 이 "딥 어텐션 네트워크"를 사용하여 세포의 움직임을 해독하는 새롭고 강력한 방법을 소개합니다. 단순한 예/아니오 답변(예: "이 세포가 회전할 것인가?")을 추측하려 했던 기존 방식과 달리, 이들의 모델은 전체 움직임 벡터, 즉 세포가 다음에 취할 정확한 한 걸음을 계산합니다. 연구진은 이 디지털 두뇌를 빽빽하게 소용돌이치며 움직이는 것으로 유명한 특정 유형의 신장 세포인 MDCK 세포의 실제 데이터로 훈련시켰습니다.

이 모델은 하나의 "초점(focal)" 세포와 그 주변의 가장 가까운 이웃 10개를 관찰하며 작동합니다. 모델은 각 이웃에 대해 다음과 같은 질문을 던집니다. "이 특정 이웃이 초점 세포의 다음 움직임에 얼마나 영향을 미치는가?" 모델은 각 이웃에 대해 "가중치" 또는 "어텐션 점수(attention score)"를 할당하는 법을 배웁니다. 만약 이웃이 바로 앞에 있다면 모델은 "이 이웃은 매우 중요하다!"라고 말할 것입니다. 만약 이웃이 멀리 있다면 "무시하라"고 말할 것입니다. 이러한 관찰을 수천 번 쌓아 올림으로써 연구진은 "어텐션 히트맵(attention heatmaps)"을 만들어냈습니다. 이 히트맵은 세포가 어디를 "보고" 있는지, 혹은 어디에 주의를 기울이고 있는지를 보여주는 다채로운 지도입니다. MDCK 세포의 경우, 히트맵은 명확한 패턴을 드러냈습니다. 세포들은 바로 앞과 바로 뒤에 있는 이웃들에게 가장 많은 주의를 기울이는 반면, 먼 옆쪽의 이웃들은 무시한다는 것이 밝혀졌습니다.

숨겨진 규칙의 발견

하지만 연구진은 단순히 누가 누구에게 주의를 기울이는지를 보는 것에 그치지 않았습니다. 그들은 그 주의력이 세포의 행동을 어떻게 변화시키는지 알고 싶었습니다. 이를 위해 그들은 영리한 트릭을 고안했습니다. 특정 이웃이 갑자기 사라졌다고 가정하는 시나리오를 모델에게 요청한 것입니다. 모델은 이웃이 있을 때의 이동 경로와 이웃이 없을 때의 이동 경로를 비교함으로써, 해당 상호작용의 구체적인 효과를 계산할 수 있었습니다.

이 방법을 사용하여 연구진은 두 가지 새로운 유형의 지도를 만들었습니다:

1. 인력-척력 히트맵(Attraction-Repulsion Heatmaps): 이 지도는 이웃이 세포를 끌어당기는지 아니면 밀어내는지를 보여줍니다. 연구진이 규칙을 미리 알고 있는 시뮬레이션 데이터로 테스트했을 때, 모델은 단거리에서는 강한 척력 구역을, 중거리에서는 약한 인력 구역을 정확하게 식별했습니다. 이를 실제 MDCK 세포에 적용했을 때, 세포들은 옆, 뒤, 그리고 바로 앞의 이웃들에 의해 밀려나는 경향이 있음을 보여주었습니다.
2. 정렬 히트맵(Alignment Heatmaps): 이 지도는 세포들이 이웃들과 속도 및 방향을 맞추려고 하는지를 확인합니다. 모델은 MDCK 세포가 모든 방향의 이웃들과 속도를 맞추려 한다는 것을 발견했지만, 이 효과는 앞이나 옆에 있는 이웃들에게서 가장 강력하게 나타났습니다.

이 모델이 다른 이유

저자들은 자신들의 모델이 이전 버전들에 비해 상당한 업그레이드라는 점을 분명히 하고 있습니다. 기존 모델들은 단순히 "회전(turning)" 행동(왼쪽 혹은 오른쪽)만을 예측하려 했으며, 이는 종종 부채꼴 모양이거나 이상한 틈이 있는 혼란스러운 지도를 만들어냈습니다. 저자들은 이러한 기이한 형태가 실제 생물학적 규칙이 아니라, 잘못된 질문을 던짐으로써 발생한 인위적인 결과물이라고 주장합니다. 단순히 회전만을 예측하는 대신 전체 이동 거리를 예측하고 불필요한 수학적 제약을 제거함으로써, 새로운 "일반화된 딥 어텐션 네트워크(gDAN)"는 훨씬 더 깨끗하고 일관된 결과를 만들어냅니다.

또한 연구진은 인력과 척력의 규칙이 수동으로 프로그래밍된 유명한 "드 오르소냐(d'Orsogna) 모델"의 시뮬레이션 데이터로 모델을 테스트했습니다. 모델은 숨겨진 규칙을 성공적으로 복구해 냈으며, 이는 모델이 단순히 노이즈를 암기하는 것이 아니라 실제 역학을 학습할 수 있음을 증명했습니다. 나아가, 이 모델이 리더와 팔로워 같은 서로 다른 '유형'의 세포들을 처리할 수 있도록 확장 가능하다는 것을 보여주었는데, 이는 언젠가 면역 반응이나 암 성장과 같은 복잡한 상호작용을 풀어내는 데 도움이 될 수 있음을 시사합니다.

결론

이 논문은 딥 어텐션 네트워크가 세포의 움직임을 이해하는 데 있어 강력하고 유연한 도구임을 시사합니다. 이 모델이 생물학의 모든 미스터리를 해결했다고 주장하는 것은 아니지만, 데이터를 해석하기 쉽고 정확하게 바라보는 새로운 방식을 제공합니다. 데이터를 미리 정해진 틀에 강제로 끼워 맞추지 않고 데이터 스스로 말하게 함으로써, 이 접근 방식은 과학자들이 미시 세계를 안내하는 보이지 않는 힘을 볼 수 있게 도와주며, 혼란스러운 점들의 군집을 연결, 밀고 당김의 이야기로 바꾸어 놓습니다.