Generative inverse design steers human hematopoietic cell fate in vitro
이 논문은 다양한 세포 집단을 풍부하게 하고 생물학적 실험을 가이드하는 새로운 패러다임을 구축한 다중 루프 실험 과정을 통해 검증된 바와 같이, 인간 조혈 세포의 운명을 특정 목표 상태로 유도하기 위해 배양 조건의 방대하고 연속적인 조합 공간을 성공적으로 탐색하는 생성적 역모델링 프레임워크인 LabCompass를 소개한다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기
실험실에서 혈구 세포를 만드는 것은 매우 어려운 작업으로 알려져 있습니다. 과학자들은 인체의 원재료인 줄기세포에서 시작하여, 산소를 운반하거나 감염과 싸우는 것과 같은 특정 유형의 혈구 세포로 분화하도록 유도하려고 노력합니다. 문제는 세포가 자라는 액체 수프인 배양 배지에 있습니다. 이 수프는 성장 인자와 화학 물질의 적절한 혼합물을 포함해야 하지만, 그 레시피는 믿기 힘들 정도로 복잡합니다. 한 성분의 양이 아주 미세하게 변하거나 첨가되는 시점이 달라지기만 해도 세포는 완전히 다른 경로로 접어들 수 있습니다. 수십 년 동안 완벽한 레시피를 찾는 일은 시행착오에 의존해 왔으며, 이는 단 하나의 결과를 얻기 위해 수천 가지의 조합을 테스트해야 하는 느리고 비용이 많이 드는 과정이었습니다.
이러한 어려움은 가능한 레시피의 공간이 방대하고 연속적이기 때문에 발생합니다. 단순히 켜거나 끄는 스위치와 달리, 세포를 키우는 조건은 슬라이딩 스케일(연속적인 척도) 상에 존재합니다. 기존의 컴퓨터 모델은 특정 레시피를 사용했을 때 어떤 일이 일어날지는 예측할 수 있지만, 원하는 결과를 만들어내기 위해 어떤 레시피를 사용해야 하는지 역으로 찾아내는 데는 어려움을 겪습니다. 이는 '역 문제(inverse problem)'라고 불리며, 오랫동안 생물학 연구의 병목 현상이 되어 왔습니다. 만약 과학자들이 환자를 위한 특정 유형의 혈구 세포를 만들고자 한다면, 모든 가능성을 일일이 테스트하지 않고도 이 복잡한 지형을 탐색할 방법이 필요합니다.
연구팀은 이 문제를 해결하기 위해 '랩컴퍼스(LabCompass)'라고 불리는 새로운 접근 방식을 도입했습니다. 단순히 추측하고 확인하는 대신, 실험으로부터 학습하고 그다음 실험을 설계하는 시스템을 구축한 것입니다. 과정은 연구자들이 인간 줄기세포에 대해 화학 물질과 산소 농도의 116가지 조합을 테스트한 대규모 초기 스크리닝으로부터 시작됩니다. 연구진은 수백만 개의 세포를 키웠고, 수십 가지의 세포 유형을 동시에 구별할 수 있는 첨단 현미경을 사용하여 그 특성을 측정했습니다. 이 데이터는 서로 다른 조건이 세포의 행동에 어떻게 영향을 미치는지에 대한 지도를 만들었습니다.
이 지도를 사용하여 연구진은 가이드 역할을 할 컴퓨터 모델을 훈련시켰습니다. 이 모델은 특정 화학 물질의 농도가 어떻게 특정 세포 유형으로 이어지는지라는 세포 세계의 규칙을 학습했습니다. 훈련이 완료된 후, 모델에 질문을 던질 수 있습니다: "어떤 레시리피가 가장 많은 거핵세포(megakaryocytes)를 만들어낼 것인가?" 거핵세포는 혈소판으로 발달하는 세포로, 혈액 응고에 필수적입니다. 모델은 이미 알려진 레시피 목록을 검색하는 대신, 작동할 것이라고 예측되는 완전히 새로운 형태의 타당한 레시피들을 생성했습니다. 모델은 무작위 노이즈에서 시작하여, 모델의 예측에 따라 이를 유효한 화학적 혼합물으로 점진적으로 형상화함으로써 이 작업을 수행했습니다.
연구진은 컴퓨터가 생성한 레시피를 실험실로 가져가 테스트했습니다. 이것은 단발성 이벤트가 아니라 연속적인 루프였습니다. 새로운 레시피로 세포를 배양한 후, 연구진은 그 결과를 측정하여 다시 컴퓨터에 입력했습니다. 모델은 이 새로운 정보를 사용하여 세포 세계에 대한 이해를 업데이트하고, 더욱 정확하고 확신을 갖게 되었습니다. 네 차례의 순환 과정을 거치면서, 이 시스템은 거핵세포, 적혈구 전구세포, 면역 세포를 포함한 특정 세포 유형을 풍부하게 만드는 조건을 성공적으로 찾아냈습니다. 핵심적인 검증 단계에서, 이 시스템은 문헌에 존재하는 레시피(디자인 210)를 성공적으로 식별해 냈는데, 이 레시피는 거의 70%의 거핵세포를 생성하였으며, 이는 모델이 이 특정 레시피를 본 적이 없음에도 불구하고 초기 훈련 데이터에서 관찰된 그 어떤 결과보다 뛰어난 수치였습니다.
또한 이 시스템은 세포가 결정을 내리는 방식에 대해 놀라운 사실을 밝혀냈습니다. 연구진은 동일한 목적지에 도달하는 방법이 여러 가지일 수 있다는 것을 발견했습니다. 마치 같은 도시로 운전해서 가는 경로가 여러 개인 것처럼, 컴퓨터는 동일한 유형의 혈구 세포로 이어지는 서로 다른 화학 물질의 조합을 식별했습니다. 어떤 경로는 특정 성장 인자에 크게 의존하는 반면, 다른 경로는 전혀 다른 성분 세트를 사용할 수도 있습니다. 이 발견은 유연성을 제공한다는 점에서 의미가 큽니다. 만약 특정 화학 물질이 너무 비싸거나 불안정하다면, 과학자들은 동일한 생물학적 결과를 달성하는 대안 레시피를 찾기 위해 모델을 사용할 수 있습니다.
시스템의 적응력을 테스트하기 위해 연구진은 원래의 스크리닝에 포함되지 않았던 새로운 화학 물질을 추가하여 실험을 확장했습니다. 그들은 모델이 이전에 생산하기 어려웠던 희귀한 세포 유형을 키우기 위해 새로운 도구를 사용하는 법을 배울 수 있는지 확인하고자 했습니다. 면역 세포를 지원하는 것으로 알려진 새로운 성장 인자를 도입하자, 시스템은 이를 사용하는 법을 빠르게 학습했고, 희귀한 세포군을 성공적으로 풍부하게 만드는 설계를 생성했습니다. 모델은 단순히 단일 솔루션을 찾는 것에 그치지 않고, 새로운 가능성을 탐색하며 새로운 성분을 사용하는 가장 효과적인 방법을 찾아냈습니다.
연구 전반에 걸쳐 연구진은 이들의 방법론을 무작위 추측이나 표준 수학적 최적화와 같은 더 단순한 접근 방식과 비교했습니다. 생성형 시스템은 특히 문제의 복잡성이 증가함에 따라 이러한 기준 모델들을 지속적으로 능가했습니다. 모델은 가장 유망한 영역에 탐색을 집중하여 시간과 자원을 낭비하는 막다른 길을 피했습니다. 또한 시스템은 자신의 예측에 대해 확신이 없을 때 이를 인식하여, 더 많은 것을 배우기 위해 해당 불확실한 영역에서 설계를 테스트하도록 유도하는 능력을 보여주었습니다. 이러한 '알려진 성공을 활용하는 것'과 '미지의 영역을 탐색하는 것' 사이의 균형은 모델이 매 주기마다 빠르게 개선될 수 있도록 해주었습니다.
이 연구는 가상 모델이 단순히 미래를 얼마나 정확하게 예측하느냐가 아니라, 목표를 향해 실험을 얼마나 효과적으로 안내하느냐에 의해 평가될 수 있음을 보여줍니다. 결과(outcomes)를 예측하는 순방향 모델과 입력값(inputs)을 설계하는 생성 모델을 결합함으로써, 연구진은 전통적인 방식이 실패하는 고차원적이고 연속적인 공간을 항해할 수 있는 도구를 만들었습니다. 이 접근 방식은 과학자들이 세포를 키우는 프로토콜을 개발하는 방식을 느리고 수동적인 최적화에서 빠르고 데이터 중심적인 과정으로 전환하는 데 혁신적인 변화를 가져올 잠재력을 가지고 있습니다. 결과는 적절한 계산 도구가 있다면 생물학적 시스템의 방대한 복잡성을 길들일 수 있으며, 이를 통해 연구자들이 이전에는 도달할 수 없었던 정밀도로 세포의 운명을 조종할 수 있음을 시사합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.