Graph-Based Classification of Penetrating Arteries and Veins in Whole-Mouse Vasculature Datasets

뇌 내부에는 생명을 유지하는 혈액을 전달하고 노폐물을 실어 나르는 작고 복잡한 관들의 거대한 네트워크가 존재합니다. 이 네트워크는 무작위로 엉킨 것이 아니라, 동맥이 산소가 풍부한 혈액을 조직 깊숙이 가져다주고 정맥이 사용된 혈액을 표면으로 다시 운반하는 고도로 조직화된 시스템입니다. 뇌가 어떻게 작동하는지, 혹은 뇌졸중이나 치매와 같은 질병이 어떻게 이를 방해하는지를 연구하는 과학자들에게 어떤 관이 동맥이고 어떤 관이 정맥인지 아는 것은 필수적입니다. 이 구분이 없다면 연구자들은 혈류를 정확하게 시뮬레이션하거나 네트워크의 서로 다른 부분이 수행하는 구체적인 역할을 이해할 수 없습니다. 그러나 현대의 영상 기술은 이제 생쥐 뇌의 전체 혈관 지도를 놀라울 정도로 상세하게 포착할 수 있지만, 이 거대한 디지털 지도 대부분은 라벨(이름표) 없이 제공됩니다. 관들은 보이지만 그 정체는 숨겨져 있어, 분석 능력을 가로막는 결정적인 공백을 남깁니다.

문제는 이러한 네트워크가 너무 크고 복합적이어서 인간이 손으로 일일이 라벨을 붙일 수 없다는 점입니다. 단 한 마리의 생쥐 뇌에도 수백만 개의 혈관 분절이 들어 있으며, 근원을 찾기 위해 추적하려는 표면 혈관들은 영상을 촬영하는 과정 자체에 의해 왜곡되는 경우가 많습니다. 이를 해결하기 위해 연구진은 항상 사용할 수 있는 특수 화학 염료에 의존하는 대신, 네트워크 자체의 모양과 구조를 사용하여 혈관을 동맥과 정맥으로 자동 분류하는 새로운 방법을 개발했습니다. 그들은 뇌 표면에서 심부 조직으로 파고드는 주요 가지인 '침투 나무(penetrating trees)'에 주목했습니다. 연구진은 이 분지 구조를 수학적 그래프로 취급하여, 컴퓨터가 동맥과 정맥의 독특한 건축학적 특징을 인식하도록 학습시켰습니다.

연구진은 두 가지 유형의 고해상도 현미경 데이터를 사용하여 컴퓨터 시스템을 훈련시켰습니다. 한 세트의 데이터는 동맥이 특정 염색제로 강조된 이미지에서 왔고, 다른 한 세트는 수동으로 라벨링된 작은 샘플에서 왔습니다. 컴퓨터는 분기점 사이의 구간이 얼마나 긴지, 관의 너비가 얼마인지, 그리고 가지가 어떻게 뒤틀리고 꺾이는지와 같은 특정 패턴을 찾는 법을 배웠습니다. 그들은 동맥이 더 길고 곧은 구간과 더 큰 직경을 가지고 있어, 특정 영역으로 혈액을 압력 하에 밀어 넣기 위해 설계된 효율적인 고속도로처럼 작동한다는 것을 발견했습니다. 반면, 정맥은 넓은 영역에서 액체를 모으기 위해 설계된 수집 시스템처럼 더 복잡하고 조밀한 분지 패턴을 보여주었습니다.

이 방법이 효과적인지 테스트하기 위해, 연구진은 동맥이나 정맥을 위해 염색되지 않은, 라벨이 없는 대규모의 전체 생쥐 뇌 데이터셋에 이 방법을 적용했습니다. 컴퓨터는 성공적으로 혈관에 라벨을 할당하여 뇌의 혈액 공급에 대한 완전한 지도를 만들어냈습니다. 이 시스템은 독립적인 데이터로 테스트했을 때 96%의 사례에서 혈관 유형을 정확히 식별하며 놀라운 정확도를 입증했습니다. 결정적으로, 연구진은 좋은 결과를 얻기 위해 혈관의 너비를 측정할 필요조차 없다는 것을 발견했습니다. 가지가 어떻게 연결되는지와 전체적인 나무의 모양만으로도 차이를 구별할 수 있었습니다. 이는 이 방법이 재학습 없이도 다른 유형의 현미경이나 영상 설정의 데이터에서 작동할 수 있음을 의미하며, 미래 연구를 위한 다재다능한 도구가 될 수 있음을 보여줍니다.

또한 이번 연구는 동맥과 정맥의 차이가 단순히 크기에 관한 것이 아니라, 네트워크의 근본적인 위상(topology), 즉 연결의 배치에 관한 것임을 밝혀냈습니다. 동맥은 몇 개의 주요 가지가 긴 거리에 걸쳐 지속되는 구조를 보이는 반면, 정맥은 가지가 고르게 퍼져 있는 더 균일한 분포를 보입니다. 이러한 구조적 특징은 이미지가 어떻게 촬영되었는지와 관계없이 일관되게 나타났으며, 이는 뇌가 혈류를 조직하는 방식의 진정한 생물학적 특징임을 시사합니다. 뇌에 혈액을 공급하는 주요 동맥과 같은 알려진 해부학적 랜드마크를 통해 예측을 검증함으로써, 연구진은 자동화된 라벨이 기대되는 생물학적 실체와 일치함을 확인했습니다.

이 작업은 뇌혈관 연구를 위한 강력한 새로운 토대를 제공합니다. 이를 통해 과학자들은 전 세계 실험실에 있는 기존의 라벨 없는 데이터셋을 가져와서 누락된 동맥 및 정맥 정보를 즉각적으로 추가할 수 있습니다. 이러한 능력은 새로운, 시간이 많이 소요되는 실험 없이도 다양한 질병 모델이나 서로 다른 생쥐 계통 간에 혈류가 어떻게 변하는지에 대한 대규모 연구의 문을 열어줍니다. 연구진은 현재 시스템이 매우 효과적이지만, 향후 영상 품질과 분할(segmentation) 기술이 개선된다면 분류를 더욱 정밀하게 만들 수 있을 것이라고 제안합니다. 궁극적으로 이 접근법은 가공되지 않은 라벨 없는 이미지를 풍부하고 유익한 지도로 바꾸어 놓으며, 뇌의 혈관 구조와 건강 및 질병에서의 역할에 대한 더 깊은 이해을 가능하게 합니다.