An Ensemble Deep Learning Framework for Single-Cell Phenotypic Profiling of Escherichia coli under Antibiotic Stress

박테리아는 정지된 점이 아닙니다. 그것들은 위협을 느낄 때 자신의 형태와 내부 구조를 바꾸는 살아있는 기계입니다. 박테리아가 항생제와 마주했을 때, 단순히 가만히 앉아 죽기를 기다리는 것이 아닙니다. 대신, 반응합니다. 어떤 세포는 길게 늘어나고, 어떤 세포는 수축하며, 내부의 엉킨 DNA 가닥은 서로 뭉치거나 흩어지기도 합니다. 이러한 물리적 변화는 세포가 고통을 알리거나, 어떤 경우에는 방어를 구축하는 방식입니다. 수십 년 동안 과학자들은 약물이 효과가 있는지 확인하기 위해 박테리아가 배양 접시에서 자라기를 기다리는 방식에 의존해 왔으며, 이 과정은 꼬박 하루 또는 그 이상이 걸릴 수 있습니다. 이러한 지연은 약제 내성 감염이 증가하고 있는 세상에서 위험하며, 한때 치료 가능했던 질병을 생명을 위협하는 위기로 바꿉니다. 싸움의 속도를 높이기 위해, 연구자들은 이제 세포의 모습 자체를 무엇이 일어나고 있는지 이해하기 위한 지도로 사용하여, 이 미세한 물리적 변화를 즉각적으로 읽어내는 방법을 찾고 있습니다.

한 연구팀은 정확히 이 작업을 수행할 수 있는 새로운 방법을 개발하여, 단 하나의 박테리아를 보고 어떤 항생제가 그것을 공격하고 있는지 정확히 알려주는 시스템을 만들었습니다. 그들은 약물이 어떻게 작용하는지 연구하는 데 자주 사용되는 흔한 박테리아인 대장균(Escherichia coli)에 집중했습니다. 실험실에서 그들은 네 가지 다른 유형의 항생제에 이 박테리아들을 노출시켰는데, 각 항생제는 세포를 공격하는 독특한 방식으로 설계되었습니다. 한 약물은 세포가 단백질을 만드는 것을 막았고, 다른 하나는 강한 외벽을 구축하는 것을 방해했으며, 세 번째는 세포의 막대 모양을 유지하는 내부 골격을 방해했고, 네 번째는 유전 물질의 복제를 차단했습니다. 결과를 보기 위해 그들은 고해解상도 사진을 찍었으며, 세포의 외막은 빨간색으로, 내부 DNA는 파란색으로 빛나게 하는 특수 염료를 사용했습니다.

문제는 이러한 변화가 매우 미묘하며 인간의 눈으로 빠르게 분류하기에는 너무 작은 규모에서 일어난다는 점이었습니다. 이를 해결하기 위해 연구자들은 수천 개의 사례를 살펴보며 학습하는 인공지능의 한 종류인 딥러닝 기반의 컴퓨터 시스템을 구축했습니다. 먼저, 그들은 컴퓨터가 붐비는 현미경 이미지 속에서 개별 박테리아를 찾아내어, 마치 붐비는 사진 속에서 한 사람을 분리해 내듯 잘라내도록 가르쳤습니다. 그런 다음, 격리된 이미지들을 13개의 서로 다른 컴퓨터 모델 세트에 입력했습니다. 일부 모델은 형태의 패턴을 인식하도록 설계되었고, 다른 모델들은 마치 사람이 얼굴을 보고 눈과 입의 연결 관계를 인식하는 것처럼, 이미지의 서로 다른 부분들 사이의 관계를 이해하도록 만들어졌습니다.

연구진은 일부 컴퓨터 모델들이 올바른 항생제를 추측하는 데 꽤 뛰어나지만, 단독으로는 완벽한 모델이 없다는 것을 발견했습니다. Swin Transformer라고 불리는 정교한 구조를 사용하는 가장 우수한 단일 모델은 약 91%의 확률로 약물을 정확히 식별했습니다. 그러나 연구팀은 여러 다른 모델의 의견을 결합함으로써 훨씬 더 잘할 수 있다는 것을 깨달았습니다. 그들은 Swin Transformer, CoT라고 불리는 모델, 그리고 ResNet18이라는 고전적인 모델이라는 세 명의 서로 다른 전문가에게 답에 대해 투표하도록 하는 '앙상블' 시스템을 만들었습니다. 이 투표 결과에 신중하게 가중치를 부여함으로써, 시스템은 94%의 경우에 항생제를 정확히 식별해 내는 새로운 수준의 정확도에 도м달했습니다. 이 접근 방식은 다양한 AI 모델의 집단적인 의견에 귀를 기울이는 것이 단 하나의 모델에 의존하는 것보다 더 신뢰할 수 있다는 것을 증명했습니다.

시스템은 단순히 약물을 추측하는 것을 넘어, 박테리아가 어떻게 변하고 있는지 정확하게 설명하는 법도 배웠습니다. 그것은 벽이 무너져 구형이 된 세포와 내부 구조가 손상되어 길게 늘어난 세포를 구분할 수 있었습니다. 예를 들어, 시스템은 특정 약물이 DNA 복제를 차단할 때 박테리아가 막대 모양을 유지하지만 내부 DNA 가닥은 길고 늘어난다는 것을 학습했습니다. 반면 다른 약물이 단백질 생산을 멈추면, 박테리아는 막대 모양을 유지하지만 내부 DNA는 빽빽하게 뭉친다는 것을 배웠습니다. 이러한 구체적인 시각적 징후 덕분에 컴퓨터는 약물의 이름을 맞출 뿐만 아니라, 그것이 세포를 어떻게 해치는지에 대한 메커니즘까지 이해할 수 있었습니다.

이 연구는 이러한 자동화된 이미지 기반 분석이 항생제 내성에 맞서 싸우는 강력한 도구가 될 수 있음을 시사합니다. 박테리아가 자라기를 며칠씩 기다리는 대신, 의사나 연구자들은 샘플을 채취하고 사진을 찍어 이 시스템을 통해 박테리아가 어떻게 반응하고 있는지 즉각적으로 확인할 수 있을 것입니다. 연구진은 자신들의 시스템이 잘 작동하고 있지만, 아직 병원에서 사용할 수 있는 완성된 제품은 아니라고 언급했습니다. 그들은 시스템을 진정으로 견고하게 만들기 위해서는 더 많은 이미지를 통한 학습이 필요하며, 박테리아가 시간에 따라 어떻게 변하는지 보기 위해 타임랩스 영상을 테스트해야 할 수도 있다고 지적했습니다. 그럼에도 불구하고, 이 작업은 컴퓨터에게 박테리아 형태의 미묘한 언어를 보는 법을 가르침으로써, 과학이 약제 내성 감염의 확산을 이해하고 저지하는 방향으로 더 빠르게 나아갈 수 있음을 보여줍니다.