Image Analysis Tools for Continuous Label-free Quantification of Proliferation and Adipogenic Differentiation of Mesenchymal Stem Cells

현대 생물학의 세계에서 과학자들은 세포가 어떻게 성장하고 변화하는지 이해하기 위해 끊임없이 노력하고 있습니다. 그들이 연구하는 가장 중요한 두 가지 과정은 세포가 수를 늘리기 위해 증식하는 방식인 증식(proliferation)과, 일반적인 세포가 지방 세포와 같은 특화된 세포로 변하는 과정인 분화(differentiation)입니다. 수십 년 동안 연구자들은 실험을 중단하고, 세포를 죽이고, 색깔이 있는 염료로 염색하여 무엇이 일어나고 있는지 관찰하는 방식에 의존해 왔습니다. 이러한 방법들은 스냅샷을 제공하지만, 파괴적입니다. 일단 세포를 관찰하고 나면 다시 관찰할 수 없기 때문입니다. 이는 세포 집단이 시간이 지남에 따라 어떻게 진화하는지에 대한 매끄럽고 연속적인 이야기를 이해하는 것을 어렵게 만듭니다. 더욱이, 세포를 눈에 보이게 만들기 위해 사용하는 화학 물질은 때때로 세포를 손상시키거나 잘못된 신호를 만들어 부정확한 수치를 초래할 수 있습니다.

이제 한 성장하는 연구 분야는 세포를 전혀 건드리지 않고 관찰하는 다른 접근 방식으로 눈을 돌리고 있습니다. 첨단 카메라와 컴퓨터 프로그램을 사용하여 과학자들은 살아있는 세포가 성장하고 변화하는 모습을 관찰하며, 단 한 방울의 염료도 추가하지 않고 며칠 또는 몇 주 동안 수천 장의 이미지를 포착할 수 있습니다. 이 "라벨 프리(label-free)" 방식은 세포 생명에 대한 더 명확하고 정직한 시각을 약속합니다. 이는 과학자들이 실험실에서 대량의 동물성 지방과 근육을 키워내야 하는 배양육과 같은 신흥 산업과, 지방 세포 형성의 정확한 타이밍을 이해하는 것이 중요한 비만 및 당뇨병 연구에 특히 필수적입니다. 그러나 과제는 세포들이 서로 뭉쳐 있고 매우 비슷하게 보이기 때문에, 컴퓨터가 이미지 속의 이러한 세포들을 정확하게 인식하도록 가르치는 일이었습니다.

최근 한 연구에서 연구자들은 지방으로 변할 수 있는 다재다능한 세포인 중간엽 줄기세포를 추적하기 위해 두 가지 다른 방식의 라벨 프리 기술을 테스트했습니다. 이 세포들은 인간과 돼지 모두에서 채취되었는데, 이는 인간의 건강과 지속 가능한 육류 생산이라는 두 가지 관심사를 반영합니다. 연구팀은 두 가지 뚜렷한 전략을 비교했습니다. 첫 번째는 제조사가 제공하는 내장 소프트웨어 시스템으로, 사용하기 쉽고 현미경에 직접 통합되어 설계되었습니다. 두 번째는 연구자들이 '셀포즈(Cellpose)'라고 불리는 강력한 오픈 소스 도구를 사용하여 직접 훈련시킨 맞춤형 컴퓨터 모델로, 이 도구는 컴퓨터가 복잡한 이미지에서 개별 세포를 "보고" 분리하는 것을 돕기 위해 설계되었습니다.

연구자들은 실험실에서 이 세포들을 키우며, 세포들이 증식하는 과정을 지켜본 뒤 이들을 지방 세포로 유도했습니다. 그들은 며칠 동안 몇 시간마다 배양 세포의 사진을 찍어 세포의 모든 단계가 담긴 방대한 이미지 라이库를 만들었습니다. 그런 다음 이 동일한 이미지들을 내장 소프트웨어와 맞춤형 모델에 각각 실행하여, 어떤 것이 세포를 더 정확하게 세고 성장을 측정할 수 있는지 확인했습니다. 세포가 증식할 때 세포를 세는 데 있어서는 두 방법 모두 잘 작동했지만, 각기 다른 강점을 가지고 있었습니다. 내장 소프트웨어는 세포들이 빽빽하게 모여 있는 혼잡한 장면을 처리하는 데 탁월하여, 접시가 가득 찼을 때도 신뢰할 수 있는 수치를 제공했습니다. 반면, 맞춤형 모델은 세포 밀도가 낮을 때 훨씬 우수했는데, 이 모델은 개별 세포를 명확하게 구별하고 성장이 시작되는 단계에서도 높은 정밀도로 셀 수 있었습니다.

세포가 지방으로 변하기 시작했을 때 이야기는 더욱 흥미로워졌습니다. 세포가 분화됨에 따라, 세포 내부에는 지방 방울(lipid droplets), 즉 작은 지방 거품들이 채워지기 시작했습니다. 내장 소프트웨어는 성숙한 지방 세포를 찾아내는 데 매우 뛰어났는데, 왜냐하면 이 세포들은 다른 세포들과 다르게 보이고 대비가 더 높기 때문입니다. 이 소프트웨어는 연구자들에게 접시의 어느 정도 면적이 성숙한 지방 세포로 덮여 있는지를 알려줄 수 있었습니다. 그러나 초기 단계에서는 어려움을 겪었는데, 지방이 충분히 차올라 눈에 띄기 전의 초기 변화 단계에 있는 세포들을 놓쳤기 때문입니다. 반면에 맞춤형 모델은 단순히 내부의 지방뿐만 아니라 세포 자체의 형태를 인식하도록 훈련되었습니다. 이를 통해 이 모델은 세포가 완전히 성숙하기 훨씬 전부터 지방이 되기로 결정하는 아주 초기 징후를 포착할 수 있었습니다. 이는 연구자들에게 변형 과정에 대한 더 빠르고 상세한 시각을 제공했습니다.

연구는 또한 이 컴퓨터 모델들이 서로 다른 종과 서로 다른 종류의 현미경에서 작동할 수 있는지를 테스트했습니다. 처음에 돼지 세포 이미지로 훈련된 맞춤형 모델은 재훈련 없이는 인간 세포를 자동으로 인식할 수 없었는데, 이는 컴퓨터 프로그램에 특정 사례를 학습시켜야 함을 강조합니다. 그러나 연구진이 인간 세포로 새로운 버전의 모델을 훈련시키자, 모델은 똑같이 잘 작동했습니다. 또한, 그들은 이 모델들이 실험실에서 사용된 특정 고성능 이미징 시스템에 국한되지 않는다는 것을 입증했습니다. 그들은 자신들의 맞춤형 모델을 일반적인 수동 현미경으로 촬영한 이미지에도 성공적으로 적용했으며, 이는 이 기술이 값비싼 자동화 장비가 있는 곳뿐만 아니라 다양한 실험실에서도 사용될 수 있음을 보여주었습니다.

가장 중요한 발견 중 하나는 단일 배양 접시 내의 숨겨진 변이를 볼 수 있는 능력이었습니다. 이미징 시스템이 접시의 여러 지점을 시간에 따라 촬영했기 때문에, 연구자들은 지방 세포가 모두 동시에 또는 같은 장소에서 형성되는 것이 아님을 알 수 있었습니다. 어떤 구역은 지방 세포로 가득 찬 반면, 다른 구역은 비어 있는 상태로 남아 있었습니다. 전통적인 방식은 보통 실험 마지막 단계에서 접시 중앙에서 단 한 장의 사진만 찍기 때문에 이러한 공간적 세부 사항을 보는 것은 불가능했습니다. 또한 연속적인 모니터링을 통해 동일한 유형의 동물이라 하더라도 서로 다른 배치의 세포들이 다르게 행동한다는 사실이 밝혀졌습니다. 어떤 배치는 빠르게 효율적으로 지방으로 변한 반면, 어떤 배치는 어려움을 겪었는데, 이러한 변이는 지속 가능한 배양육을 생산하거나 왜 어떤 사람들이 비만에 더 취약한지를 이해하는 데 매우 중요할 수 있습니다.

궁극적으로, 이 연구는 라벨 프리 이미징이 지저ck하고 파괴적인 염색 절차를 없애는 강력한 도구임을 입증했습니다. 이는 과학자들이 세포가 파종되는 순간부터 특화된 지방 세포가 되는 순간까지 세포 집단의 전체 생애 주기를 실시간으로 관찰할 수 있게 해줍니다. 내장 소프트웨어가 성숙한 세포에 대해 잘 작동하는 편리한 '플러그 앤 플레이' 솔루션을 제공한다면, 맞춤형 훈련 모델은 초기 변화를 포착하고 다양한 세포 유형 및 현미경 설정에 적응할 수 있는 독보적인 유연성과 세부 정보를 제공합니다. 이러한 접근 방식을 결합함으로써, 연구자들은 이전에는 도달할 수 없었던 명확함으로 세포 성장과 지방 형성의 역동성을 추적할 수 있게 되었으며, 이는 의료 과학과 미래 식량 생산 모두에 새로운 통찰력을 제공합니다. 이 연구에서 개발된 모든 컴퓨터 모델은 대중에게 공개되어, 다른 과학자들이 자신의 연구를 위해 이 도구들을 사용하고 개선할 수 있도록 하였습니다.