Machine Learning-Accelerated Analysis of In Utero Embryo Phenotyping in C. elegans for Reproductive Toxicity Assessment

기술 요약: 생식 독성 평가를 위한 C. elegans 내 태아 표현형 분석의 머신러닝 가속화

문제 정의
발생 및 생식 독성(DART) 평가는 화학 물질의 안전성 확보에 매우 중요하지만, 전통적으로 노동 집약적인 다일(multi-day) 포유류 연구에 의존해 왔다. Caenorhabdulas elegans는 보존된 생물학적 경로를 가진 확장 가능한 비포유류 대안을 제공하지만, 기존의 C. elegans DART 분석법은 상당한 병목 현상에 직면해 있다. 구체적으로, 마이크로플루이딕 임모빌라이제이션(vivoChip)과 고해상도 이미징을 사용하여 in utero 배아 발달을 정량화하는 "vivoDART" 워크플로우는, 화학 물질당 수만 개의 배아를 수동으로 계수하고 단계별로 분류해야 한다. 이 수동 과정은 시간이 많이 소요되고 사용자 의존적인 변동성이 크며, 대규모 화학 라이브러리 스크리닝에 필요한 확장성을 제한한다. 기존의 머신러닝(ML) 방법들은 높은 공간 해상도, 극단적인 종횡비(~12:1), 그리고 단일 벌레 이미지에서 발견되는 상당한 배아 중첩 문제로 인해 이 작업에 적합하지 않은 경우가 많으며, 주석이 달린 대규모 그라운드 트루스(ground-truth) 데이터셋을 생성하는 비용도 높다.

방법론
저자들은 C. elegans 내의 in utero 배아 검출 및 발달 단계 분류를 자동화하기 위해 설계된 2.5D 머신러닝 프레임워크인 EmbryoMAE-Det을 개발하였다. 이 방법론은 다음 구성 요소들을 통합한다:

1. 데이터 획득: 시스템은 칩당 최대 960마리의 벌레를 고정할 수 있는 vivoChip-24x 마이크로플루이딕 장치를 사용한다. 고해상도 브라이트필드 z-스택 이미지(18개 슬라이스, 6 µm 스텝 사이즈, 10× 대물렌즈)를 캡처하며, 이는 칩당 약 65 GB의 데이터를 생성한다.
2. 자기지도 사전 학습 (MAE): 레이블링된 데이터의 부족을 극복하기 위해, 저자들은 마스크 오토인코더(Masked Autoencoder, MAE) 접근 방식을 채택했다. 2.5D Factorized Vision Transformer (F-ViT) 백본을 사용하여 약 20,000개의 레이블되지 않은 C. elegans 브라이트필드 이미지로 사전 학습을 수행했다. 사전 학습 과정에서 이미지 패치의 75%가 무작위로 마스킹되었으며, 모델은 누락된 콘텐츠를 재구성하는 법을 학습함으로써 수동 주석 없이도 벌레 형태에 대한 강건한 시각적 표현을 학습했다.
3. 아키텍처 혁신:
   • 컨볼루션 토크나이저 (Convolutional Tokenization): 벌레 이미지의 극단적인 종횡비를 처리하기 위해, 모델은 표준 선형 투영 대신 컨볼루션 토크나이저를 사용하여 로컬 공간 정보를 패치 표현에 직접 임베딩한다.
   • 팩터라이즈드 어텐션 (Factorized Attention): 고해상도 이미지에 대한 전역 자기 주의(global self-attention)의 이차적 계산 비용을 줄이기 위해, 모델은 순차적 및 병렬적 팩터라이즈드 어텐션 메커니즘을 사용한다. 이는 높이와 너비 차원을 따라 어텐션을 분해하여, 효율성을 개선하면서도 장거리 공간 관계를 보존한다.
4. 지도 미세 조정 (Supervised Fine-Tuning): 사전 학습된 인코더는 다운스트림 검출 네트워크를 위한 특징 추출기로 기능한다. 중간 특징 정제 단계는 어텐션 기반 모듈과 컨볼루션 모듈을 결합하여 전역적 문맥과 로컬 형태학적 특징을 모두 포착한다. 최종 네트워크는 중심성(centerness) 예측, 바운딩 박스 회귀, 그리고 분류(초기 단계 vs 후기 단계 배아)를 위한 세 가지 예측 헤드를 포함한다.
5. 훈련 전략: 모델은 약 48,000개의 배아를 포함하는 1,547개의 수동 주석 채널 데이터셋으로 훈련되었다. 훈련 전략은 클래스 불균형 문제를 해결하기 위해 결합된 focal 및 Dice 손실을 사용하여 중심성 예측과 특징 정제 모듈 및 검출 헤드를 공동 최적화하는 과정을 포함한다.

주요 결과
본 연구는 광범위한 벤치마킹을 통해 수동 점수 산정 방식 대비 EmbryoMAE-Det의 성능을 검증하였다:

• 검출 정확도: 모델은 IoU(Intersection over Union) 임계값 0.5에서 평균 정밀도(mAP) **88.7%**를 달성했다. 클래스별 평균 정밀도(AP) 값은 초기 단계 배아의 경우 92.8%, 후기 단계 배아의 경우 **84.7%**였다.
• 정량적 일치도: 모델이 예측한 배아 수는 그라운드 트루스와 비교했을 때 낮은 변동성을 보였다. 오차는 0 근처에 집중되었으며, 81%의 채널이 수동 점수 산정치와 ±2 마리 이내의 차이를 보였다.
• 재현성 및 변동성: 자동화된 워크플로우는 우수한 재현성을 입증했다. 기술적 반복 실험에서 변동 계수(CV%)는 10.4% 미만으로 나타났다. 특히, 모델은 인간 검수자보다 낮은 변동성을 보여주었는데, 후기 단계 배아의 경우 모델의 CV%는 10.4%였던 반면 수동 점수 산정의 변동성은 이보다 훨씬 높았다.
• 통계적 검정력: 감소된 분산 덕분에, 모델 기반 분석법은 초기 단계 6.3%, 후기 단계 18.3%, 총 배아 **5.2%**만큼 작은 효과 크기를 감지하는 데에도 80% 이상의 통계적 검정력을 확보했다. 반면, 수동 점수 산정은 후기 단계 배아에 대해 동일한 검정력을 얻기 위해 약 23%의 효과 크기가 필요했다.
• 독성 평가: 모델은 두 가지 참조 화학 물질인 프로피코나졸(propiconazole)과 메틸머큐리(methylmercury)에 대해 테스트되었다. 모델로부터 도출된 농도-반응 곡선 및 EC50 값은 수동 점수 산정 방식과 통계적으로 구별할 수 없었다 (F-test p-value > 0.05).
• 처리량 (Throughput): 완전 자동화된 워크플로우는 분석 시간을 1,000배 단축하여, 전체 농도-반응 연구(약 1,200마리의 벌레)를 수동 분석 시 소요되는 약 280시간 대신 약 10분 만에 완료했다.

의의 및 주장
본 논문은 EmbryoMAE-Det가 신속하고 재현 가능하며 고함량(high-content)인 DART 평가를 위한 통합된 전신 이미징 및 머신러닝 플랫폼을 구축한다고 주장한다. in utero 배아의 표현형 분석을 자동화함으로써, 이 작업은 vivoDART 워크플로우의 주요 병목 현상을 제거하여 미확인 화학 물질의 확장 가능한 스크리닝을 가능하게 한다.

저자들은 이 접근 방식이 다음과 같은 효과를 가진다고 주장한다:

1. 정확성 유지: 전문가의 수동 점수 산정과 동일한 정확도를 유지하면서 분석 시간을 획기적으로 단축한다.
2. 민감도 향상: 점수 산정의 분산을 줄임으로써, 수동 분석에서는 놓칠 수 있는 미세하고 아치사량(sub-lethal) 수준의 생식 독성 종점을 감지하는 통계적 검정력을 높인다.
3. NAM 지원: 기존 화학 물질에 대한 지식 격차를 메우고 포유류 시험에 대한 의존도를 낮추는 데 도움이 되는 견고하고 재현 가능한 신규 접근법(New Approach Methodology, NAM)을 제공한다.
4. 확장성: 대규모 화학 안전성 평가에 필요한 정량적 수용 기준 및 품질 관리 표준 생성을 용이하게 한다.

연구는 모델이 테스트된 조건 하에서 견고하지만, 향-후 연구는 다양한 화학 라이브러리에 걸친 대규모 검증과 번역적 관련성을 확인하기 위한 기존 DART 데이터셋과의 벤치마킹에 집중할 것이라고 결론지었다.