Command Palette
Search for a command to run...
막 분리부터 입자 위치 지정까지, 딥러닝 프레임워크 MemBrain v2가 극저온 전자현미경 분석의 전체 파이프라인을 연결하여 분석 속도와 처리량을 크게 향상시킵니다
냉동 전자 단층촬영(cryo-electron tomography, cryo-ET)은 천연 세포 내부의 분자 환경을 나노미터 수준의 해상도로 3차원 이미징할 수 있는 강력한 기술로, 소기관, 막 구조 및 대분자 복합체 연구에 독특한 창을 제공합니다. 그러나 cryo-ET가 포착한 생물학적 복잡성은 데이터 주석 작업과 분석에 큰 도전을 안겨주었으며, 그중에서도 낮은 신호 대 잡음비, 결실 와현상(missing wedge artifacts), 그리고 막 관련 입자의 복잡성으로 인해 막 구조 분석이 여전히 cryo-ET 연구 효율성을 제약하는 주요 병목 현상으로 남아 있습니다.
과거에는 TomoSegMemTV, U-Net, TARDIS 등 다양한 도구들이 개발되었으나, 서로 다른 방법론들은 종종 막 분할, 입자 위치 지정 또는 막 기하학 분석 중 하나의 단계만을 해결했으며, 완전한 워크플로우를 제공하는 데는 한계가 있었습니다. 딥러닝 방법은 또 다른 선택지를 제시하며, 최근 연구자들은 cryo-ET 데이터에서 입자를 위치시키기 위해 합성곱 신경망(CNN) 기반의 여러 방법을 제안해 왔습니다. 하지만 이러한 방법들 중 상당수는 방대한 양의 수작업 주석이 포함된 볼륨 데이터에 크게 의존하고 있으며, 이는 시간이 많이 소요될 뿐만 아니라 기술적으로 실현하기 어려운 경우가 많습니다.
이러한 배경 하에, 헬름홀츠 뮌헨 센터, 뮌헨 공과대학교(TUM), 바젤 대학교 생명과학센터(Biozentrum Basel)의 연구진은 MemBrain v2를 출시했습니다. 이 프레임워크는 딥러닝 기반으로 앞서 언급된 모든 작업을 더 간결하고 효율적인 분석 파이프라인으로 통합합니다.
구체적으로, MemBrain-seg는 다양하게 생성되고 협력적으로 구축된 훈련 데이터셋과 표적화된 모델 학습 전략을 결합하여 다양한 단층 촬영 조건에서도 강건한 일반화 능력을 갖춘 막 구조 분할을 구현합니다. MemBrain-pick은 기하학적 제약을 딥러닝과 결합하여 막 결합 입자에 대한 높은 데이터 효율성의 위치 지정을 가능하게 함으로써 대규모 수작업 주석 데이터에 대한 의존도를 줄입니다. 또한 MemBrain-stats는 공간 분포 지표를 계산함으로써 입자 분포에 대한 정량적 분석 기능을 제공하여 막 내 입자들의 조직 방식을 더욱 심도 있게 해석합니다. 전반적으로 MemBrain v2는 냉동 전자 단층촬영 워크플로우에 매끄럽게 통합되어 막 구조 분석을 위한 보다 사용하기 쉽고, 체계적이며, 통합도가 높은 솔루션을 제공합니다.
관련 연구 성과는 「MemBrain v2: an end-to-end tool for the analysis of membranes in cryo-electron tomography」라는 제목으로 《nature methods》지에 게재되었습니다.
연구 하이라이트:
- MemBrain v2는 막 구조 분할부터 입자 위치 지정, 통계 분석까지 이어지는 엔드투엔드(end-to-end) 막 분석 프로세스를 구성했습니다.
- MemBrain v2는 Surface-Dice 지표 도입을 통해 기존 Dice 점수 대비 막 구조의 위상적 연속성에 대해 더 민감하게 반응하도록 했습니다.
- 다기능성과 사용 편의성을 모두 고려한 MemBrain v2는 cryo-ET 막 분석을 위한 직관적인 솔루션을 제공하며, 다양한 출처의 데이터에 적용하여 연구자들이 더 광범위한 생물학적 문제를 탐구할 수 있도록 지원합니다.
논문 주소:
https://www.nature.com/articles/s41592-026-03178-8
시금치에서 클라미모나스까지: 지속해서 업데이트되는 데이터셋
딥러닝 모델에게 있어 MemBrain v2가 진정으로 주목받을 이유는 네트워크 구조뿐만 아니라 그背後의 훈련 데이터 구축 방법에 있습니다. 연구팀은 단일 출처의 데이터에만 의존하지 않고, 능동 학습(active learning)과 유사한 반복 방식을 채택하여 모델이 가장 처리하기 어려워 하는 영역들을 지속적으로 찾아내고, 이를 수작업 보정 과정을 거쳐 다시 훈련 세트에 포함시켰습니다.
초기 프로젝트에서는 토마토(S. oleracea) 데이터셋으로부터 얻은 막 구조 분할 패치를 사용했으며, 이들 패치는 처음에 TomoSegMemTV에 의해 주석이 달렸습니다. 이후 연구진/MITK Workbench를 사용하여 각 패치의 크기를 160개 체셀(voxel)로 설정하고, 각 체셀마다 배경(background), 막(membrane), 무시(ignore) 세 가지 라벨 중 하나를 할당하면서 인위적으로 세부 조정을 진행했습니다. 이렇게 이루어진 반복적인 정제 과정을 통해 최종적으로 정확하게 주석이 부여된 토마토 엽록체 패치 69개가 확보되었습니다.
모델이 서로 다른 이미지 획득 조건과 장비 상황에서도 잘 작동하도록 하기 위해, 연구진은 이 접근법을 EMPIAR-11830 데이터베이스로부터 가져온萊茵衣藻(C. reinhardtii) 단층 영상에도 확장하였습니다. 두 그룹 간의 이미지 획득 조건 차이 때문에 초기 단계에서 해당 데이터세트에 대한 모델의 분할 성능은 토마토 데이터세트보다 현저히 낮았습니다. 이에 연구진은 틸라코이드막(thylakoid membrane), 미토콘드리아, 골지체 등의 구조를 아우르는 33개의 패치들에 대해 반복적인 재주석을 수행하여 모델의 성과를 개선했습니다.
또한 외부 데이터에 대한 모델의 적응력을 높이기 위해 본 팀은 타 연구팀들과 협업을 추진했습니다. 관련 파트너들은 자신들의 데이터세트를 대상으로 MemBrain-seg를 테스트했고, 모델 성능이 저조했던 구역에 대해서는 새로 주석을 추가한 패치들을 제공해주었습니다. 엄격한 품질 평가 끝에 이 협업 자료들로부터 추가로 27개의 패치가 확보되었으며, 이로써 훈련용 데이터셋의 다양성이 크게 향상되었습니다.
모델 성능을 더욱 향상시키기 위해 연구팀은 기존에 공개된 소량의 막 구조 분할 데이터셋도 활용했습니다. 먼저 오픈소스 단층 영상 시뮬레이터인 PolNet과 CryoTomoSim을 사용하여 총 40개의 막 구조 패치를 생성했으며(각각의 시뮬레이터에서 20개씩), 외부 연구자가 주석을 완료한 데이터세트도 통합했습니다. 구체적으로는 공개 가능한 DeePiCt 데이터 세트(EMPIAR-10988)로부터 신뢰성 있는 막 구조 분할 패치 15개를 추출했습니다. 이러한 영역들은 초기 단계에서 MemBrain-seg의 성능이 낮았던 지역에서 선택되어 훈련 데이터 세트의 다양성을 추가로 높였습니다.
MemBrain v2: 종단 간 막 분석 워크플로우
MemBrain v2는 다음과 같은 모듈형 분석 워크플로우로, 극저온 전자 단층촬영(cryo-ET) 데이터 세트 내 막 구조 및 관련 입자의 분석을 단순화하는 것을 목표로 합니다. 세 가지 핵심 모듈—MemBrain-seg, MemBrain-pick, 그리고 MemBrain-stats가 협력하여 막 구조 분할, 입자 위치 지정 및 정량적 분석을 수행합니다.
MemBrain-seg: 범용적인 막 구조 분할 방법론
MemBrain-seg(아래 그림 참조)은 U-Net 기반 프로그램으로, 한 줄의 명령어만으로 입력된 단층 영상을 바탕으로 3차원 막 구조 분할 결과를 생성할 수 있습니다. 이 모델은 다변화되고 반복적으로 최적화된 데이터 세트를 기반으로 학습되었습니다. 해당 데이터 세트는 신중한 수동 주석 및 수정 과정을 거쳐 연구 커뮤니티와의 긴밀한 협력을 통해 생성되었으며, 다양한 유형과 형태를 지닌 막 구조들을 모두 커버하도록 설계되었습니다. 동시에 연구진은 냉동 전자 단층 촬영 특성에 맞춘 데이터 증강 기법과 막 구조 전용 손실 함수를 네트워크 학습 과정에 도입했습니다. 이러한 전략들이 결합됨으로써 막 구조를 정확하고 연속적으로 윤곽 처리할 수 있게 되었으며, 이는 이후 시각화와 하류 분석 작업을 용이하게 해줍니다.
MemBrain-pick: 효율적인 막 연관 입자 위치 지정을 위한 상호작용 도구
MemBrain-pick(아래 그림 참조)은 주로 막 단백질 등 막 결합 입자들을 효율적으로 위치시키는 데 전문화되어 있습니다. 연구진은 신경망을 직접 막 표면상에서 작동하도록 훈련시켜, 모델이 예측 과정에서 막의 기하학적 구조를 고려함으로써 탐색 공간을 축소함과 동시에 위치 결정 정확도와 데이터 이용 효율성을 모두 높일 수 있도록 했습니다. 또한 본 모듈은 Surforama와 같은 Napari 기반 상호작용 도구에 통합되어 있어, 연구자들이 빠르게 입자를 주석 처리하고 그 위치를 조정하며 실제 정답(Ground Truth) 데이터 생성과 모델 학습 간의 원활한 연결고리를 유지할 수 있도록 지원합니다.
MemBrain-stats: 입자 분포의 정량적 분석
MemBrain-stats는 MemBrain-seg과 MemBrain-pick으로부터 얻어진 출력값을 이용하여 막 상에서의 입자 분포에 대해 정량적 분석을 수행합니다. 이 모듈은 입자 밀도, 측지선 최접근 이웃 거리(geodesic nearest-neighbor distance), 리블리 통계(Ripley's statistics) 등의 주요 지표들(아래 그림 참조)을 계산할 수 있습니다. 이를 통해 막 형태와 입자 조직 방식 사이의 관계를 규명함으로써, MemBrain-stats는 연구자들이cryo-ET 데이터 세트 내에서 막 구조와 입자 배열 사이에서 나타나는 구조적·기능적 상관관계를 심층 탐구하는데 도움을 줍니다.
MemBrain-stats 시각화 결과물
MemBrain v2는 유연성을 확보하면서도 사용 장벽을 낮추기 위해 모듈식 디자인을 채택했습니다. 전체 프레임워크는 직관적이고 사용하기 쉬운 커맨드 라인 인터페이스(CLI)를 제공하며 Napari 플러그인과 자연스럽게 연동되도록 구성되어 상호작용식 주석 작업 및 시각화를 지원합니다.
MemBrain v2는 분석 속도와 처리량을 크게 개선했습니다
연구자들은 MemBrain-stats를 활용해 예측된 틸라코이드 막 입자 분포에 대해 정량분석을 진행했고, 이전에 발표된 적층 상태의 틸라코이드 막 전체 입자에 대한 측정 값들과 비교했습니다(그림 g 참고). 호박잎(Spinacia oleracea)의 경우, 획득된 결과는 이미 보고된 입자 농도와 매우 일치했는데, 호박잎 데이터에서는 제곱마이크로미터당 1,688개의 입자로 산출되었고 이전 논문에서는 1,714개/μm²라고 밝힌 바 있습니다. 레이너클로렐라(Chlamydomonas reinhardtii)의 경우에는 새로 추정된 입자 밀도가 기존 문헌 수치보다 약간 높은 것으로 나왔는데, 각각 Clamyold 와 Chlamynew 에서 1,492개/μm²와 1,316개/μm² 로 나타나며 과거 보고서에는 1,292개/μm² 가 기록되었던 것과 대비됩니다.
전반적으로 이 간소화된 MemBrain v2 워크플로우는 쌓인 틸라코이드 막 분석에서 기존 수동 분석과 유사한 성과를 거두면서도 분석 속도와 처리량을 크게 향상시켰습니다. 연구자들은 추가로 이 워크플로우를 활용하여 페이코빌리솜(phycobilisomes)과 리보솔을 비롯한 다른 유형의 막 결합 입자들의 고차원 조직 방식을 분석했습니다.
테스트 응용 사례: 틸라코이드 막 위의 페이코빌리솜 조직화
연구자들은 MemBrain v2를 높은 해상도의 홍조류 엽록체 냉각 전자 단층 촬영 데이터셋(EMD-31244)에 적용했으며, 이를 통해 페이코빌리솜 사슬의 입자 위치와 공간 분포 패턴을 효율적으로 추출하는 방법을 시연했습니다(아래 그림 참조).
첫 번째 단계 처리 과정에서 MemBrain-seg은 모든 틸라코이드 막에 대해 명확하게 분리되고 고정밀도 있는 분할 결과를 생성했습니다(위 그림 b). 이후 연구자들은 MemBrain lasso 도구를 사용하여 연결 요소 분석(connected component analysis)을 수행함으로써 전체 분할 결과로부터 개별 막 구조체를 추출하고 Surforama에서 시각화했습니다. 이러한 상호작용형 시각화 인터페이스 덕분에 연구자들은 선택된 6개 막 구조체 인스턴스 내 페이코빌리솜 사슬单元的 위치를 효과적으로 주석으로 지정할 수 있었습니다(위 그림 c). 이렇게 사람이 지정한 위치들은 나중에 Ground Truth(GT) 데이터로서 MemBrain-pick 모델 학습에 사용되었습니다. 모델 훈련 완료 후 MemBrain-pick은 단층촬영 이미지 내에 남아있는 나머지 23개의 막 구조체에 적용되었으며, 전체 단층영상 범위 내에서 페이코빌리솜 위치들을 성공적으로 식별해냈습니다. 예측 결과들에 따르면 페이코빌리솜들이 막 표면 위에서 뚜렷한주기적인 배열을 이루고 있음을 알 수 있습니다.(위 그림 d).
공간조직화에 대한 정량분석을 위해 연구자들은 추가적으로 Ripley's K 함수(MemBrain-stats)를 이용하여 계산하였습니다 . 그결과 ,페이코빌리솜들 사이에 약 35nm 정도의 규칙적인 간격이 존재한다는 것이 확인되었습니다 ( 위그림 e ) . 이러한 주기성은 이전에 사람 손으로 측정했던 값인 34.5nm 와 매우 일치하며 자동화 방법론 의 신뢰성을 입증해주었습니다 .
테스트 응용 사례 : 핵막 상의 폴리리보좀 체인의 조직화
MemBrain v2 의 또다른 end-to-end 적용 예시 로서 연구자들 은 외핵막 에 서 리 보 솔 들 을 분 포시키는 방식 과 배향 패턴 을 규명 하려 했 습니다 . 세포핵 주변 영역 을 포함 하는 단 층 영상 을 분석 할 때 MemBrain - seg 는 핵막 과 그 둘레 의 전 부 세포질 막 구조 를 정확히 분할 해 냅니 다 ( 아래 그림 a ). 이어진 작업 으로서 연구 자들 은 관심 대상 인 핵막 구조 를 추출 하고 Surfo rama 에서 가시 화 함으 로써 GT 리보솔 위치 를 효율 적 으로 주 석 달았습 니다 ( 아 래 그림 b ).
리보솔 위치 추적을 자동화하기 위해 연구자들은 먼저 13 개의 막 구조체를 수작업으로 라벨링하여 MemBrain-pick 모델을 훈련시키고, 해당 모델을 이용해 남은 79 개 막구조체의 예측을 진행했는데 총 4,515 개의 리보솔 위치가 탐지 되었습니다 (예시는 아래 그림 c 참고).*
이러한 예측값 검증 목적하에 stopgap 프로그램이용해서 subtomogram averageing(sta ) 실시 했습니다 최종 얻어진 구조 이미지는 막결합성 ribosome 하나 잘 보여주고 있으며(trap complex density signal 도 함께 관찰됨)(d 그림참조), blurry peripheral densities 도 나타나는데 이는 아마 근처 ribosomes 때문일것이며 spatial distribution pattern 통해서도 뒷받침 가능 합니다(e 그림참조).membrain stats 출력물 기반으로 nearest neighbor angle distance chain continuity 등 여러 제약조건 종합 고려 하여 polyribosome chain extraction 시도했음.
d STA 결과 왼쪽 그림 Subtomo Average 결과 막결합 Ribosom 표시e 왼쪽 Histogram showing minimum angles among three closest neighbors *
본 논문에서는 원천 tomograms 시작 해서 끝까지 automated pipeline 통한 pol yribo somes chain detection 제시 하였으며 다양한 생물종 대상으로 ribosomal biology 연구 촉진 기대됩니다 .
결론
물론 MemBrain v2도 한계가 없다. 그 성능은 여전히 훈련 데이터의 다양성, 막 비표적 구조 및 크라이오 전자 단층촬영(cryo-ET) 자체의 대비와 노이즈 수준에 의해 제한되며, 신호가 약하거나 가려진 입자, 그리고 강한 막 밀도에 쉽게 덮이는 작은 통합형 막 단백질의 정확한 식별에는 아직 과제가 남아 있다. 또한 분할 두께는 실제 생물학적 막 두께와 완전히 일치하지 않는다.
미래에는 훈련 데이터를 추가로 확장하고 TomoTwin과 같은 보완 도구와 결합함으로써 다양한 막 구조와 단백질 복합체에 대한 적용 능력을 향상시킬 수 있을 것으로 예상된다. 더 중요한 것은, MemBrain v2가 막 분할, 입자 위치 지정 및 공간 정량 분석을 개방적이고 사용하기 쉬우며 확장 가능한 워크플로우로 통합하여 STAR, STA 및 표면 형태계측학(Surface Morphometrics) 등 여러 분석 체계와 호환된다는 점이다. 더 많은 연구팀이 데이터와 도구를 공유함에 따라 이러한 인공지능(AI) 방법은 kryo-ET 복잡한 3차원 데이터 분석의 진입 장벽을 더욱 낮추고, 연구를 의존적인 이미지 인식에서 자동화되고 규모화된 반복 가능한 정량 분석으로 전환하는 데 기여할 것이다.
참조 문헌:
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html
https://phys.org/news/2026-09-ai-automates-3d-membrane-manual.html