9종의 약물 및 2억 1,800만 개의 백혈구를 기반으로 한 스탠퍼드 의과대학의 단일 세포 수준 디지털 트윈 시스템 SIMCO 발표, 조산 예방 약물 개발 지원

조산(즉, 임신 37주 미만)은 낯선 개념이 아니지만, 많은 예비 부모들은 아기가 예상보다 일찍 태어나는 상황을 마주하기 전까지는 조산의 높은 위험성과 심각한 부작용을 진정으로 인식하지 못할 수 있습니다. 조산은 보통 예고 없이 발생하며, 심지어 아무런 경고 신호나 알려진 위험 요인이 없는 경우에도 일어날 수 있습니다. 또한 조산은 단순히 ‘아기가 조금 일찍 태어나는 것’이 아닙니다. 태아가 적은 주수일수록 호흡기, 신경계 등 장기의 성숙도가 자연히 낮아지며, 극복해야 할 건강상의 위험 관문도 그만큼 많아집니다.

관련 통계에 따르면 전 세계 임신 10건 중 1건에서 조산이 발생합니다. 더 우려스러운 점은 지금까지도 조산이 전 세계 5세 미만 영유아 사망의 가장 큰 원인이라는 사실입니다.

다행히 조산은 예측 불가능하고 개입할 수 없는 현상은 아닙니다. 현재 연구에 따르면 조산의 유발 요인은 복잡하지만, 60% 이상의 조산은 자발적 조산 진통(spontaneous preterm labor, sPTL)으로 발생하며, 이러한 조산은 모체의 임신 중 면역 조절 불균형과 밀접하게 관련되어 있습니다. 따라서 면역 조절을 표적으로 삼아 분만 시작 시기를 개입하는 것이 매우 중요합니다. 그러나 현재 임신 중 임상 검증은 윤리적 및 경제적 이중 제한을 받고 있어 대규모 예방 전략 검증에는 많은 어려움이 따릅니다.

이러한 과제에 대응하기 위해 Stanford Medicine이 주도하는 연구팀은 Simulated Immunome Modeling of Clinical Outcomes(SIMCO)라는 이름의 인공지능 기반 단일 세포 수준 디지털 트윈 시스템을 개발했습니다. 이 시스템은 모체의 면역 체계를 시뮬레이션하여 조산 예방 약물을 테스트하는 데 사용되며, 즉 임산부가 직접 약물을 복용하지 않고도 디지털 트윈을 통해 여러 약물 조합을 가상으로 테스트하여 sPTL 예방 전략의 대규모 검증을 가능하게 합니다. 또한 이 방법은 향후 임상 시험에서 특정 사례에 대한 맞춤형 치료 지침을 제공하는 데 기여할 것으로 기대됩니다.

관련 연구 결과는 ‘Single-cell–level digital twins for preterm birth prevention strategies’라는 제목으로 Science Advances에 게재되었습니다.

연구 하이라이트:

• 단일 세포 해상도의 면역 디지털 트윈 시스템 SIMCO 구축으로 임신 중 임상 시험의 난제 해결

• 조산 예방 잠재력을 가진 후보 약물 및 병용 요법 선별, 세포 분자 기전 규명

• 최적 수송 학습 모델을 산과 면역학 분야에 도입하여 향후 정밀 맞춤형 조산 예방을 위한 새로운 계산 패러다임 제시

논문 주소:

https://www.science.org/doi/10.1126/sciadv.aed2741

대규모 및 포괄적인 단일 세포 체외 약물 교란 데이터셋 구축

훈련 데이터셋: 단일 세포 교란 질량 유식 세포도 데이터셋(mass cytometry single-cell perturbation atlas)

전통적인 방법에서는 단일 세포 해상도의 부족으로 인해 기존 모델이 세포 유형 특이적 메커니즘과 탈표적 효과를 탐지하기 어려웠으며, 이는 맞춤형 개입 전략 설계에도 방해가 되었습니다. 이 난제를 해결하기 위해 연구자들은 SIMCO 모델 훈련을 위해 단일 세포 교란 질량 유식 세포도 데이터를 특별히 생성했습니다.

구체적으로(아래 그림/표 참조), 연구팀은 비임신 여성(월경 주기 첫 주 내) 자원자 8명과 임신 중기(임신 20+0주부터 27+7주) 자원자 11명을 모집하여 다중 약물 스크리닝 검사를 수행했습니다. 이를 통해 9가지 후보 약물(chlorthalidone, maprotiline, metformin, lansoprazole, pravastatin, rifabutin, salicylic acid(SA), SA+lansoprazole(SALPZ), 5-methyltetrahydrofolate(THF))의 sPTL 예방을 위한 면역 조절 효과를 평가했습니다.

참고로, 이 검사는 미국 캘리포니아주 스탠퍼드 시의 스탠퍼드 병원에서 수행되었으며 IRB(기관생명윤리위원회) 승인을 받았습니다(프로토콜 번호 68417). 모든 자원자는 18세에서 45세 사이의 여성이며, BMI는 40 미만이고, 진행 중인 면역 조절 치료가 없는 상태였습니다. 임신 중기를 샘플링 시점으로 선택한 이유는 이때가 아직 임신 유지 단계이며 분만 전 염증 경로가 점진적으로 활성화되기 전이어서 후보 약물이 임산부의 면역체계에 미치는 잠재적 영향을 포착하기 용이하기 때문입니다. 비임신 대조군 샘플은 월경 주기 초기, 즉 초기 난포기에 채취하여 낮은 호르몬 상태를 반영하도록 했습니다.

각 후보물질에 대해 연구팀은 경구 투여 후 혈중에서 주된 형태로 존재하는 화합물 형태를 선택했으며, 일부 약물의 경우 해당 활성 대사산물(예: THF 및 SA)을 사용했습니다. 실험 농도는 표준 경구 용량에 해당하는 체내 혈장 농도를 기준으로 설정되었습니다. 아래 표와 같습니다:

선별 실험은 96가지 검출 조건으로 구성되었으며, 각 조건에는 단 100 μl의 전혈 샘플만 필요했습니다. 실험 처리는 체내 채혈 후 30~60분 이내에 수행되었으며, 각 조건마다 약물 교란을 동시에 진행했습니다. 8가지 처리군(LPS, IFN-α, IL-33, GM-CSF, TNFα, IL-2/4/6 혼합물, PI 및 무자극 대조군)을 설정하고 2시간 동안 공동 배양하여, 생리적 상태에 가까운 세포 유형 및 자극원 특이적 면역 반응을 검출했습니다.

배치 편향을 방지하고 바코드 오분류 및 세포 회수 현황을 기록하기 위해, 연구팀은 새로 개발된 9개 중 4개 선택 방식의 이중항 제거 질량 분석 바코드 방식을 사용했습니다. Pd104, Pd105, Pd106, Pd108, Pd110, Pt194, Pt195, Pt196, Au197 등 총 9종의 동위원소 중 4종을 조합하여 바코드를 생성했으며, 총 126개의 사용 가능한 바코드를 확보했습니다. 이 중 순도가 가장 높은 96종을 선정하여 96개의 실험 조건에 각각 대응시켰습니다.

동시에 질량 분석 기반 유세포 분석(Mass cytometry)을 결합한 동시 분석을 통해, 12종의 세포 내 인산화 단백질 및 8종의 활성 표지자의 발현 변화를 평가하여 28개 면역 세포 아집단의 기능적 반응을 측정했습니다. 최종적으로 구축된 단일 세포 교란 지도는 80종의 교란 조건과 2억 1,800만 개의 백혈구를 포함했습니다. 각 개체에 대해 8가지 자극 × 28종 면역 세포 아집단 × 20종 기능성 단백질의 조합으로, 각 그룹당 총 4,480개의 특성을 확보했습니다.

테스트셋: 이전 Stelzer 등이 수집한 독립 질량 분석 유세포 데이터셋(Independent dataset)

해당 데이터셋은 본 연구팀이 이전에 발표한 종단적 질량 분석 유세포 데이터셋으로, 주로 시뮬레이션 실험의 임상 참조 데이터셋으로 사용되었습니다. 63명의 자원자가 자연 분만 전 마지막 120일 동안 채혈한 데이터를 수집했으며, 1인당 1~3회 채혈했습니다. 시뮬레이션 실험에는 무자극 상태의 만삭(153개 샘플, 58명 환자 유래) 및 조산(14개 샘플, 5명 환자 유래) 샘플 총 177개만 사용되었습니다. 아래 그림과 같습니다:

CellOT+Stabl을 활용한 단일 세포 수준 디지털 트윈 시스템 구축을 통한 치료 효과 시뮬레이션

SIMCO의 핵심 설계 목표는 단순히 임산부의 조산 여부를 예측하는 것이 아니라, 특정 환자에게 개인 맞춤형 약물 개입을 가하여 궁극적으로 임상적 요구사항인 조산 예방을 달성하는 것입니다. 다시 말해, 약물이 최종 임상 결과를 변화시킬 수 있는지, 그리고 모든 환자에서 효과가 있는지 확인하는 것입니다. 이에 따라 연구팀은 SIMCO에 독창적인 설계 접근법을 적용하여, 단일 세포 면역 반응 시뮬레이션과 임상 결과 모델링을 결합하여 상기 요구사항을 충족시켰습니다. 구체적으로 세 단계로 나뉘며, 아래 그림과 같습니다:

1단계, SIMCO는 CellOT의 최적 수송(OT) 학습을 활용하여 고차원 단일 세포 교란 데이터셋을 학습하고, 단일 세포 해상도에서 약물 교란 후의 면역 반응을 인코딩합니다; 여기서 CellOT는 입력 볼록 신경망(Input convex neural network)을 기반으로 OT 학습을 구현하며, 4층의 완전 연결 은닉층으로 구성된 네트워크를 사용합니다. 이 네트워크의 장점은 이질적인 단일 세포 교란 응답을 높은 정확도로 예측할 수 있다는 점입니다. 본 연구에서는 연구진이 네트워크 구조를 미세 조정하여 4층의 병목 구조(128, 128, 64, 32)를 추가하고, 잠재 공간 차원을 50에서 42로 줄여 과적합을 방지했으며, 학습 주기를 50,000 에폭(epoch)으로 설정했습니다.

2단계, SIMCO는 학습된 단일 세포 교란 패턴을 별도의 독립적인 면역체학 데이터셋으로 전이합니다. 이 데이터셋은 기준선 샘플(무자극 또는 무처리)과 이에 연결된 해당 임상 결과만 포함합니다. 이후 이러한 기준선 샘플을 기반으로, SIMCO는 단일 세포가 교란(예: 체외 자극 또는 약물 치료)에 직면했을 때의 면역 반응을 시뮬레이션하여, 각 환자별로 후보 약물 적용 / 미적용에 대한 면역체학적 대조 디지털 트윈체를 생성합니다.

3단계, SIMCO는 희소 기계 학습 알고리즘인 Stabl을 활용하여 환자 학습셋과 시뮬레이션된 면역 데이터를 기반으로 임상 결과의 다변량 예측 모델을 구축합니다. 예약된 환자 테스트셋에서 SIMCO는 각 환자의 치료 적용 디지털 트윈체와 미적용 디지털 트윈체의 예측 결과를 비교합니다. 이 차이를 통해 약물의 임상 결과에 대한 영향을 정량화할 수 있으며, 이를 통해 SIMCO는 후보 약물의 면역 조절 잠재력을 모델링하고 맞춤형 치료 계획 수립을 지원합니다.

구체적인 컴퓨팅 리소스 설정과 관련하여, CellOT는 공식 Python 패키지 CellOT 0.1 버전을 사용하여 실행되었으며, 스탠퍼드 클라우드 플랫폼 Sherlock에 배포되어 학습되었습니다. 최대 메모리 요청량은 32 GB, 각 작업의 최대 실행 시간은 20시간, 각 작업당 최대 GPU 사용 수는 16개입니다. Stabl은 Python 패키지 Stabl 1w를 사용하여 실행되며, 기본 데이터 분석에는 시간 변동 보정, 데이터셋 정규화 등이 포함되며, Python 패키지 Scipy 1.10.4, scikit-learn 1.5.2, pandas 2.2.3, numpy 1.26.4에 의존합니다. 시각화에는 seaborn 0.13.2와 matplotlib 3.10.3을 사용했습니다.

세포 수준 디지털 트윈으로 향후 개인 맞춤형 조산 예방 기반 마련

연구는 먼저 SIMCO 단일 세포 교란 예측 모델의 성능을 검증했습니다. SIMCO는 세포 유형별로 개별적으로 학습되었습니다. DMSO 대조군(무처리 샘플)을 기반으로 세포의 자극 반응성을 학습했으며, 각 자극 조건에서도 마찬가지로 DMSO 대조군을 기반으로 약물 처리에 대한 반응성을 학습했습니다. 데이터셋 간 전이 모의실험 시 모델은 교란 데이터셋과 독립 데이터셋 간에 공통으로 존재하는 13개의 기능적 마커만을 사용하여 학습되었습니다. 평가 방법으로는 평균 절대 오차(MAE), 결정 계수(R²), 최대 평균 제곱 오차(MMD)의 세 가지 지표를 포함하는 4중 교차 검증 전략을 사용했습니다.

결과는 아래 그림과 같이 SIMCO가 모든 지표에서 모든 학습 기준선을 능가함을 보여주며, 이는 환자의 이질성을 정확하게 포착하고 정확한 개인별 교란 모델링을 수행할 수 있음을 나타냅니다. IL-2/4/6 자극 하에서 반응이 강한(arcsinh 차이 > 0.1) 마커를 비교하면, 모의 값과 실측 값의 분포가 일치하여 SIMCO 모델이 단일 세포 수준의 세포 이질성을 정확하게 표현할 수 있음을 입증했습니다. 더욱 주목할 만한 점은 모의 오차가 환자 간 신호 반응성의 차이와 매우 높은 상관관계가 있다는 것입니다(스피어만 계수 R=0.93). 개인별 신호 반응성이 가장 큰 경우에도 SIMCO는 개인 간 상대적 차이를 보존하며 개인별 차이를 균일화하지 않습니다.

이후 연구는 SIMCO가 치료의 분만 시기 영향에 대한 예측 성능을 검증했습니다. 연구는 먼저 무치료 단일 세포 디지털 트윈 데이터를 기반으로 희소 다변량 모델을 구축하여 분만까지의 시간을 정확하게 예측했습니다(피어슨 상관계수 R=0.64, 평균 제곱근 오차(RMSE)=24.1일, 그 중 만삭군은 24일, 조산군은 25.4일). 또한 분만 시간 예측을 샘플링 시점과 결합하여 예상 임신 기간을 추정한 후, SIMCO는 만삭과 조산의 디지털 트윈 모델을 정확하게 구분할 수 있었습니다(AUROC=0.75, 95% CI 0.59-0.88, AUPRC=0.29, 0.12-0.54). 아래 그림과 같습니다.

주목할 점은 CellOT 모의 특징을 추가했을 때, 무처리 데이터의 실제 특징만 사용한 경우보다 SIMCO의 예측 성능이 크게 향상되었다는 것입니다. 피어슨 상관계수는 0.34에서 0.61로, AUROC는 0.69에서 0.75로, AUPRC는 0.24에서 0.34로 향상되었습니다. 또한 독립 데이터셋의 완전한 실제 특징을 기반으로 구축한 다변량 모델과 비교해도 CellOT 모의 특징을 추가하면 안정적인 소폭의 성능 향상을 달성할 수 있었으며, 예를 들어 피어슨 상관계수는 0.79에서 0.82로 향상되었습니다.

이후 연구자들은 SIMCO를 통해 후보 약물 치료 여부에 따른 디지털 트윈의 예상 분만 시간 차이를 모의실험했으며, Maprotiline, THF, SALPZ는 전체적으로 예상 분만 시기를 지연시키는 것으로 나타났습니다. 반면 다른 후보 약물들은 임신 시간 창에 따라 양상적 효과를 보였습니다.

환자 치료의 누적 효과 측면에서 임신 기간 길이를 기준으로 비교했을 때, SIMCO 모의실험 결과에서 효과가 가장 강한 세 가지 약물은 THF(평균 24.7일, 사분위수 범위(IQR)=11.4-45.9), Maprotiline(평균 18.8일, IQR=8.6-27.5), SALPZ(평균 17.3일, IQR=11.4-33.8)였습니다. 물론 모든 환자가 실제 임상에서 특정 치료로부터 혜택을 받을 수 있는 것은 아니므로, 연구자들은 상기 세 가지 약물의 환자 간 이질성을 정량화했습니다. THF, SALPZ, Maprotiline 프로토콜의 혜택 수혜자 비율은 각각 90.5%, 87.3%, 82.5%였으며, SA를 단독으로 사용할 경우 임신 주수 연장을 달성한 환자는 46%에 불과했습니다.

또한 이 연구는 실험 내 블랙박스 메커니즘을 규명하여 자극 및 약물 작용 기전에 대한 통찰을 제공했다. 분만 시점 예측에 핵심적인 특징은 총 21개였으며, 상위 10개 특징 중 5개가 CD4⁺ T세포 신호 전달 경로 반응과 관련되어 있었다. 특히 주목할 점은 GM-CSF, TNF-α, PI 및 IFN-α에 대한 반응에서 pSTAT3 수준 감소가 임신 초기 시점과 상관관계가 있다는 것이다. 즉, 분만이 임박함에 따라 STAT3 활성화가 증가하는 반면, 호중구 내 pS6의 기저 수준 및 TNF-α에 의해 유도된 pS6 수준은 분만 직전 임신 말기에 감소했다. 반면, THF와 SALPZ는 초기 CD4⁺ T세포 내 pSTAT3 신호 전달을 지속해서 억제하고 호중구 내 pS6 반응을 강화함으로써, 임신 진행과 관련된 면역 특성을 상쇄시켰다. 전반적으로 THF와 SALPZ는 상위 10개 특징 중 7개에 유익한 영향을 미쳤다.

그러나 동시에, 연구는 일부 약물이 특정 면역 지표들을 임신 말기 및 분만 임박 특성의 방향으로 변화시키기도 한다는 사실을 발견했다. 예를 들어, THF와 SALPZ는 PI 자극 후 비대식세포(ncMCs) 내 pMK2 활성을 강하게 억제했으며, GM-CSF 자극 후에는 중간 단핵구(intMCs) 내 pCREB 활성을 억제했다. 이러한 특성들은 분만 직전에는 더 일찍 활성화되어야 한다. 반면 SIMCO는 치료용 디지털 트윈의 결과를 예측할 때, 단일한 '부정적 신호'만으로 약물이 조산을 유발한다고 판단하지 않는다. 대신 모든 세포, 자극 조건 및 신호 전달 경로에 걸친 다중 면역 조절 효과를 내재적으로 통합하여 순효과를 계산함으로써, 약물이 궁극적으로 임신 기간을 연장하는지 단축하는지를 체계적이고 정량적으로 평가한다.

결론

종합하자면, 전 세계적인 출산 과제인 조산에 직면하여 SIMCO 단일 세포 디지털 트윈 시스템은 새로운 접근 방식을 제시했다. 과거 임신 중 신약 개입에 대한 임상 시험은 윤리적, 비용적 제약으로 인해 후보 방안에 대한 대규모 사전 검증 수행이 어려웠다. SIMCO는 체외 실험과 계산적 가상 스크리닝을 결합한 새로운 접근 방식을 제공하여, 인체 시험에 진입하기 전에 후보 약물의 잠재력을 우선적으로 평가할 수 있게 한다. 이 단일 세포 도구는 약물이 모체 면역 상태 및 분만 시점을 조절하는 효과를 예측할 수 있으며, 향후 맞춤형 조산 예방 전략 설계에 참고 자료를 제공할 것으로 기대된다.

연구는 또한 SALPZ 병용 요법이 아스피린, 란소프라졸 단독 투여와 구별되는 고유한 면역 조절 특성을 갖추고 있으며, 그 효과는 단순한 합산이 아니라 약물 간 상호작용의 존재를 시사한다는 사실을 발견했다. SIMCO 프레임워크 자체와 시뮬레이션에서 잠재력을 보인 THF, SALPZ 등의 후보 방안들은 향후 조산 예방 메커니즘 연구 및 임상 시험에서 탐구할 가치가 있는 방향을 제시한다.