베이징대학교, 기계학습 기반 다능성 줄기세포 분화 시스템 개발…효율적이고 안정적으로 기능세포 생산
내용을 한눈에 보기:20세기 이래로 줄기세포와 재생의학 기술은 국제 생물의학 분야의 주요 분야 중 하나였습니다. 오늘날 연구자들은 줄기세포를 특정 세포 유형으로 변환하는 방법을 연구하기 시작했습니다. 그러나 이 과정에서 줄기세포는 불규칙하게 성장하거나 자발적으로 여러 유형의 세포로 분화될 수 있습니다. 따라서 줄기세포의 성장과 분화를 어떻게 제어할 것인가는 연구자들이 직면한 과제 중 하나가 됩니다. 본 논문에서 베이징 대학의 조양(Zhao Yang) 연구팀을 포함한 연구진은 다능성 줄기세포의 분화 과정에 머신 러닝을 적용하여 상황을 효과적으로 개선하고 재생 의학에 새로운 방향을 제시하고자 시도했습니다.
키워드:다능성 줄기세포 이미지 분석 머신러닝
본 기사는 HyperAI WeChat 공개 플랫폼에 처음 게재되었습니다~
다능성 줄기세포(PSC)는 자기 재생 및 자기 복제 능력을 가진 일종의 다능성 세포입니다. 이들은 시험관 내에서 무한정 증식하고 다양한 세포 유형으로 분화할 수 있습니다.손상된 세포를 대체하고 손상된 조직 기능의 회복을 촉진함으로써 안구 질환, 심혈관 질환, 신경계 질환 치료에 새로운 희망이 생겼습니다.
그러나 현재의 다능성 줄기세포의 지향성 분화 과정은 세포주(line-to-line)와 배치(batch-to-batch) 간 분화가 불안정하다는 문제점이 있어 기능성 세포를 준비하는 데 많은 시간과 노력이 필요하며, 다능성 줄기세포 임상 응용 제품의 연구 개발 및 대량 생산에 심각한 방해가 됩니다.따라서 다능성 줄기세포의 분화 과정을 실시간으로 모니터링하는 것이 특히 중요합니다.
최근, 베이징 대학의 조양(Zhao Yang)과 장위(Zhang Yu) 연구팀이 베이징 교통 대학의 류이얀(Liu Yiyan) 연구팀과 공동으로 생체 세포의 명시야 동적 이미징과 머신 러닝을 기반으로 한 차별화 시스템을 개발했습니다. 이 시스템은 다능성 줄기세포의 분화 과정을 실시간으로 지능적으로 조절하고 최적화하여, 기능성 세포의 효율적이고 안정적인 생산을 실현할 수 있습니다.현재, 해당 연구 결과는 "PSC 분화 시스템의 변동성을 줄이기 위한 생세포 이미지 기반 머신 러닝 전략"이라는 제목으로 Cell Discovery 저널에 게재되었습니다.
연구 결과는 Cell Discovery 저널에 게재되었습니다.
서류 주소:
https://www.nature.com/articles/s41421-023-00543-1
실험 개요
현재, 현미경 기술로 세포 이미지를 촬영할 수 있으며, 머신 러닝 방법으로 세포 이미지를 분석할 수 있습니다.따라서 이 연구에서는 명시야 이미지에서 세포를 식별하고 분류하기 위해 기계 학습 알고리즘을 사용하여 세포의 계통이나 세포 구성을 확인했고, 이를 통해 연구자들이 세포의 구조와 기능을 더 잘 이해하는 데 도움이 되었습니다.
연구 결과를 통해 다능성 줄기세포의 심근세포(CM) 및 간, 신장 키메라 세포로의 분화 과정을 효과적으로 최적화하고 개선할 수 있다는 것이 입증되었습니다.전체 연구 방법과 과정은 다음과 같습니다.
그림 1: 머신 러닝 최적화 PSC-CM
에이:위의 그래프는 각 PSC 미분 과정에 변동성이 있음을 보여주고, 아래의 그래프는 위의 미분 과정에 머신 러닝을 적용하면 변동성이 효과적으로 줄어든다는 것을 보여줍니다.
비:소형 분자 조절제를 사용하여 정식 Wnt 신호 전달 경로를 조절하는 PSC에서 CM으로의 분화 과정입니다. 녹색 화살표는 첫 번째 단계에서 CHIR 조절의 지속 시간과 농도를 나타내고, 색깔이 있는 점은 머신 러닝 체크포인트를 나타냅니다.
기음:10일 동안의 지연 명시야 영상과 cTnT 형광 결과입니다.
디:전 과정에서 성공적으로 분화된 세포와 분화에 실패한 세포의 위치와 형태.
이자형:성공적으로 분화된 세포의 질감과 형태는 5일차부터 12일차까지 변합니다.
에프:분화 효율성의 라인 간 변동성.
g:다양한 세포 배치 간의 분화 변이성.
시간:다양한 CHIR 선량에 따른 차별화 이미지의 국소적 특징 변화.
실험 절차
실험 데이터 세트
연구진은 PSC에서 CM으로의 분화를 주요 사례로 삼고 Zeiss Cell Discover 7 생세포 전자동 이미징 플랫폼을 사용하여 분화 과정의 명시야 이미지를 실시간으로 촬영하고 전체 과정을 추적했습니다(위의 그림 1b 참조). 분화가 끝나면, 성공적으로 분화된 CM은 심근세포 특이적 마커인 cTnT를 이용한 형광 표지를 통해 식별되었습니다.이 과정에서 연구진은 이미지의 다양성을 높이기 위해 여러 변수(다른 PSC, 초기 세포 밀도, 분화 배지, 다른 CHIR 복용량)를 도입했고, 최종적으로 720만 개 이상의 이미지를 수집했습니다.
실험 결과
생세포 이미징 기술과 머신러닝을 결합하여이 실험은 다음의 네 가지 결과를 얻었습니다.
* 머신러닝을 통해 분화된 세포의 상태를 정확하게 파악하고 분화 효율을 추정할 수 있습니다.
연구진은 분화 과정의 여섯째 날, 결국 CM으로 분화된 세포, 즉 CPC(심장 전구 세포)가 방추형 모양을 보이기 시작한다는 것을 발견했습니다.따라서 그들은 약한 감독 모델을 사용하여 명시야 이미지에서 이러한 세포를 식별하고 이를 "이미지 인식 CPC(IR-CPC)"라고 명명했습니다.아래 그림 2에서 볼 수 있듯이, 연구진은 전체 세포에서 IR-CPC의 비율과 실제 분화 효율 사이의 상관관계가 88%라고 결론지었습니다.
그림 2: IR-CPC 비율과 실제 분화 효율 간의 상관 관계
동시에 연구진은 pix2pix 딥러닝 모델을 사용하여 CM 유도 단계(즉, 분화의 첫 번째 단계)의 명시야 이미지를 예측했습니다.아래 그림에서 보듯이 예측된 분화 효율과 실제 분화 효율의 상관관계는 93%이다.
그림 3: 예측된 분화 효율과 실제 분화 효율 간의 상관 관계
위의 실험은 머신 러닝이 분화의 다양한 단계에서 세포 상태를 식별하고 분화 결과에 대한 실시간 예측을 할 수 있음을 보여줍니다.
* 머신러닝을 통해 실시간으로 분화 시간과 유도 인자 농도를 예측할 수 있습니다.
연구진은 분화 과정 중 중배엽 단계(0~3일)에서 유도제 CHIR99021(CHIR)의 용량(농도 및 처리 시간)이 분화 효율에 더 큰 영향을 미친다는 것을 발견했습니다.그들은 분화 초기 단계(0~12시간)의 명시야 이미지에서 CHIR 관련 특징을 기반으로 로지스틱 회귀 모델을 구축하여 웰의 CHIR 농도(낮음, 보통, 높음)를 예측했습니다.아래 그림과 같이 CHIR 처리시간을 24시간으로 선택하였을 때, 여러 개의 작은 구멍이 있는 실험실 물품인 각 well의 농도를 판단하는 모델의 정확도는 93.1%에 도달합니다.
그림 4: 기공 내 CHIR 농도의 모델 예측
동시에 연구진은 다양한 CHIR 처리 시간(24시간, 36시간 또는 48시간)에 따른 모델의 예측 결과(즉, 편차 점수)를 비교하여 최적의 CHIR 처리 시간을 얻었습니다. 아래 그림 5와 같이,최적의 CHIR 치료 시간은 약 12시간(편차 점수가 가장 낮음)이었습니다. 또한, 그림 6에서 보는 바와 같이, 모델 예측 결과에 따라 CHIR 농도를 조절하여 분화 효율을 향상시킬 수 있다.
그림 5: 모델은 최적의 CHIR 처리 시간을 예측합니다.
그림 6: CHIR 농도 조정 유무에 따른 미분 결과
위의 실험은 기계 학습이 유도제의 복용량에 개입할 수 있음을 보여줍니다.
* 머신 러닝은 PSC 개시 차별화를 위한 최적 상태를 실시간으로 결정할 수 있습니다.
연구진은 적당한 CHIR 농도에서도 세포가 분화되지 않는다는 사실을 발견했으며, 이는 공간적으로 다양한 분화로 인해 발생한다고 제안했습니다.즉, 분화 0일차에 PSC 콜로니 가장자리에 있는 세포는 분화에 성공할 가능성이 더 높고, 반면 PSC 콜로니 중앙에 있는 세포는 분화에 실패할 가능성이 더 높습니다.
이에 연구진은 랜덤 포레스트를 기반으로 한 머신 러닝 모델을 구축하여 분화 성공률이 높은 시작 세포의 이미지 특징을 식별했습니다. 모델 결과는 중간 크기의 세포 면적과 더 길고 울퉁불퉁한 모서리를 가진 세포가 분화에 성공할 가능성이 더 높다는 것을 보여주었는데, 이는 실제 관찰 결과와 일치합니다.. 연구진은 이 모델을 바탕으로 초기 PSC 상태 예측과 실제 분화 효율 간의 상관관계가 76%라는 것을 발견했으며, 이는 아래 그림 7과 같습니다.
연구진은 이를 바탕으로 세포의 초기 형태를 인위적으로 개입해 변화시키기도 했습니다.분화 효율을 21.6% ± 2.7%에서 88.8% ± 10.5%로 효과적으로 증가시켰습니다.
그림 7: 세포 시작 상태 식별과 분화 효율 예측 간의 상관 관계
위의 결과는 머신 러닝이 PSC의 초기 상태에 대한 품질 관리를 수행할 수 있음을 보여줍니다.
* 머신 러닝은 소분자 화합물을 스크리닝하고 분화 안정성을 개선하는 데 도움이 될 수 있습니다.
연구진은 CHIR 농도가 분화에 영향을 미치는 중요한 요소 중 하나라는 것을 발견했으므로, 부적절한 CHIR 농도를 상쇄할 수 있는 새로운 화합물을 사용하기 위해 소분자 스크리닝을 시도했습니다. 아래 그림과 같이,연구진은 분화 과정 6일차의 명시야 생세포 이미지와 확립된 약한 감독 모델을 바탕으로 소분자 스크리닝 플랫폼을 구축하고 궁극적으로 3,000개가 넘는 소분자 중에서 화합물 BI-1347을 성공적으로 스크리닝했습니다.
그림 8: 소분자 화합물의 머신 러닝 스크리닝
위의 실험은 머신 러닝 모델을 기반으로 연구자들이 소분자 스크리닝 플랫폼을 구축하여 스크리닝 실험 주기를 단축하고 스크리닝 비용을 절감할 수 있음을 보여줍니다.또한, 이 기술을 통해 스크리닝된 소분자는 CHIR 투여량 범위를 넓혀 PSC 분화 과정의 전반적인 안정성을 향상시켰습니다.
마지막으로, 연구진은 적용 시나리오를 확대하기 위해 이번 연구 결과를 신장 전구 세포와 간세포의 분화 초기 단계에 적용하여 정확한 예측 결과도 얻었습니다.본 연구 결과는 다능성 줄기세포의 분화 과정에 대한 실시간 지침을 제공할 수 있다.
세포 치료: 생물의학의 새로운 길
세포치료는 많은 질병(암, 유전질환)에 좋은 치료효과가 있는 것으로 나타난 새로운 치료법입니다. 주요 치료 방법으로는 면역세포 치료와 줄기세포 치료가 있다.그 중 줄기세포는 다방향 분화, 면역 조절, 사이토카인 분비 등의 기능을 가지고 있어 이 분야의 핵심 연구 방향 중 하나가 되었습니다.
현재 우리나라의 세포치료법 개발은 비교적 짧은 편이지만, 미래 전망은 매우 밝습니다.한편, 데이터를 통해 판단할 때, 앞으로 10년은 이 분야가 급속한 성장을 이루는 시기가 될 수도 있습니다. 관련 데이터에 따르면, 우리나라 세포치료제 시장 규모는 2021년 13억 위안에서 2030년 584억 위안으로 성장할 것으로 추산되며, 연평균 성장률은 53%에 이를 것으로 예상됩니다. 다른 데이터에 따르면, 우리나라의 세포 및 유전자 치료 시장은 2025년에 25억 9천만 달러에 이를 것으로 예상되며, 연평균 276%의 성장률을 기록할 것으로 보입니다.
한편, 지방정부 역시 이 분야를 지원하고 장려하기 위해 관련 정책을 지속적으로 도입해 왔습니다.예를 들어, 베이징, 상하이, 톈진, 선전 등지에서는 세포 치료 산업을 적극적으로 발전시키고 있습니다. 상하이는 "세포 치료 기술 혁신 및 산업 발전 촉진을 위한 상하이 행동 계획(2022-2024)"을 발표하고, 2024년까지 상하이의 세포 치료 산업 규모를 100억 위안으로 확대하기 위해 노력할 것을 제안했습니다. 지난해 선전은 세포 치료 약물을 포함한 산업 클러스터의 고품질 발전을 지원하는 데 중점을 두고 바이오 제약 산업 발전을 지원하는 일련의 문건을 발표했습니다.
데이터 세트 및 코드 주소:
https://GitHub.com/zhaoyanglab/ML-for-psc-differentiation
참조 링크:
[1]https://www.thepaper.cn/newsDetail_forward_23417694
[2]http://www.cls.edu.cn/Research/Research_Achievements6067.shtml
[3]https://stcsm.sh.gov.cn/zwgk/ghjh/20221104/f7b02ab5db40439e8d93f15b9dd206da.html
[4]http://legacy.frostchina.com/wp-content/uploads/2021/11/20211116-2.pdf
-- 위에--