새로운 AI 도구 4종, 세포막과 단백질 지도 작성을 자동화하다

여러 연구팀이 올해 각자 독립적으로, 오랫동안 느리고 수작업이 필요했던 작업, 즉 3차원 영상 속 세포막, 단백질, 기타 구조물을 식별하고 윤곽을 그리는 작업을 자동화하는 계산 도구를 개발했습니다. 쓰쿠바 대학(University of Tsukuba)의 연구자들은 DeMemSeg라는 딥러닝(deep learning) 파이프라인을 구축했는데, 이는 출아형 효모가 포자를 형성하는 과정인 포자형성(sporulation) 동안 형성되는 막 구조인 전포자막(prospore membrane)을 분할합니다. 연구팀은 DeMemSeg의 정확도가 전문가의 수동 분석과 통계적으로 유사한 수준이며, 훈련 데이터에 포함되지 않았던 비정상적 막 형태를 가진 돌연변이 세포에서도 작동했다고 보고합니다.

별도의 연구팀은 개별 세포와 핵을 3차원에서 직접 분할하는 도구 모음인 CellSeg3D를 개발했으며, 이는 eLife의 심사된 preprint(아직 최종 출판되지 않은 논문)에 기술되어 있습니다. 이 도구는 광시트 현미경(light-sheet microscope, 시료 손상을 최소화하면서 큰 3차원 조직 부피를 촬영하는 영상 기법)으로 촬영한 마우스 전체 뇌 영상에서 테스트되었습니다. 연구자들은 마우스 신피질 내 이러한 유형의 뉴런에 대해 이런 종류로는 최초의 사람이 직접 주석을 단 3차원 데이터셋을 만들었으며, 이는 2,632개의 뉴런을 포함합니다. 이는 이러한 방법들을 벤치마킹할 3차원 라벨링 데이터셋이 이전에는 존재하지 않았기 때문입니다.

나머지 두 도구는 다른 대상을 다룹니다. MetaMP는 네 개의 개별 막단백질 데이터베이스를 통합하고 기계학습을 적용해 구조를 분류하고 데이터 문제를 탐지하는 웹 애플리케이션으로, 로버트 코흐 연구소(Robert Koch Institute)와 마르부르크 대학(University of Marburg) 소속 연구자들을 포함한 연구진에 의해 개발되었습니다. 그리고 전자단층촬영(electron tomography, 세포의 3차원 부피를 거의 분자 수준의 해상도로 재구성하는 기법)을 위해 개발된 3차원 영상 필터는 사람이 설정값을 조정할 필요 없이 잡음이 많은 세포 영상 속 거대분자 구조의 가장자리를 자동으로 탐지합니다.

DeMemSeg는 딥러닝에 기반한 AI 주도 파이프라인으로 설명되며, 출처 자료에는 그 이상의 내부 구조에 대한 세부 사항은 나와 있지 않습니다. 첫 단계는 영상 속 개별 세포를 식별하는 단일 세포 분할이며, 연구자들은 이를 모델 훈련과 이후 대규모 분석 실행 모두에 있어 핵심적인 토대라고 설명합니다.

CellSeg3D는 다른 접근을 취하는데, 여러 방법을 나란히 비교합니다. 기존 방법인 Cellpose와 StarDist 두 가지는 각 픽셀을 객체 중심 쪽으로 끌어당기는 흐름 벡터를 예측하거나, 각 픽셀에서 그것이 속한 객체 경계까지의 거리를 예측하는 방식으로 작동합니다. CellSeg3D 팀은 또한 트랜스포머 기반 네트워크인 SwinUNetR과 합성곱 신경망인 SegResNet이라는 두 개의 다른 모델을 훈련시켰고, 둘 다 Cellpose 및 StarDist와 비슷한 성능을 보인다는 것을 발견했습니다. 이후 그들은 사람이 라벨링한 예시가 전혀 필요 없는 자기지도학습(self-supervised) 모델인 WNet3D를 만들었습니다. 이 모델은 세포의 형태와 경계가 국소 대비나 공간적 일관성처럼 원본 3차원 영상에 이미 존재하는 패턴만으로 추론될 수 있다는 가정에서 출발합니다.

전자단층촬영 필터는 3차원 영상의 부피 단위인 복셀(voxel) 각각에 대해, 그것이 잡음이 아니라 실제 가장자리에 위치할 가능성을 점수화하는 방식으로 작동합니다. 이 필터는 각 복셀의 밝기를 이웃 복셀과 비교해 0에서 1 사이의 점수를 산출하는데, 0에 가까운 점수는 가장자리일 가능성이 높음을, 1에 가까운 점수는 잡음일 가능성이 높음을 나타냅니다. 이후 점수는 먼 복셀보다 가까운 복셀에 더 큰 가중치를 두어 평균됩니다. 최종적으로 복셀은 0.85라는 기준값을 사용해 가장자리인지 아닌지로 분류되는데, 이 값은 사용자가 수동으로 조정한 것이 아니라 반복적인 테스트를 통해 연구자들이 도달한 값이며, 바로 이 점이 이 필터를 매개변수 조정이 필요 없는(parameter-free) 도구로 만듭니다.

전자단층촬영 필터는 2픽셀만큼 좁은 가장자리도 탐지했으며, 평균 배경 잡음보다 단 0.72% 높은 신호도 골라냈습니다. 그 성능은 기존의 두 필터인 3차원 재귀 필터(3D recursive filter)와 Canny 필터에 필적하거나 그보다 우수한 것으로 나타났으며, 수동 매개변수 조정이 전혀 필요하지 않았습니다. CellSeg3D의 WNet3D 모델은 훈련 중 사람이 라벨링한 데이터를 전혀 사용하지 않았음에도 완전지도학습 모델들과 동등하거나 더 나은 성능을 보였으며, 특히 훈련 데이터가 소량만 있을 때 그러했습니다. DeMemSeg의 분할 정확도는 전문가의 수동 분석과 통계적으로 유사한 수준이었고, 훈련 세트에 전혀 등장한 적 없는 돌연변이 효모 세포의 불규칙한 막 형태도 정확히 탐지하고 정량화했습니다.

MetaMP는 개발자들이 통계에 초점을 맞춘 검증이라고 설명하는 방식으로 테스트되었습니다. 이 도구는 통합하는 네 개 데이터베이스 전반에서 마주친 데이터 불일치의 77%를 해결했고, 새로 확인된 막단백질의 분류를 98%의 비율로 정확히 예측했는데, 연구자들은 이 비율이 해당 테스트에서 전문가의 큐레이션을 능가했다고 말합니다. 이 애플리케이션은 또한 네 개의 원천 데이터베이스인 MPstruc, Protein Data Bank, OPM, UniProt 전체 3,795개 항목 중 3,569개의 막단백질 구조 항목을 통합하여, 이전에는 네 데이터베이스 사이에 공백과 불일치가 있던 자리에 연구자들이 사용할 수 있는 하나의 통합 자원을 제공합니다.

각 결과에는 저마다의 단서가 붙어 있습니다. DeMemSeg의 결과는 출아형 효모의 전포자막이라는 단일 모델 시스템 연구에서 나온 것이며, 연구자들은 이 작업을 기반 기술로 설명하면서, 유사한 막 이상을 수반하는 인간 질병 기전과의 관련성은 입증된 것이 아니라 향후 가능한 방향이라고 말합니다. CellSeg3D의 자기지도학습 접근법은 트레이드오프가 있는 것으로 제시됩니다. 조직 투명화(tissue clearing)나 광시트 영상 촬영으로 인한 인공물(artifact)의 영향을 받은 영상은 지나치게 크거나 작게 검출된 입자를 제거하기 위한 추가 필터링 단계가 필요할 수 있으며, eLife에 게시된 것은 최종 동료심사를 거친 출판물이 아니라 심사된 preprint입니다.

MetaMP의 검증 수치는 논문이 통계에 초점을 맞춘 검증이라고 부르는 것에서 나온 것이며, 이 도구는 아직 버전 관리 하에 있는 초기 배포판으로 설명되어 있어, 앞으로 개발이 진행됨에 따라 변경될 수 있습니다. 전자단층촬영 필터의 0.85라는 문턱값은 테스트에서 반복적으로 최선의 결과를 냈기 때문에 선택된 것이지만, 논문은 이 값이 모든 가능한 영상 촬영 조건에서 유지될 것이라고 주장하지는 않으며, 그 출력은 그 자체로 완결된 분석이라기보다는 서브단층상 평균화(sub-tomogram averaging) 같은 이후 하위 분석 단계에 대한 입력값으로 의도된 것입니다.