정적인 이미지로 세포 움직임 예측: 형태가 말한다

초록

이 논문은 Cellular Potts Model 로 생성한 정적 스냅샷에서 추출한 개별 세포 형태 특징만을 이용해, 고활동성(활성) 세포와 저활동성(수동) 세포를 구분하는 머신러닝 모델을 개발하였다. 수동 세포가 완전히 비활동적일 때는 단순한 로컬 형태 특징만으로도 높은 정확도를 달성했으며, 수동 세포도 약간의 움직임을 가질 경우에는 비선형 다층 퍼셉트론이 활성 세포 비율이 낮고 활성이 크게 차이날 때 좋은 성능을 보였다.

상세 분석

본 연구는 세포 집단 내 이질적인 움직임을 정적 이미지만으로 추론한다는 목표 아래, 두 단계의 시뮬레이션 시나리오를 설계하였다. 첫 번째 시나리오에서는 수동 세포의 활성 파라미터 κₚ를 0으로 설정하고, 활성 세포는 κₐ=1500이라는 강한 구동력을 부여하였다. 이 경우 활성 세포는 주변 수동 세포들을 물리적으로 변형시키며, 그 결과 세포 경계가 비대칭적이고 타원형에 가까운 형태 변이를 보인다. 두 번째 시나리오에서는 κₚ>0이지만 κₐ≫κₚ인 경우를 고려했으며, 이는 실제 조직에서 관찰되는 ‘부분 EMT’와 유사한 동적 이질성을 모사한다.

시뮬레이션은 300×300 격자 위에 144개의 세포를 배치하고, 활성 세포 수 Nₐ를 0~60 사이에서 변동시켰다. 각 세포는 목표 면적 Aₜ=625 픽셀, 주변 접착 강도 J=5.0, 면적·주변 길이 제약 λₐ=1.0, λₚ=1.0을 갖는다. 활성화 항 H_active=−κₐ p̂·R̂는 방향성 퍼시스턴스 p̂를 매 MCS마다 작은 각도(±π/36)로 무작위 회전시켜 구현하였다. 이러한 설정은 세포가 실제로는 무작위 방향 전환을 하면서도 평균적으로는 지정된 구동력 방향으로 이동하도록 만든다.

정적 스냅샷으로부터는 총 145개의 피처를 추출했으며, 이는 크게 네 범주(로컬 형태, 비로컬 형태, 로컬 구조, 비로컬 구조)로 구분된다. 로컬 형태 피처에는 세포 면적, 주변 길이, 장축·단축 반지름, 타원 적합을 통한 이심률, 이웃 세포 수 등이 포함된다. 비로컬 형태 피처는 이웃 세포들의 평균·최대·최소 형태 지표를 의미한다. 구조 피처는 중심 질량 간 거리의 2차원 보론 순서 파라미터 ψₙ (n=2…12)와 거리의 1차·2차 모멘트, 표준편차 등을 포함한다.

머신러닝 모델은 Scikit‑learn 구현의 다층 퍼셉트론(MLP)으로, 입력 차원과 동일한 수의 은닉 노드를 가진 단일 은닉층을 사용하고, 가중치 최적화는 ADAM 알고리즘으로 수행하였다. 데이터는 활성·수동 세포를 균등하게 샘플링해 80%를 학습, 20%를 테스트에 할당했으며, 20개의 독립 모델을 평균해 최종 정확도를 산출했다. 불균형 데이터가 존재할 경우 무작위로 수동 세포를 서브샘플링해 균형을 맞추었다.

결과는 두 가지 주요 패턴을 보여준다. 첫 번째, κₚ=0인 경우 로컬 형태 피처만으로도 95% 이상(특히 Nₐ가 5~10% 수준일 때) 정확도를 달성했다. 이는 활성 세포가 주변 수동 세포를 물리적으로 압축·팽창시켜 형태 변이를 일으키기 때문에, 형태 자체가 움직임의 강력한 프록시가 됨을 의미한다. 두 번째, κₚ>0인 경우에도 MLP가 높은 정확도를 유지했지만, 정확도는 Nₐ와 κₐ/κₚ 비율에 민감했다. 활성 세포 비율이 낮고 κₐ/κₚ 비가 5배 이상일 때(예: κₐ=1500, κₚ=150) 정확도가 90%에 근접했으며, 비활성 세포가 약간 움직이면서 형태 차이가 희미해지면 정확도는 급격히 감소했다. 비로컬 피처를 추가하면 약간의 성능 향상이 있었지만, 로컬 형태 피처가 여전히 주된 구분 요인으로 남았다.

추가 실험에서는 Gradient Boosting Decision Tree와 선형 회귀를 비교했으며, 비선형 모델(MLP, GBDT)이 선형 회귀보다 현저히 우수함을 확인했다. 이는 세포 형태와 움직임 사이의 관계가 복합적이고 비선형적임을 시사한다.

이 연구는 두 가지 중요한 함의를 제공한다. 첫째, 정적 이미지에서 추출한 단일 세포 형태 정보만으로도 개별 세포의 동적 특성을 높은 신뢰도로 추정할 수 있음을 입증했다. 둘째, 물리 기반 시뮬레이션(Cellular Potts Model)과 데이터‑드리븐 분석을 결합함으로써, 실제 조직 슬라이드에서의 형태‑동역학 연결 고리를 탐색할 수 있는 프레임워크를 제시한다. 향후 실험적 검증과 다양한 조직 유형에 대한 일반화 연구가 필요하지만, 현재 결과는 병리학적 이미지에서 암 전이 가능성이나 염증성 질환의 세포 활성도를 비침습적으로 평가할 수 있는 가능성을 열어준다.