CTransformer: 3D 세포막 추적과 분자 정량화를 위한 딥 트랜스포머 파이프라인

초록

CTransformer는 단일 형광 채널(세포막)만으로 C. elegans 배아의 4D(3D + 시간) 세포 형태와 계통을 자동으로 재구성하고, 별도 채널의 분자 신호를 세포 내부와 세포·세포 접촉면에서 정량화한다. Transformer 기반 TUNETr와 m2nGAN을 결합해 550세포 단계까지 80% 이상의 정확도로 세포 형태를 추출하고, E‑cadherin(히머‑1)의 전방‑후방 구배와 계통별 패턴을 밝혀낸다.

상세 분석

본 논문은 살아있는 배아에서 다중 채널 형광 이미지를 최소화하면서도 고해상도 세포 형태와 계통 추적을 구현하는 새로운 딥러닝 파이프라인을 제시한다. 핵심은 두 개의 모듈로 구성된 CTransformer이다. 첫 번째 모듈인 TUNETr는 Swin‑UNETR 구조를 변형한 U‑shape Transformer로, 상대 위치 어텐션과 위상 제약 손실을 도입해 제한된 라벨 데이터에서도 강인한 3D voxel‑wise 세포막 분할을 수행한다. 특히 경계‑인식 반감독 학습과 합성 GT 데이터를 활용해 축방향 흐릿함과 고밀도 영역에서의 오류를 크게 감소시켰다. 두 번째 모듈인 m2nGAN은 세포막 분할 결과를 입력으로 가짜 핵 이미지(pseudo‑nuclei)를 생성한다. 생성된 가짜 핵은 기존 핵 기반 계통 추적 파이프라인과 동일하게 사용될 수 있어, 실제 핵 형광을 전혀 사용하지 않아도 550세포 단계까지 연속적인 계통 트리를 복원한다.

데이터셋은 34개의 압축 배아와 14개의 비압축 배아(총 16,922개의 3D + t 듀얼채널 이미지)로 구성되며, 정상 및 RNAi 처리 샘플을 포함한다. 이를 통해 TUNETr와 m2nGAN을 각각 6,279개와 2,339개의 셀 객체로 학습·평가하였다. 성능 평가는 Dice, IoU, AJI 등 9개의 기존 DNN 기반 방법과 비교했을 때, 전체 30,509개 셀 영역에서 평균 80% 이상의 정확도를 기록, 특히 550세포 이후의 고밀도 영역에서 기존 방법보다 현저히 낮은 오류율을 보였다.

분자 정량화 모듈(MolQuantifier)은 두 번째 형광 채널(예: HMR‑1/E‑cadherin)을 이용해 각 세포 내부와 세포·세포 접촉면에서의 신호 강도를 정량화한다. 이를 통해 저자들은 배아 전반에 걸친 E‑cadherin의 전후방 구배와 계통별 특이적 발현 패턴을 시각화했으며, 이러한 공간적 이질성이 세포 기계적 특성과 형태 변형에 미치는 영향을 정량적으로 제시하였다.

기술적 강점으로는 (1) 단일 채널만으로 세포 형태와 계통을 동시에 복원함으로써 광독성·광표백을 최소화, (2) Transformer 기반 어텐션으로 장거리 공간 관계를 효과적으로 포착, (3) 위상 제약 손실과 반감독 학습을 통한 라벨 부족 문제 해결, (4) GAN 기반 가짜 핵 생성으로 기존 핵 라벨링 파이프라인과의 호환성 확보가 있다. 한계점으로는 (a) 매우 늦은 단계(>800세포)에서의 세포 경계 불확실성, (b) GAN 생성 이미지의 품질이 원본 핵 이미지와 완전히 일치하지 않을 가능성, (c) 현재는 C. elegans에 최적화돼 있어 다른 종에 적용하려면 추가적인 도메인 적응이 필요하다는 점을 들 수 있다. 전반적으로 CTransformer는 고밀도 배아 이미지 분석에 필요한 정확도와 효율성을 동시에 만족시키는 혁신적인 프레임워크이며, 향후 다중 종 및 다중 분자 정량화 연구에 널리 활용될 잠재력을 가진다.