희소 데이터로 방광암 복합 치료 모델 파라미터 동역학 학습

초록

본 논문은 제한된 종양 부피 측정 데이터와 일부 조직학·유세포 분석을 활용해, 물리‑정보 신경망(PINN)으로 암세포, T세포, MDSC, 그리고 약물(GEM)의 상호작용을 기술하는 ODE 모델의 시간 가변 파라미터를 추정한다. 특히 MDSC가 T세포를 억제하는 계수 s_MT를 비지도 방식으로 학습하고, 학습된 파라미터와 상태 변수를 이용해 관측되지 않은 시점의 세포 아형 동역학을 재구성한다. 실험 결과는 기존 생물학적 해석과 일치함을 보여, 희소 데이터 환경에서도 동적 상호작용을 정량화할 수 있음을 입증한다.

상세 분석

이 연구는 방광암 마우스 모델에서 gemcitabine(GEM)과 OT‑1 T세포 치료를 병행한 실험 데이터를 기반으로, 네 개의 상태 변수(C, T, M, G)와 다수의 고정 파라미터, 그리고 외부 자극에 의해 변할 것으로 가정된 시간 가변 파라미터 s_MT를 포함하는 비선형 ODE 시스템을 제시한다. 기존 방법은 고정 파라미터를 전제로 하여 치료 효과의 시점별 변화를 포착하지 못했지만, 저자들은 물리‑정보 신경망(PINN)을 활용해 파라미터 자체를 함수 Λ_NN(t)로 학습한다. PINN 구조는 두 개의 신경망으로 구성되는데, 하나는 상태 변수 u_NN(t)를, 다른 하나는 시간 가변 파라미터 Λ_NN(t)를 근사한다. 입력은 스플라인 보간을 통해 생성된 밀집 시간 격자이며, 활성화 함수로는 은닉층에 SiLU, 출력에 비음수 보장을 위해 Softplus를 사용한다. 손실 함수는 ODE 잔차(L_r), 관측 데이터와의 차이(L_d), 초기 조건(L_IC), 그리고 생물학적 제약(L_bc) 네 부분의 가중합으로 정의되며, 가중치는 다중 과제 학습 기법을 통해 자동 조정된다. 자동 미분을 이용해 d u_NN/dt를 정확히 계산함으로써 물리적 일관성을 유지한다. 학습 과정은 20 000 epoch, Adam 옵티마이저, PyTorch 구현으로 수행되며, u_NN은 3개의 은닉층·100 뉴런, Λ_NN은 2개의 은닉층·200 뉴런으로 설계되었다. 결과적으로 PINN은 관측된 총 종양 부피(=C+T+M)와 일치하도록 각 아형의 시간 궤적을 복원하고, GEM 투여 직후 MDSC 감소와 T세포 활성화, 이후 종양 세포 감소를 정량적으로 설명한다. 특히 s_MT는 치료 전후에 급격히 변하는 패턴을 보이며, 이는 GEM에 의한 MDSC 억제와 OT‑1 T세포 주입에 따른 면역 활성화가 복합적으로 작용함을 시사한다. 불확실성 추정을 위해 10번의 독립 실행을 수행해 신뢰구간을 제시했으며, 이는 모델의 안정성과 데이터 희소성에 대한 강인성을 뒷받침한다. 전반적으로 이 접근법은 (1) 희소하고 불규칙한 임상·전임상 데이터에서 시간 가변 파라미터를 추정할 수 있음, (2) 생물학적 제약을 손실에 통합해 물리적·생물학적 타당성을 동시에 확보함, (3) 기존 ODE 기반 암 모델링에 머신러닝 기반 파라미터 추정 프레임워크를 성공적으로 접목시켰다는 점에서 의미가 크다.