NK 세포 살상 행동을 위한 잠재 모델 BLINK

본 논문은 NK 세포가 종양 세포를 사멸시키는 동적 과정을 시간‑해상도 형광 현미경 영상으로 관찰하고, 이러한 복합 상호작용을 정량적으로 모델링하기 위해 BLINK(Behavioral Latent Modeling of NK Cell Cytotoxicity)라는 새로운 프레임워크를 제안한다. 기존 연구에서는 프레임별 사망 이벤트를 라벨링하는 수준에 머물러, NK 세포의 행동이 누적적으로 결과에 미치는 영향을 포착하지 못했다. 저자들은 이를 극복하기 위해 ‘세계 모델(world model)’ 개념을 차용, NK‑종양 상호작용을 부분 관측 가능한 마코프 결정 과정으로 정의하고, 잠재 상태‑공간을 학습해 누적 사망량을 예측하도록 설계하였다. BLINK의 핵심은 DreamerV2에서 영감을 받은 재귀적 상태‑공간 모델(RSSM)이다. 입력은 다채널 이미지(밝기, 종양 핵, NK 라벨, caspase 신호)와 NK 세포의 2D 이동 벡터(aₜ)이며, 이미지 인코더가 이를 압축해 결정적 상태 hₜ와 확률적 잠재 zₜ를 만든다. hₜ는 이전 상태와 행동을 통해 업데이트되고, zₜ는 현재 관측을 조건으로 후방 분포 q(zₜ|hₜ,xₜ)에서 샘플링된다. 사전 분포 p(ẑₜ|hₜ)와 KL 정규화는 잠재 공간의 일관성을 유지한다. 특히 사망 예측을 위해 ‘apoptosis increment head’를 sₜ에 연결, 두 층 MLP가 비음성 증가 λₜ를 출력한다. λₜ는 softplus 활성화로 보장되며, 누적 사망량 ỹₜ는 λₜ들의 합으로 정의돼 시간에 따라 단조성을 갖는다. 이는 NK 세포가 일단 사망을 유도하면 그 효과가 되돌릴 수 없다는 생물학적 특성을 모델에 직접 반영한다. 학습 손실은 세 부분의 가중합이다. (1) 재구성 손실 – 디코더 pθ( x̂ₜ|sₜ ) 로 관측 xₜ를 복원해 이미지 재구성을 유도한다. (2) KL 손실 – 후방 q와 사전 p 사이의 KL 발산을 최소화해 잠재 분포를 정규화한다. (3) 감독 손실 – Huber loss를 이용해 누적 사망량 ỹₜ와 실제 라벨 ˜yₜ 사이의 차이를 최소화한다. α=10, β=0 으로 설정해 감독 손실을 강조, 모델이 행동‑기반 잠재 동역학보다 사망 예측에 더 집중하도록 설계했다. 데이터는 NK 세포와 PC3/PSMA 종양 세포를 공동배양한 10시간 장시간 타임랩스 영상이며, 60 s 간격으로 4채널(밝기, 종양 핵, NK 라벨, caspase 기반 사망 신호)을 촬영했다. CellSAM 기반 세분화·트래킹을 통해 NK 중심 128×128 크롭을 추출하고, 2D 이동 벡터와 누적 사망 라벨을 부착했다. 최종적으로 571개의 트랙(훈련 485, 검증 29, 테스트 57)으로 약 25만 프레임을 확보했다. 평가에서는 (i) 프레임‑단위 AutoEncoder(FrameAE), (ii) GRU‑regress, (iii) GRU‑monotone, (iv) 행동 없이 RSSM 등 5가지 베이스라인과 비교했다. BLINK은 MAE 0.60±0.07, RMSE 0.81±0.08, Pearson 상관 0.77, ±1 결과 비율 80.7% 등 모든 정량 지표에서 최고 성능을 보였으며, 30프레임(≈30 분) 롤아웃 기반 미래 예측(F‑MAE30)에서도 가장 낮은 오류(0.05±0.01)를 기록했다. 이는 행동 입력과 잠재 동역학이 미래 사망 추정에 크게 기여함을 의미한다. 잠재 공간 시각화(t‑SNE·UMAP) 결과, NK 트랙이 3~4개의 행동 모드(예: 탐색, 접촉, 사망 유도)로 군집화되고, 시간에 따라 모드 전이가 순차적으로 일어나는 것을 확인했다. 이는 기존 NK‑종양 상호작용 단계(접근 → 접촉 → 사멸)와 일치한다. 한계점으로는 행동을 2D 이동만으로 단순화했으며, 세포 간 화학 신호·면역 시냅스 등 고차원 상호작용을 반영하지 못한다는 점, KL 가중치 β=0 으로 설정해 잠재 분포 정규화가 약화돼 과적합 위험이 존재한다는 점, 그리고 현재는 단일 종양 라인에만 적용했으므로 다른 종양 유형·환경에 대한 일반화 검증이 필요하다는 점을 들 수 있다. 향후 연구에서는 다중 행동(예: 세포 분열, NK 활성화 마커)과 멀티‑스케일(전체 현미경·세포 수준) 정보를 통합해 모델의 생물학적 해석력과 예측 정확도를 더욱 향상시킬 수 있을 것으로 기대한다.