배경: 응집체가 생기기 전의 변화를 읽다

토양 세균 믹소코쿠스 잔투스(Myxococcus xanthus)의 초기 군집 영상에는 이후 응집 여부를 예측할 단서가 담겨 있었다. 미국국립과학원회보(PNAS)에 발표된 연구는 딥러닝으로 현미경 영상의 미세한 공간 패턴을 정량화하고, 눈에 띄는 응집체가 나타나기 전부터 발달 결과와 연관된 정보를 추출했다.

이 세균은 영양이 고갈되면 세포들이 모여 자실체를 형성하는 다세포 발달 과정을 시작한다. 기존에도 응집체의 구조와 형성 시점을 정량화했지만, 응집 이전의 세포 흐름이나 경계가 불분명한 미성숙 응집체, 아예 응집하지 않는 돌연변이체까지 같은 기준으로 비교하기는 어려웠다. 균주마다 변화가 나타나는 시점도 달랐던 만큼, 특정 시점의 모습보다 전체 발달 궤적을 비교하는 접근이 연구의 출발점이었다.

핵심 발견: 군집 영상을 13차원 특징으로 압축하다

연구팀은 유전적으로 구별되는 292개 균주의 명시야 연속촬영 영상 937개를 확보했다. 촬영은 영양 고갈 시작 후 15분 이내에 시작해 24시간 동안 1분 간격으로 진행했다. 분석 단위는 개별 세포의 이동 궤적이 아닌 군집의 영상 패턴이다.

모델은 영상 특징을 추출하는 잔차 신경망(ResNet)과 영상 생성 모델인 스타일갠2(StyleGAN2)를 변이형 오토인코더(VAE)에 결합한 구조다. 여기에 두 영상의 표현형 유사성을 학습하는 샴 네트워크(Siamese network)를 함께 훈련했다. 각 영상은 13차원 특징 벡터로 압축되며, 시간에 따른 벡터의 변화가 발달 궤적을 나타낸다. 학습된 특징은 응집체 면적·개수와도 연관성을 보였다.

이 특징으로 서로 다른 운동성 결함을 구별할 수 있을까. 연구팀은 서포트 벡터 머신(SVM) 분류기로 A 운동성 결함 집단과 S 운동성 결함 집단을 구분했다. 균주 단위로 나눈 3분할 교차검증에서 최초 관찰 영상의 수신자 조작 특성 곡선 아래 면적(ROC-AUC)은 0.91 ± 0.06이었다. 이는 두 결함 집단의 구분 성능을 나타내며, 모든 유전자 변이를 식별한다는 뜻은 아니다.

야생형 영상 352개에서는 220개가 24시간까지 눈에 보이는 응집체를 형성했고, 132개는 형성하지 않았다. 실험 반복 단위로 나눈 3분할 교차검증 결과, 최초 관찰 영상만으로 이후 응집 여부를 구분한 ROC-AUC는 0.82 ± 0.04로 나타났다. 두 분석의 수치는 평균과 95% 신뢰구간으로 보고됐다. ROC-AUC는 집단을 구분하는 성능 지표로, 정답률과는 다르다.

의미와 전망: 초기 패턴의 예측력과 남은 질문

초기 특징으로 재구성한 영상에서는 국소적인 세포 밀도와 배열의 미세한 차이가 드러났다. 연구진은 이를 후속 발달과 연관된 초기 정보로 해석했지만, 해당 패턴이 응집을 직접 유도하는지, 기존 세포 상태나 환경 차이를 반영하는 표지자인지는 미해결 과제로 남겼다.

야생형의 응집 결과는 같은 날 같은 한천 배치와 배양 원액을 사용한 실험끼리 비슷한 경향을 보였다. 어떤 조건이 차이를 만들었는지는 밝혀지지 않았으므로, 초기 패턴을 발달 운명의 인과적 결정 기전으로 단정하기 어렵다. 잠재 특징을 바꿔 생성 영상의 형태를 변화시킨 결과도 실제 유전자 조작으로 원하는 군집을 설계했다는 증거가 될 수는 없다.

이 방법은 돌연변이체의 발달 궤적을 비교하고 육안으로 놓치기 쉬운 이상 표현형을 찾는 연구 도구로 활용될 가능성이 있다. 다른 생물막이나 조직 영상으로의 확장에는 대상별 검증이 뒤따라야 한다. 연구 방법과 결과는 PNAS 논문 공개 본문에서 확인할 수 있다.