배경

생명체의 기본 단위인 세포를 개별적으로 분석하는 단일세포 유전체 분석 기술은 생물학 연구의 패러다임을 바꾸었다. 특히 단일세포 RNA 시퀀싱(Single-cell RNA sequencing, scRNA-seq)으로 수많은 세포의 유전자 발현 정보가 매년 대량으로 쏟아져 나오는 상황이다. 그러나 이 거대한 데이터 더미를 온전히 통합하여 활용하기란 쉽지 않았다. 분석 기기나 연구 환경, 시약 종류에서 발생하는 기술적 오차인 배치 효과(batch effect)가 생물학적 신호를 왜곡하기 때문이다.

기존의 배치 보정 알고리즘은 사전에 정렬된 데이터셋 쌍에 의존해 작동하는 한계를 보였다. 새로운 연구 데이터가 추가될 때마다 기존 모델을 처음부터 다시 학습시키거나 대규모 미세 조정 과정을 거쳐야 해 분석 비용이 기하급수적으로 늘어났다.

종 간의 장벽 역시 해결하기 까다로운 난제로 꼽힌다. 인간과 실험용 마우스는 유전적 유사성이 높지만 유전자 서열과 발현 양상의 미묘한 차이로 인해 서로 다른 종의 세포 데이터를 단순 비교하기란 불가능에 가까웠다. 상동 유전자 정보를 일대일로 대조하는 기존의 접근법은 진화 과정에서 유실되거나 새로 생겨난 유전자를 반영하지 못해 정밀도가 떨어진다. 이러한 이유로 생물학계는 다양한 종과 연구실에서 생산된 데이터를 제한 없이 통합할 수 있는 범용 분석 도구의 개발을 고대해 왔다.

핵심 발견

스탠퍼드 대학교(Stanford University) 연구진이 개발한 유니버설 세포 임베딩(Universal Cell Embedding, UCE) 모델은 이러한 난제를 단숨에 해결했다. UCE는 인간을 포함한 8개 종의 단일세포 아틀라스 데이터 3600만 개를 사전 학습한 트랜스포머(Transformer) 기반의 세포 파운데이션 모델로 정의된다.

모델의 핵심 알고리즘은 단백질 언어 모델인 ESM-2로 각 유전자의 아미노산 서열을 벡터화하여 유전자 임베딩을 구성한 뒤, 이를 단일세포의 유전자 발현량 정보와 결합하는 방식이다. 유전자의 서열 자체를 주요 정보원으로 활용함으로써 UCE는 종의 경계를 뛰어넘는 보편적인 생물학적 표현법을 획득하게 되었다. 인간과 제브라피시처럼 진화적으로 거리가 먼 생물체라 할지라도 유사한 기능을 하는 세포라면 인공지능이 이를 동일한 고차원 잠재 공간에 배치한다.

연구진은 UCE의 성능을 확인하고자 사전 학습 데이터셋에 포함되지 않은 미지의 데이터셋을 분석하는 제로샷(zero-shot) 검증을 실시했다. UCE는 추가 학습이나 파인튜닝을 거치지 않고도 새로운 뇌 조직 세포 데이터의 배치 효과를 성공적으로 제거하며 세포 종류를 정확히 분류해 냈다. 이 과정에서 3600만 개의 세포를 아우르는 통합 메가스케일 아틀라스(Integrated Mega-scale Atlas, IMA)가 자연스럽게 구축되는 성과를 거두었다. 이는 서로 파편화되어 존재하던 수백 개의 독립적 연구 데이터를 하나의 거대한 세포 지도로 엮어낸 첫 사례다.

의미와 전망

UCE의 등장은 단일세포 생물학을 개별 실험 분석 중심에서 대형 언어 모델 기반의 범용 탐색 체계로 전환하는 계기가 될 것으로 보인다. 과학자들은 이제 자신들이 시퀀싱한 소규모 데이터셋을 UCE가 정의한 3600만 세포 지도에 즉각 매핑하여 비교 분석할 수 있는 능력을 얻었다. 연구 주기가 대폭 단축될 뿐만 아니라 데이터 공유와 통합 분석의 효율성이 극대화될 것이라는 분석이 나온다.

동물의 발생 과정이나 면역 세포의 분화 경로가 진화 역사 속에서 어떻게 보존되어 왔는지 종 간 비교 분석으로 구체적으로 규명할 길이 열린 셈이다. 다만 UCE가 완벽한 해결책은 아니라는 지적도 공존한다.

현재 UCE는 유전자 발현 정보 위주로 학습을 진행하여, 공간 전사체학(spatial transcriptomics)이나 단백질 수준의 다중오믹스(multi-omics) 데이터를 유기적으로 통합하는 능력이 아직 보완되어야 한다. 3600만 세포를 연산하기 위한 막대한 그래픽 처리장치(Graphics Processing Unit, GPU) 자원과 인프라 유지 비용도 연구계가 함께 풀어야 할 숙제다. 모델이 제시하는 세포 간 연결 고리가 실제 생체 내에서 작동하는지는 후속 실험적 검증이 뒷받침되어야 비로소 신뢰성을 얻는다.