현미경 영상 기반 암세포 생존력 분석 및 표현형 추출 기술의 혁신
http://dx.doi.org/10.9718/JBER.2023.44.3.176
현대 의학의 흐름이 보편적 치료에서 개인별 맞춤 치료(Personalized Medicine)로 급격히 변화하고 있습니다. 동일한 종류와 기수의 암이라 할지라도 환자의 유전적 고유 변이에 따라 약물 반응성과 부작용이 천차만별이기 때문입니다. 이러한 정밀 의료를 실현하기 위해서는 환자 유래 세포 수준에서의 정확한 약물 효능 검증이 필수적입니다.
본 칼럼에서는 삼성서울병원 연구센터의 데이터를 바탕으로 수행된 최신 연구를 통해, 현미경 영상 분석과 컴퓨팅 기술을 활용한 암세포 표현형 추출 및 생존력 예측 방법론을 심도 있게 살펴보겠습니다.
1. HTS에서 HCS로: 세포 분석의 패러다임 변화
기존의 약물 반응성 측정은 HTS(High Throughput Screening) 방식이 주를 이루었습니다. 이는 방대한 데이터를 빠르게 처리하는 데 중점을 두어 단순히 세포 개수 정보만을 획득하는 간소화된 방법이라는 한계가 있었습니다.
이를 보완하기 위해 등장한 것이 HCS(High-Content Screening)입니다. HCS는 높은 공간 해상도의 대용량 현미경 영상을 통해 세포 개수뿐만 아니라 개별 세포의 유전자와 환경 영향에 따른 복잡한 세포 표현형(Phenotype) 정보를 정량적으로 분석할 수 있게 해줍니다.
2. 고정밀 세포 영상 처리를 위한 전처리 공정
정확한 분석을 위해서는 획득된 원본 영상의 품질을 높이는 과정이 선행되어야 합니다.
2.1 영상 스티칭 (Image Stitching)
고배율 렌즈를 사용할 경우 FOV(Field Of View)의 한계로 인해 하나의 웰(Well) 플레이트를 여러 장의 필드로 나누어 촬영하게 됩니다. 본 연구에서는 15장의 필드 영상을 NCC(Normalized Cross-Correlation)와 삼각 임계값 알고리즘을 사용하여 정밀하게 하나의 영상으로 결합하였습니다.
2.2 영상 밝기 및 대비 개선 (Image Enhancement)
현미경 영상은 조명의 위치에 따라 밝기가 불균일하게 나타나는 특성이 있습니다. 이를 히스토그램 정규화를 통해 보정함으로써 배경과 세포핵 영역의 구분을 용이하게 만들었습니다.
3. 시각 자료 분석: 영상 처리 및 세분화 결과
다음은 본 연구에서 제안된 영상 분석 파이프라인의 주요 시각 자료입니다.
[그림 1] 영상 스티칭과 개선 결과
(a)
는 15장의 분할된 필드 영상을 하나로 합친 결과이며, (b)는 조명 불균형을 해소하고 대비를 높여 세포핵의 시인성을 극대화한 모습입니다.
[그림 2] 영상 분할 결과
(a) 원본 영상에서 암세포가 응집된 모습, (b) 일반 문턱치 적용 시 세포가 뭉쳐서 인식됨, (c) SLIC 슈퍼픽셀 알고리즘 적용 시 응집된 세포들이 개별 단위로 정확히 분할됨을 확인할 수 있습니다.
4. 특징 추출 및 핵심 표현형 선별
연구팀은 분할된 개별 세포핵으로부터 총 242종류의 방대한 특징(Feature)을 추출하였습니다.
[표 1] 추출된 특징 정보 요약
|
특징 카테고리
(Characteristic) |
특징 수 (Number
of features) |
|
영상 내 세포핵 개수 (Count) |
1 |
|
세포핵 영역 형태 (Shape) |
141 |
|
세포핵 강도 (Intensity) |
45 |
|
세포핵 위치 (Location) |
24 |
|
임계값 관련 특징 (Threshold) |
4 |
|
보로노이 기반 이웃 세포핵 특징 |
6 |
|
기타 이웃 세포핵 특징 |
21 |
이러한 수많은 특징 중 암세포의 생존력과 실제 관련이 있는 핵심 요소를 찾기 위해 ReliefF 알고리즘이 적용되었습니다. 분석 결과, 단순한 세포 개수 변화보다 이웃 세포와의 거리, 각도, 응집 패턴과 같은 특징들이 약물 반응 예측에 더 중요한 가중치를 가지는 것으로 나타났습니다.
5. 실험 데이터 및 통계적 분석
[그림 3] 특징 군집화 결과
색상 히트맵과 덴드로그램을 통해 242종의 특징 간 상관관계를 가시화하였습니다. 약물 처리 여부에 따라 뚜렷한 차이를 보이는 특정 군집을 확인할 수 있습니다.
[표 2] 선별된 상위 10개 핵심 특징
|
순위 |
주요 특징
(Features) |
가중치 (Weight) |
|
1 |
Median_Neighbors_Second
Closest Object Number |
0.56255 |
|
2 |
Median_Neighbors_First
Closest Object Number |
0.56179 |
|
5 |
Count (세포 개수) |
0.56151 |
|
10 |
Median_Neighbors_Angle
Between Neighbors |
0.41658 |
6. 결론 및 향후 전망
본 연구는 뇌종양(교모세포종) 세포를 대상으로 고정밀 영상 분석을 수행하여, 약물 반응에 따른 세포 생존력을 정량적으로 예측할 수 있는 기반을 마련하였습니다18181818. 특히 응집된 세포를 효과적으로 분리하는 슈퍼픽셀 기반 분할과 ReliefF 기반 특징 선별은 기존 분석법의 한계를 뛰어넘는 성과입니다.
향후에는 세포핵뿐만 아니라 세포막 염색 영상 분석, 그리고 딥러닝 기술과의 결합을 통해 더욱 복잡한 데이터 분석이 가능해질 것으로 기대됩니다.
References
[1] S. Connor, "Glaxo
chief: Our drugs do not work on most patients," The Independent,
vol. 8, pp. 1-2, 2003.
[2] V. Fetz, H. Prochnow, M.
Brönstrup, and F. Sasse, "Target identification by image analysis," Natural
Product Reports, vol. 33, no. 5, pp. 655-667, 2016.
[3] S. Singh, A. E. Carpenter,
and A. Genovesio, "Increasing the content of high-content screening an
overview," Journal of Biomolecular Screening, vol. 19, no. 5, pp.
640-650, 2014.
[4] P. Liberali, B. Snijder,
and L. Pelkmans, "Single-cell and multivariate approaches in genetic
perturbation screens," Nature Reviews Genetics, vol. 16, no. 1, pp.
18-32, 2015.
[5] J. H. Seo, S. Yang, M. S.
Kang, N. G. Her, D. H. Nam, J. H. Choi, and M. H. Kim, "Automated
stitching of microscope images of fluorescence in cells with minimal
overlap," Micron, vol. 126, p. 102718, 2019.
[6] R. Achanta, A. Shaji, K.
Smith, A. Lucchi, P. Fua, and S. Süsstrunk, "SLIC superpixels compared to
state-of-the-art superpixel methods," IEEE Transactions on Pattern
Analysis and Machine Intelligence, vol. 34, no. 11, pp. 2274-2282, 2012.
[7] R. J. Urbanowicz, M. Meeker, W. La Cava, R. S. Olson, and J. H. Moore, "Relief-based feature selection: Introduction and review," Journal of Biomedical Informatics, vol. 85, pp. 189-203, 2018.
댓글
댓글 쓰기