세포의 상태를 통합적으로 파악하는 새로운 AI 프레임워크 개발

섹션별 상세

세포 연구에서 다중 모달리티(Multimodal) 데이터 통합의 한계를 극복하기 위해 새로운 AI 프레임워크가 설계되었다. 기존의 머신러닝 방식은 여러 측정 데이터를 단순히 합쳐서 분석하기 때문에, 특정 정보가 어떤 세포 부위나 측정 방식에서 유래했는지 구분하기 어려웠다.

연구진은 '부분 공유 멀티모달 임베딩(Partially shared multi-modal embedding)' 기술을 도입했다. 이 구조는 여러 모달리티가 겹치는 공통 데이터를 인코딩하는 '공유 표현 공간'과 각 모달리티만의 고유한 데이터를 담는 '개별 표현 공간'으로 나뉘어 작동한다.

모델 학습을 위해 특수한 2단계 훈련 절차를 사용했다. 이 과정을 통해 모델은 복잡한 세포 데이터 속에서 어떤 정보가 중복되고 어떤 정보가 독특한지를 스스로 판단할 수 있게 되었으며, 처음 보는 데이터에 대해서도 이를 정확히 분리해낸다.

실제 암 환자의 단일 세포 데이터셋을 활용한 테스트에서 유전자 활동과 염색질 접근성 간의 관계를 명확히 구분해냈다. 특히 DNA 손상을 나타내는 특정 단백질 마커가 어떤 측정 방식에서 가장 잘 포착되는지 예측함으로써 임상 실험 설계의 효율성을 높였다.

기술

Autoencoder
Multi-modal Embedding
Single-cell Datasets

활용 사례

질병 메커니즘 분석
임상 실험 설계 최적화
단백질 마커 예측

언급된 리소스

논문Partially shared multi-modal embedding learns holistic representation of cell state