세포가 어디로 갈지와 그걸 조종하는 유전자까지 같이 찍어내는 AI 모델 ‘레그벨로’

세포 운명 예측과 조절 유전자 찾기를 한 번에 묶은 모델

• 세포가 앞으로 혈액세포, 신경세포, 색소세포 같은 어떤 방향으로 분화할지 예측하고, 그 길을 밀어주는 핵심 유전자까지 같이 찾는 AI 모델이 나옴

  • 이름은 레그벨로(RegVelo)
  • 미국 스토워스의학연구소, 독일 헬름홀츠 뮌헨·뮌헨공대, 영국 옥스퍼드대 공동연구팀이 개발했고 국제학술지 셀(Cell)에 발표함

• 기존 단일세포 분석은 각각 장단점이 갈렸음

  • RNA 속도(RNA velocity)는 세포가 앞으로 어느 방향으로 변할지 추정하는 데 강점이 있음
  • 유전자 조절 네트워크 분석은 어떤 유전자가 어떤 유전자에 영향을 주는지 보는 데 강점이 있음
  • 문제는 둘을 따로 보면 “세포가 어디로 갈지”와 “누가 그 방향을 조종하는지”를 동시에 잡기 어렵다는 점임

• 레그벨로는 이 둘을 딥러닝 모델 하나로 합친 접근임

  • 세포 안 RNA 발현 변화와 유전자 간 조절 관계를 동시에 계산함
  • 그래서 특정 세포가 어떤 경로를 밟을지, 그 경로를 유도하는 핵심 조절 유전자가 뭔지 같이 예측함

제브라피시 배아에서 실제 검증까지 함

• 연구팀은 레그벨로를 제브라피시 배아의 신경능선 세포에 적용해 봄

  • 신경능선 세포는 척추동물 배아 초기에 생겨서 얼굴, 심장, 말초신경계, 색소세포 등 여러 조직으로 갈라지는 세포 집단임
  • 세포 운명 결정과 조절 유전자 예측을 테스트하기 딱 좋은 시스템인 셈

• 레그벨로는 색소세포 형성을 이끄는 초기 조절 유전자 tfec를 찾아냄

  • tfec는 색소세포 형성과 관련된 초기 조절 인자로 예측됨
  • 연구팀은 이 예측을 크리스퍼(CRISPR-Cas9)와 단일세포 퍼터브시퀀싱(Perturb-seq)으로 확인함

• 더 흥미로운 건 기존에 알려지지 않았던 조절 인자 elf1도 새로 발굴했다는 점임

  • 모델이 이미 알려진 답만 맞힌 게 아니라 새로운 후보까지 제시했다는 얘기임
  • elf1 역시 유전자 교란 실험과 단일세포 분석으로 실제 기능을 확인함

여섯 가지 생물학 시스템에서도 비교 성능을 확인

• 연구팀은 제브라피시 신경능선 발달 말고도 여러 시스템에 레그벨로를 적용함

  • 세포주기
  • 췌장 내분비세포 발생
  • 혈액세포 형성
  • 근육 형성
  • 후뇌 발달
  • 제브라피시 신경능선 발달까지 총 여섯 가지 생물학 시스템을 봄

• 비교 지표도 단순 정확도 하나가 아니라 꽤 실전적인 항목들임

  • 잠재 시간 추정: 세포가 발달 과정에서 내부적으로 어느 시점쯤 와 있는지 보는 값
  • 세포 변화 속도
  • 최종 세포 상태 예측
  • 계통 연관 인자 규명

• 결과적으로 널리 쓰이는 기존 분석 기법들과 비교했을 때 동등하거나 더 높은 성능을 보였다고 함

  • 즉 “새 모델 만들었다”에서 끝나는 게 아니라, 기존 도구 대비 쓸 이유를 성능 지표로 보여준 셈
  • 특히 여러 생물학 시스템에서 확인했다는 점이 모델 범용성 주장에 힘을 실어줌

어디에 쓸 수 있나

• 가장 직접적인 응용처는 줄기세포를 원하는 세포 유형으로 정밀하게 유도하는 쪽임

  • 원하는 세포로 가게 하려면 어떤 조절 유전자를 건드려야 하는지 후보를 좁힐 수 있음
  • 심근 조직 회복, 피부 이식, 연골 재생 같은 세포 치료 연구와도 연결될 수 있음

• 종양 세포의 성장 경로 예측에도 활용 가능성이 언급됨

  • 암세포가 어떤 방향으로 변하고, 어떤 유전자가 그 경로를 밀고 있는지 알면 개입 지점을 찾는 데 도움이 될 수 있음
  • 물론 실제 임상 적용까지는 훨씬 먼 길이지만, 연구용 선별 도구로는 꽤 매력적임

• 연구팀은 앞으로 크로마틴 구조 데이터와 단백질 활성 정보까지 통합할 계획임

  • 지금은 RNA 발현과 유전자 조절 관계를 중심으로 본 모델임
  • 여기에 다층 분자 정보가 붙으면 세포 운명 예측이 더 입체적으로 바뀔 수 있음

---

기술 맥락

• 레그벨로의 선택은 “세포의 미래 방향”과 “그 방향을 만드는 원인”을 따로 보던 분석을 합치려는 시도예요. 단일세포 데이터는 워낙 복잡해서 방향만 맞혀도 쓸모가 있지만, 실제 실험자는 결국 어떤 유전자를 건드릴지 알아야 하거든요.

• RNA velocity만 쓰면 세포가 어느 쪽으로 움직이는지는 볼 수 있지만, 조절 유전자 후보를 바로 얻기 어렵다는 한계가 있어요. 반대로 유전자 조절 네트워크만 보면 관계는 보이지만 시간에 따른 세포 상태 변화가 약해져요. 레그벨로는 이 둘을 한 모델에 넣어서 예측과 원인 후보를 같이 뽑는 쪽을 택한 거예요.

• 이 접근이 중요한 이유는 실험 비용 때문이에요. 수백 개 넘는 유전자를 하나씩 교란해서 확인하는 건 시간도 돈도 너무 많이 들어요. 컴퓨터 시뮬레이션으로 후보를 먼저 줄이면, 실험실에서는 가능성이 높은 타깃부터 검증할 수 있어요.

• 이번 연구에서 크리스퍼와 퍼터브시퀀싱으로 tfec와 elf1을 확인한 것도 그래서 의미가 커요. 딥러닝 모델이 생물학적으로 그럴듯한 패턴을 찾는 데서 끝난 게 아니라, 실제 세포에서 기능 검증까지 이어졌기 때문이에요.