110만 개 가상 심장세포로 실제 세포의 디지털 트윈을 만들었다

같은 약물에도 사람마다 심장세포 반응이 다르지만 실제 세포 실험만으로 수십 개 이온통로 매개변수를 일일이 추정하기는 어렵다. UC Davis 연구진은 컴퓨터에서 만든 대규모 합성 심근세포 집단으로 딥러닝을 훈련한 뒤, 실제 사람 유도만능줄기세포 유래 심근세포의 전기 신호를 설명하는 디지털 트윈을 만드는 방법을 eLife에 보고했다.

기본 모델에서는 6개 주요 이온전류를 좌우하는 52개 매개변수를 무작위로 변화시켰다. 처음 20만 개 가상 세포로 전압 변화와 이온전류의 관계를 학습했고, 실제 세포의 더 넓은 다양성을 담기 위해 최대 110만 개 규모의 합성 집단을 만들었다.

한 번의 실험에서 많은 매개변수를 추정한다

연구진은 어떤 전압 자극 순서가 각 이온전류의 특징을 가장 잘 드러내는지도 딥러닝으로 최적화했다. 이 전압고정 프로토콜에서 얻은 전체 전류 파형을 신경망에 넣으면 52개 매개변수를 추정하고, 이를 이용해 활동전위와 칼슘 변화, 개별 이온전류를 재구성한다.

합성 세포 시험에서는 학습 데이터가 1천 개일 때 매개변수 오차 중앙값이 0.041이었고 20만 개에서는 0.02로 줄었다. 실제 세포 기록에서도 모델이 서로 다른 활동전위 형태와 박동 특성을 재현했다. 연구는 합성 데이터가 실험으로 만들기 어려운 훈련 규모를 제공한다는 점을 보여준다.

정밀의료보다 먼저 검증해야 할 모델

디지털 트윈은 관측된 전기 신호를 만들었을 법한 내부 매개변수를 계산한 모델이다. 세포를 완전히 복제하거나 환자의 심장 상태를 그대로 재현한 것은 아니다. 특히 실험 온도 차이를 맞추기 위해 모든 이온통로 속도에 단순화된 온도 보정값을 적용하는 등 모델 가정이 들어간다.

eLife 평가는 접근법과 증거를 전반적으로 설득력 있다고 보면서도 주장 범위와 보정 과정을 더 명확히 할 필요가 있다고 지적했다. 약물 반응이나 질병 상태에서 예측력이 유지되는지, 다른 실험실의 세포와 프로토콜에서도 재현되는지가 다음 검증 과제다. 현재 단계의 의미는 개인별 처방이 아니라 복잡한 심장세포 실험을 빠르게 해석할 가능성에 있다.