저온 전자현미경(cryo-EM) 전문가 Karl Bertram과 머신 러닝을 LNP 분석에 적용하는 방법에 대한 대화

바이러스 고유의 mRNA를 전달하고 암호화된 스파이크 단백질에 대한 면역 반응을 유도하도록 특별히 설계된 LNP를 활용하는 벡터 백신인 Pfizer-BioNTech와 Moderna의 COVID-19 백신이 신속하고 성공적으로 개발됨에 따라, 믿을 수 있는 mRNA 전달 매개체로서 지질 나노입자(LNP)의 가능성이 명확해졌습니다.

이러한 종류의 치료제를 개발 및 생산하는 과정에서 크기, 입자 크기 분포, 모양, 종횡비, 형태, 집합과 응집, 중요한 mRNA 페이로드 특징 등과 같은 핵심 품질 특성(CQA)들 간의 기능 관계를 평가하기 위해 LNP에 대한 광범위한 분석이 필요합니다.

일반적으로 LNP 입자 평가는 동적 광산란법(DLS)과 같은 비 이미지 기반 방법에서와 같이,Karl Bertram 박사 전통적인 전자 현미경 접근법 또는 집계된 입자 개체군에 대한 평균 판독값을 기반으로 분석할 때처럼, 보수적으로 크기를 책정한 표본 개체군을 수동으로 분석하여 매우 정량적인 결과를 산출하는 까다로운 작업이 될 수 있습니다. ATEM Structural Discovery(ATEM)는 저온 전자현미경(cryo-EM)을 사용하여 이러한 한계를 해소하기 위해 선구적으로 인공지능(AI)을 응용함으로써, 전통적으로 이런 환경에서 자동화를 적용할 수 없도록 세팅 되었던 저온 전자현미경(cryo-EM)의 낮은 신호 대 잡음비율 문제를 해결했습니다. ATEM에서 개발한 신경망은 수천 개의 입자 집단을 입자당 정밀도로 신속히 분석함으로써 통계적으로 적절한 표본 크기에 기반한 정량적 데이터 생산을 가능하게 합니다.

ATEM의 공동 설립자 겸 상무인 Karl Bertram은 다음과 같이 설명합니다. “이미지 데이터 분석을 위한 AI 기반의 소프트웨어 및 머신 러닝 기술을 현대의 수많은 분야에서 찾아볼 수 있습니다. 자율 주행차, 안면 인식 또는 스냅챗 필터를 생각해 보면, 패턴 인식의 근본적인 도전 과제는 신경망을 설계할 때 맞닥뜨리는 걸림돌과 비슷합니다.”

LNP 입자 분석의 복잡성은 무엇입니까?

RNA가 로드된 지질 나노입자는 그 적합성, 유효성, 효능에 기여하는 수많은 특징을 갖고 있습니다. 기능적인 의약품을 생산하려면 입자가 이상적인 크기 범위에 속하고 바람직한 형태를 나타내야 합니다. 저온 전자현미경(cryo-EM)과 같은 시각적인 단일 입자 특성화 방법을 사용하면 단일 분석 평가에서 많은 주요 품질 매개 변수를 확보할 수 있다는 장점이 있습니다. 그러면 신중하게 훈련된 신경망은 결과 데이터 세트를 분석하여 이전에는 보이지 않던 형태적 특성을 나타내는 입자를 비롯한 입자 프로파일링 결정을 내릴 수 있게 됩니다.

Karl은 다음과 같이 설명합니다. “LNP 현미경 사진을 분석하려면 모양, 직경, 그 밖에 전에는 보지 못했던 다양한 형태 패턴과 같은 형태적 특징을 평가해야 합니다. 예를 들어 일부 입자는 '여과포(bleb)'라는 이상성 특징과 돌출부를 보여주며, 일부 입자는 특징적인 막 또는 구조적으로 특이한 상 분리의 배열을 나타냅니다. 이러한 이미지를 분석하는 과정에서 각각의 모든 입자에 대해 개별적 특징을 토대로 재현 가능한 분류 결정을 내려야 합니다.”

LNP 분석

왼쪽: 저온 전자현미경(cryo-EM)을 통해 드러난 LNP 입자를 보여주는 원시 현미경 사진 데이터. 해당 예시에서는 mRNA가 가득 담긴 LNP 표본 이미지를 생성하기 위해 저온 전자현미경(cryo-EM)이 사용되었습니다. 오른쪽: 형태 등급에 따라 강조 표시되고 자동으로 주석이 붙은 입자. 초록색은 솔리드 코어 입자, 주황색은 이상성 밀집 입자, 노란색은 이상성 분할 입자(해당 현미경 사진에는 나타나지 않음)를 나타냅니다.

전통적으로는 수작업으로 이루어졌지만, 저온 전자현미경(cryo-EM) 데이터 분석을 위한 ATEM 고유의 접근 방법은 주석을 다는 동안 사람이 실수할 수 있는 여지를 없앱니다. “긴 시간에 걸쳐 스크린 앞에 앉아 이런 집중적인 작업을 하는 사람이 있다면 그 작업자는 지쳐갈 것입니다. 오류가 발생하거나 정확도가 떨어질 가능성이 커지죠. AI를 이용한 신경망은 지치지 않으며 정해진 품질 수준으로 꾸준히 데이터를 생산합니다.”라고 Karl은 설명합니다.

어떻게 AI가 직관적이고 신뢰할 수 있는 입자 분석을 수행하도록 훈련합니까?

머신 러닝 모델은 신중하게 선정된 데이터 또는 학습 자료를 공급함으로써 사람이 배우는 것과 똑같은 방식으로 훈련을 받습니다. 해당 교육 자료는 작업자에게 대용량의 표본 데이터에 수동으로 주석을 달게 하여 생성되며, 주석은 형태, 입자 경계 등의 중요한 특징을 식별하고 정의하는 방법을 머신 러닝 모델에게 가르치는데 사용됩니다. 이렇게 되면 모델은 주석이 달리지 않은 새 데이터에 이 지식을 반복적으로 적용하며, 이러한 작업을 수행할 '자격'을 인정받을 때까지 계속 훈련을 받습니다. 이러한 방식으로 모델은 이미 알고 있는 모양을 승인하고, 인간 작업자의 의사결정 과정을 모방하여 독특한 모양을 나타내는 입자에 대해 논리적인 결정을 내립니다.

Karl은 다음과 같이 덧붙입니다. “놀랍게도 머신 러닝 모델은 우리가 아직까지 완전히 이해하지 못하는 방식으로 직관적으로 학습할 수 있습니다. 예를 들어 우리는 단 하나의 여과포(bleb)를 표시하는 이상성 입자를 가지고 모델을 훈련시켰는데, 결과 신경망은 2개 이상의 여과포(bleb)를 포함한 입자를 찾아 이상성 입자로 정확히 분류하는 적응력을 보여주었습니다. 그러한 입자는 훈련 과정에서 모델이 한 번도 '본' 적 없는 것인 데도 말이죠.”

기술이 논리의 도약을 효과적으로 수행할 수 있는 경우에는 품질 관리가 어떻게 적용되는지를 이해하는 것이 중요하며, 입자 분석과 분류가 예상 매개 변수 내에서 유지되고 데이터 생성이 안정적으로 유지되도록 하기 위한 확인과 균형이 이루어져야 합니다.

Karl은 다음과 같이 설명합니다. “광범위한 타당성 평가 연구가 필요합니다. 우리는 지속적으로 적응하고 학습하는 모델을 운영하지 않습니다. 모델에게 훈련 자료를 공급하면 신경망이 엄격한 테스트를 수행합니다. 모든 테스트에 통과되면 모델의 학습 기능을 고정시켜 이미 타당성 검증이 된 예측 가능한 방식으로 작동하게 합니다. 일상 작업 과정에서 우리는 모든 분석 결과에 대해 추가로 표본 추출 검사를 시행하여 신뢰할 만한 결과인지 확인합니다. 우리는 95% 이상의 정확도 달성을 목표로 합니다. 실제로는 일반적으로 이미 98% 이상을 달성하고 있습니다.”

통계적 타당성이 높으면 LNP의 개발에 어떤 영향을 미칠 수 있습니까?

전통적으로 저온 전자현미경(cryo-EM) 기반의 LNP 분석은 한 표본에서 여러 장의 현미경 사진 이미지를 확보한 후 각 이미지를 직접 수작업으로 분석하는 방법으로 이루어졌습니다. 이 기법을 사용하면 일반적으로 이미지당 비교적 적은 수의 입자를 시각화할 수 있습니다. Karl은 다음과 같이 설명합니다. “수작업 과정에서는 100개의 입자를 분석하고 각 입자 주위에 원을 그려 직경을 측정할 수 있습니다. 이 소규모 수작업 분석 방법의 단점은 대표성을 가진 결과를 얻는 데 필요한 통계 샘플링이 아니므로 통계상의 오류가 큰 부정확한 데이터가 산출될 가능성이 있다는 것입니다. AI에 의한 입자 분석은 충분히 큰 이미지 데이터 세트를 자동으로 분석하여 바람직한 통계 깊이와 중요도에 도달하는 데 필요한 정확도를 제공할 수 있는 유일한 방법입니다."

계속해서 Karl은 다음과 같이 말합니다. “자동화에 따른 시간 절약은 엄청난 수준입니다. 우리는 자격 있는 사람이라면 약 30분 동안 허용 가능한 정확도로 현미경 사진에 있는 50~100개 입자에 올바로 주석을 붙일 수 있을 것으로 예상합니다. 머신 러닝 모델은 같은 작업을 단 1초 내에 뛰어난 정확도로 완료할 수 있습니다.”

이런 방식으로 ATEM은 저온 전자현미경(cryo-EM) 기반의 LNP 특성화 작업을 순수하게 정성적인 분석 평가에서 매우 강력한 정확도를 가진 통계적으로 타당한 데이터를 생성하는 정량적인 방법으로 진화시켰습니다. 연구자들은 디스커버리 최적화 단계에서 또는 모든 생산 약물이 동질적이고 동일한 생물물리학적 특성 및 재현 가능하고 올바른 구조-기능 관계를 갖고 있어야 하는 향후 제조, 품질 관리 및 출하 테스트 단계에서까지 확신을 가지고 이 결과로 작업할 수 있습니다.

mRNA 연구에 대한 관심과 분석 애플리케이션에 대한 후속 요구가 가파르게 증가하고 점점 더 많은 프로그램이 발견 및 개발 단계로 접어들면서, COVID-19 백신을 비롯하여 이런 종류의 치료 및 전달 매개체가 효과적이고 안전하게 사용된 새로운 LNP 기반 약품이 성공적으로 선보이고 있습니다.

업계에서는 원료의약품 또는 유전 정보를 체내에 전달하는 실행 가능한 새로운 벡터를 지속적으로 찾고 있습니다. LNP 분석에 AI를 적용하는 것은 여러 주에 걸쳐 완성될 수동 주석 달기 작업이 수많은 입자 분석에서 정확도를 유지하고 이 작업을 몇 분 안에 끝냄으로써 실행 가능성을 높일 뿐만 아니라 효과적이고 합리적인 연구 결정을 뒷받침하여 성공적인 개발에 기여할 수 있습니다.

ATEM LP 솔루션에 대해 더 알아보기

권장 콘텐츠 제안:

_Karl Bertram은 생화학 및 구조생물학 박사 학위를 소유하고 있으며, 첨단 cryo-EM 기술 분야에 대한 방대한 과학적 배경 지식을 갖고 있습니다. Karl은 독일 괴팅겐에 있는 막스 플랑크 생물물리화학 연구소에서 박사 학위를 받았으며, 이곳에서 인간 스플라이세오좀 최초의 고해상도 3D 구조를 해석하는 데 크게 기여했습니다. 학자로서의 경력 초반기에 그는 뮌헨에 있는 루드비히 막시밀리안 대학교(LMU)에서 생화학 석사 학위를 취득했고, 뉴욕시에 있는 록펠러 대학교에서 연구원으로 근무한 바 있습니다. _

crl_400x200.png

해당 컨텐츠는 찰스리버가 작성한 컨텐츠입니다.
문의 사항은 crlKorea_biologics@crl.com 연락 주세요