토모큐브가 홀로토모그래피(Holotomography, HT)와 인공지능(AI)을 결합해 살아 있는 세포와 오가노이드의 변화를 비표지 방식으로 관찰하고 분석하는 연구를 소개했다. HT로 세포의 3차원 구조와 시간에 따른 변화를 측정한 뒤, AI를 활용해 개별 세포를 분할하고 상태를 평가하는 방식이다. 굴절률 정보만으로 특정 분자를 구별하기 어려운 한계는 AI 기반 가상 염색으로 보완한다.

한국분자·세포생물학회(KSMCB)는 5일부터 8일까지 대전컨벤션센터(DCC)에서 ‘2026년도 한국분자·세포생물학회 정기학술대회(ICKSMCB 2026)’를 개최한다. 7일 열린 첨단 이미징 기술과 응용 심포지엄에서는 생명과학 연구와 신약개발에 활용되는 영상 기술이 소개됐다.

토모큐브 박용근 대표(KAIST 물리학과 교수)는 이날 ‘홀로토모그래피와 인공지능: 살아 있는 세포·조직·오가노이드의 비표지 3차원 영상화(Holotomography and Artificial Intelligence: Label-Free 3D Imaging of Live Cells, Tissues, and Organoids)’를 주제로 발표했다.

토모큐브는 홀로토모그래피 기반 3차원 세포 이미징 장비와 분석 기술을 개발하는 기업이다. 비표지 영상 획득과 AI 분석을 연결해 오가노이드·줄기세포 연구에서 세포의 구조와 상태 변화를 평가하는 기술을 개발하고 있다.

박 대표는 “오가노이드와 iPSC 집락, 조직처럼 3차원 구조를 측정해야 하는 대상이 늘고 있다”며 “치료에 사용할 세포는 외부 표지 없이 관찰할 필요가 있어 비표지 기술이 더욱 중요해질 것으로 본다”고 말했다.

염색 없이 세포 변화 추적…오가노이드 약물 연구 활용

홀로토모그래피는 여러 방향에서 얻은 홀로그램을 바탕으로 세포 내부의 굴절률 분포를 3차원으로 재구성하는 기술이다. 내부 물질의 굴절률 차이를 영상 대비로 이용하기 때문에 형광 표지 없이 살아 있는 세포의 구조를 관찰할 수 있다.

박 대표는 이를 X선 컴퓨터단층촬영(CT)에 빗대 설명했다. 그는 “CT가 여러 방향에서 얻은 영상으로 내부 구조를 재구성하듯, 우리는 빛을 이용해 세포 내부의 굴절률 분포를 3차원으로 재구성한다”고 말했다.

비표지 방식의 장점은 같은 시료를 장기간 반복 관찰하는 연구에서 두드러진다. 세포 분화나 조직 형성처럼 수일에서 수주에 걸쳐 일어나는 변화를 추적하려면 시료에 미치는 영향을 최소화하면서 동일한 위치를 계속 관찰해야 하기 때문이다.

박 대표는 인간 유래 섬유아세포 유사 세포의 재분화 영상을 사례로 제시했다. 연구진은 같은 시야를 42일간 촬영하며 세포 내부 구조가 변화하는 과정을 추적했다.

이 같은 장기 관찰은 오가노이드 연구로도 확장됐다. 발표에서는 소장 오가노이드가 일주일 동안 성장하면서 내강(lumen)을 만들고, 점차 크기가 증가해 버딩(budding) 구조를 형성하는 모습이 제시됐다. 개별 세포의 분열과 오가노이드 구조 변화가 하나의 연속된 영상으로 관찰됐다.

박 대표는 “개별 세포와 세포 내부 구조를 표지 없이 볼 수 있다”며 “이러한 영상 분석을 약물 스크리닝과 신약개발에 어떻게 연결할지가 제약기업이 찾는 부분”이라고 말했다.

AI로 개별 세포 분할…iPSC 다능성 상태 예측

문제는 영상 데이터의 규모다. 3차원 영상을 시간에 따라 지속적으로 촬영하면 데이터가 빠르게 늘어나고, 사람이 개별 세포와 세포 내부 구조를 일일이 구분하기 어렵다. 토모큐브는 이 지점에 AI를 결합했다.

박 대표는 CAR-T가 표적 암세포를 공격하는 영상을 사례로 제시했다. 영상에는 CAR-T가 표적 암세포에 접촉해 면역 시냅스를 형성하고 세포사멸 과정으로 이어지는 모습이 담겼다. 면역 시냅스는 면역세포와 표적세포 사이에 형성되는 특수한 세포-세포 접촉면이다.

연구진은 AI를 이용해 CAR-T와 암세포를 각각 3차원으로 분할했다. 서로 접촉하면서 지속적으로 형태가 변하는 두 세포를 시간에 따라 분석하기 위해서다.

박 대표는 “2차원 영상은 사람이 직접 세포 영역을 나눌 수 있지만, 4차원 데이터가 되면 사람이 수행하기 어렵다”고 말했다. 4차원 데이터는 3차원 영상에 시간축을 더해 세포의 변화를 연속적으로 추적한 데이터다.

AI의 역할은 세포 분할에서 상태 평가로도 확대됐다. 유도만능줄기세포(iPSC) 연구에서는 집락의 형태를 분석해 다능성 상태를 평가하는 방법을 적용했다.

연구진은 먼저 iPSC 집락을 비표지 방식으로 촬영한 뒤, 해당 시료를 별도의 분석법으로 평가해 얻은 결과를 정답 데이터로 사용했다. 이후 영상과 세포 상태를 연결해 AI를 학습시켰다.

박 대표는 “먼저 iPSC 집락을 측정한 뒤 시료를 파괴하는 분석으로 정답 데이터를 얻었다”며 “두 정보를 연결해 모델을 학습시키면, 학습 이후에는 시료를 파괴하는 방법을 적용하지 않아도 된다”고 설명했다.

학습을 마친 AI는 새로운 iPSC 집락의 비표지 영상만으로 미분화·분화 상태를 예측한다. 분석을 위해 시료를 소모하지 않고 같은 집락을 유지하면서 배양 상태를 반복적으로 평가할 수 있다는 점이 핵심이다.

형광 표지 없이 내부 구조 예측…AI ‘가상 염색’

홀로토모그래피만으로 모든 생물학적 정보를 얻을 수 있는 것은 아니다. 굴절률은 세포 내부 구조를 보여주는 데 유용하지만 특정 단백질이나 분자를 직접 식별하는 분자 특이성은 제한적이다.

박 대표는 “굴절률 자체가 분자 특이적인 정보를 제공하는 것은 아니다”라고 말했다. 토모큐브는 이 한계를 보완하는 방법으로 AI 기반 가상 염색을 제시했다.

연구진은 같은 세포에서 홀로토모그래피로 얻은 굴절률 영상과 다채널 3차원 형광 영상을 함께 확보한 뒤 두 영상의 관계를 AI에 학습시켰다. 학습을 마친 AI는 새로운 비표지 굴절률 영상을 입력받아 세포 내부 구조에 해당하는 가상 형광 영상을 추론한다.

박 대표는 “같은 세포에서 홀로토모그래피와 여러 채널의 3차원 형광 영상을 측정했다”며 “학습이 끝나면 더 이상 형광 신호를 발현시킬 필요가 없다”고 설명했다.

발표에서는 액틴, 미토콘드리아, 지질방울, 세포막, 핵 등을 대상으로 실제 형광 영상과 AI가 추론한 가상 형광 영상을 비교한 결과가 제시됐다.

결국, 토모큐브가 제시한 접근은 비표지 3차원 영상으로 살아 있는 세포의 원형 데이터를 확보하고, AI로 대규모 데이터를 분할·분류한 뒤 가상 염색까지 연결하는 방식이다. 적용 대상도 암세포와 CAR-T에서 iPSC, 오가노이드로 확대되고 있다.

박 대표는 “홀로토모그래피가 살아 있는 세포의 3차원 정보를 확보하는 기술이라면, AI는 방대한 데이터를 해석하는 역할을 한다”며 “두 기술의 결합을 통해 세포 분류와 분할, 가상 염색까지 확장하고 생명과학과 신약개발 연구의 새로운 분석 도구로 발전시키겠다”고 전했다.