Machine learning-based analysis of microfluidic device immobilized C. elegans for automated developmental toxicity testing

제목	Machine learning-based analysis of microfluidic device immobilized C. elegans for automated developmental toxicity testing
추천 연구 논문	DuPlissis, Andrew et al. “Machine learning-based analysis of microfluidic device immobilized C. elegans for automated developmental toxicity testing.” Scientific reports vol. 15,1 15. 2 Jan. 2025, doi:10.1038/s41598-024-84842-x
선정 이유	기존의 발달 독성(Developmental toxicity, DevTox) 테스트는 주로 포유류 모델에 의존하여 비용과 시간이 많이 소요되며 윤리적 문제가 발생한다. 따라서 C. elegans와 같은 작은 모델 생물을 이용한 신속하고 효율적인 대체 평가법(New Approach Methodologies, NAMs)이 요구되고 있다. 본 연구는 새로운 대규모 미세유체 장치(vivoChip)를 활용해 수천 마리의 C. elegans를 빠르게 고정하고, 이를 이용한 고해상도 이미지를 기반으로 기계 학습(Machine Learning, ML)을 적용하여 독성 평가를 자동화하였다.
주요 내용	연구진은 미세유체 장치(vivoChip-24x)를 사용해 마취제를 사용하지 않고도 약 1000마리의 C. elegans를 병렬 미세 채널에서 고정하고, 개별 웜을 고해상도로 촬영하였다.  2.5D U-Net 기반의 ML 모델(vivoBodySeg)을 개발하여 자동으로 웜 몸체를 이미지에서 정확히 분할(segmentation)하고, 웜의 길이, 면적 및 부피 등 발달 독성 평가에 필요한 주요 신체 파라미터를 빠르게 분석하였다. vivoBodySeg 모델은 사람이 직접 분석한 결과와 거의 동일한 수준의 정확도(Dice score 97.8%)를 보였으며, 수작업 분석 대비 약 140배 빠른 시간 내에 분석이 가능하였다. 메틸수은(methylmercury)을 이용한 독성 실험에서 웜의 길이, 면적, 부피가 농도 의존적으로 감소함을 자동화된 분석을 통해 정량적으로 입증하였고, 낮은 변동계수(CV 3.7~8.0%)로 뛰어난 재현성을 보였다. 자가형광 신호(autofluorescence)를 추가적으로 분석하여 스트레스 수준을 평가하고, 독성 농도가 증가할수록 자가형광 강도가 증가하는 현상을 확인하였다.
시사점	C. elegans 기반의 고해상도 미세유체 기술과 ML 분석을 결합하여 발달 독성 평가를 완전 자동화하고, 높은 재현성 및 정확도로 신속히 수행할 수 있음을 증명하였다. 기존의 포유류 기반의 DevTox 평가법을 대체하거나 보완할 수 있는 효율적이고 윤리적인 고처리량(high-throughput) 독성 평가법을 제시하여, 화학물질의 독성 평가에서 큰 진전을 이룰 수 있는 기반을 마련하였다.