[📪정보] 세포 배양:로봇 및 인공지능 구현세포 배양:로봇 및 인공지능 구현

[Informa..(175.214)]

1. 출처 : https://elifesciences.org/articles/80609 (파파고 번역 사용)
   
2. 1. 
      
   2. 수지트 세바스찬
      

1. 영국NHS 혈액 및 이식, 세포 및 분자 치료 임상 생명공학 센터

인간을 포함한 대부분의 동물들은 특정한 역할을 하는 특수 세포에 의해 형성된 다른 장기들과 조직들로 구성되어 있다. 조직이 퇴화하거나 손상되면, 영향을 받은 세포는 조직이 계속 제 역할을 할 수 있도록 대체되어야 한다. 이러한 재생 가능성은 각 조직에 있는 줄기세포의 개체군 덕분에 존재하며, 줄기세포는 분열하여 더 많은 줄기세포를 생산하거나 손상된 세포를 대체하기 위해 줄기세포의 지속적인 풀을 유지할 수 있다.

줄기세포의 분열과 분화는 균형을 맞춰야 한다. 너무 많은 줄기세포가 분화하면 줄기세포의 풀이 고갈될 수 있지만, 줄기세포가 걷잡을 수 없이 분열하면 암으로 이어질 수 있다.하지만, 이러한 균형은 나이와 함께, 또는 환경적 또는 유전적 이유로 종종 실패한다.재생 의학의 목표 중 하나는 스스로 재생하는 능력을 상실한 조직을 치유하는 데 사용할 수 있는 차별화된 세포를 실험실에서 생산하는 것이다. 이러한 치료법은 기대수명 연장을 포함한 많은 잠재적인 장기 건강상의 이점을 가질 수 있으며, 이러한 치료법에 대한 연구는 실험실과 클리닉 모두에서 증가하고 있다.

임상 환경에서 실험실에서 분화된 세포를 사용하기 위해서는 원하는 세포 유형을 재현적으로, 그리고 충분히 높은 수로 생산하기 위해 사용되는 프로토콜이 필수적이다. 세포 분화는 환경의 자극에 매우 민감하므로 세포 배양 조건을 신중하게 제어해야 하기 때문이다(그림 1). 인간 운영자는 사람마다 세포 배양 방식이 조금씩 다르고 재생 의약품 제조에 사용되는 프로토콜이 종종 복잡하기 때문에 통제하기 어려운 추가 가변성 계층을 도입한다. 또한 세포와 세포 유래 제품이 클리닉에서 사용하기 위해 충족해야 하는 요구사항은 빠르게 변화하고 있으며, 이러한 요구사항을 평가하는 데 사용되는 테스트도 가변성을 전파할 수 있다. 이러한 문제로 인해 재생 의학 치료를 위해 생산된 세포의 품질은 신뢰할 수 없는 경우가 많습니다.

그림 1

자산 다운로드 열린 자산

세포 치료 제품의 수동 및 자동 제조 비교.

(가) 세포치료제 개발 수명주기 개요세포(왼쪽)는 실험실(가운데)에서 처리를 거칩니다.여기서 세포는 다른 조건에서 배양됩니다.대부분은 …을 필요로 합니다.더 보기

최근 몇 년 동안, 첨단 영상 기술 및 분석은 재생 의학에서 세포 제조에 사용되는 세포 배양 프로토콜의 재현성을 향상시켰다.이는 인간의 실수와 가변성을 더욱 최소화하면 제조 공정도 크게 개선될 수 있음을 시사합니다.이를 위한 한 가지 방법은 세포 배양 절차를 기계화하고 자동화하는 것입니다.

어렵고 반복적인 수동 프로세스를 기계로 대체하는 것은 세포 배양 프로토콜에서 발생하는 가변성을 줄이기 위한 중요한 단계입니다. 실제로, 로보틱스를 사용하는 방법을 자동화하는 것이 실험실의 인적 오류와 운영자 의존적 변동을 줄일 수 있는 효율적인 방법이라는 것이 이전에 확인되었다. 칸다 등이제 복잡한 세포 배양 프로토콜을 자동화하기 위해 로보틱스와 인공지능을 결합함으로써 세포 배양 맥락에서 이 원리를 입증한다.

LabDroid Maholo System은 세포 배양 조건을 조작하기 위해 매우 정확하고 프로그램 가능한 로봇 팔을 포함하고 있는데, 이것은 로봇이 다른 조건에서 줄기세포를 배양할 수 있게 해주었다. 이 경우, LabDroid Maholo System은 줄기세포를 망막 색소 상피 세포로 분화하도록 프로그램되었다. 결과 세포는 LabDroid Maholo의 통합 이미징 시스템을 사용하여 이미징되었으며, 캡처된 이미지를 사용하여 주어진 조건에 대한 세포 분화 수준을 분석하고 정량화하기 위해 컴퓨터 알고리즘과 통계 분석이 적용되었다.

이러한 이미지에서 얻은 데이터는 배치 베이지안 최적화를 사용하는 수학적 실험 설계 알고리즘에 공급되었다. 이를 통해 LabDroid Maholo System은 더 많은 망막 색소 상피 세포를 생성하기 위해 세포 배양 절차의 어떤 인자를 최적화해야 하는지를 결정할 수 있었습니다. 이 방법을 사용함으로써 칸다 등은 세포배양 파라미터의 수백만 가지 잠재적 조합을 보다 관리하기 쉬운 수치로 줄일 수 있었다. 간단히 말해서, 칸다 등에 의해 사용된 배치 베이지안 최적화는 먼저 세포 배양 조건을 얻은 분화 속도와 비교한 후, 인공지능의 도움을 받아 추가 최적화 단계를 포함할지 여부를 결정한다. 이 경우, 세 가지 연속된 최적화 단계는 줄기세포를 세포 치료 연구에 사용되는 적절한 품질의 망막 색소 세포로 반복적으로 분화시키는 최적의 세포 배양 조건을 성공적으로 식별했다.

Kanda 등은 로봇과 인공지능의 결합 시스템을 사용하여 프로세스 제어와 고급 최적화를 달성하는 방법의 가장 좋은 예 중 하나를 제공한다. 배양된 세포를 특징짓고 데이터를 기반으로 최적의 세포 배양 프로토콜을 확립하는 능력은 이러한 단계에 대한 인간의 개입을 제거하여 가변성을 감소시킨다. 플랫폼이 엔드 투 엔드 기능을 제공하기 위해서는 추가적인 개선이 필요하지만, 재생 치료용 세포 및 세포 유래 제품의 재현 가능한 제조를 향한 한 걸음입니다.