TLPath: 일반 생검 사진에서 텔로미어 길이를 측정하는 AI

텔로미어 길이는 노화 연구에서 가장 오래된 바이오마커 중 하나입니다. 나이에 비해 텔로미어가 짧을수록 심장병, 당뇨병, 알츠하이머, 암의 위험이 증가합니다. 문제는 이를 측정하려면 복잡하고 값비싼 실험실 검사가 필요하다는 점입니다. 지금까지는 말이죠. 2026년 3월 Cell Reports Methods에 발표된 새로운 연구는 Sanford Burnham Prebys 연구소의 Sanju Sinha 연구실에서 개발된 TLPath라는 AI 모델을 공개했으며, 이 모델은 일상적인 조직 병리 이미지에서 조직의 텔로미어 길이를 예측할 수 있습니다.

문제: 텔로미어 측정이 어려운 이유

텔로미어는 염색체 말단에 있는 반복 DNA 서열로, 세포가 분열할 때마다 짧아집니다. 나이가 들면서 점차 짧아집니다. 현재 텔로미어 길이는 다음과 같은 특수 실험실 검사를 통해 측정됩니다:

• qPCR: 비교적 경제적이지만 특정 조직에서는 정확도가 떨어짐
• TRF (Terminal Restriction Fragment) 또는 Southern blot: 정확하지만 비싸고 많은 양의 DNA 필요
• FISH (형광原位 혼성화) 또는 Luminex 기반 방법: 연구에 사용되는 기타 방법

모델 훈련에 사용된 텔로미어 데이터는 GTEx 데이터베이스에서 가져왔으며, 여기서 텔로미어 길이는 Luminex 기반 방법(Demanelis 외, Science 2020)으로 측정되었습니다. Sinha가 말했듯이: "텔로미어 길이를 직접 측정하려면 대규모로 적용하기 어려운 복잡하고 값비싼 검사가 필요합니다". 바로 여기에 TLPath가 등장합니다.

아이디어: 이미지에 텔로미어 길이의 징후가 있다면?

연구팀은 간단한 질문을 던졌습니다: 텔로미어가 짧아지면 세포가 변합니다. 좀비(노화) 세포가 되고, 분열이 느려지고, 모양이 바뀌거나 내부 구조를 잃을 수 있습니다. 이러한 변화가 조직의 현미경 이미지에서 눈에 띌까요?

그렇다면 심층 신경망을 훈련시켜 이를 감지할 수 있습니다. 전 세계 모든 병원은 일상적으로 수백만 장의 생검 사진을 생성합니다. 텔로미어 길이의 시각적 특징이 있다면 기존 임상 샘플에서 직접 추정할 수 있습니다.

네트워크 훈련 방법

연구팀은 919명의 기증자로부터 5,263장의 디지털 조직 병리 사진(일상적인 H&E 염색 이미지)을 수집했습니다. 각 사진은 동일한 조직의 실험실 텔로미어 측정값과 짝을 이루었습니다. 피부, 폐, 신장, 간, 장 등 18가지 다른 조직 유형이 포함되었습니다.

네트워크는 각 사진을 평균 1,387개의 작은 조각으로 자릅니다. 각 조각은 최대 1,024개의 구조적 특징(세포 모양, 핵 구조, 세포질 색상, 세포 간 거리)을 사용하여 검사됩니다. 네트워크는 어떤 특징 조합이 짧은 텔로미어를 예측하고 어떤 조합이 긴 텔로미어를 예측하는지 학습합니다.

결과: 기대 이상의 정확도

훈련에 사용되지 않은 테스트 샘플에서 TLPath는 다음을 보여주었습니다:

• r = 0.51 상관관계: 11개 조직 유형에서 예측값과 실험실 측정값 간의 상관관계. 직접 측정만큼 정확하지는 않지만, 측정값이 없을 때 현재 표준인 역연령 추정(r = 0.20)보다 확실히 우수합니다
• 11가지 다른 조직 유형에서 작동하여 일반성을 보여줌
• 모델 해석 결과, 핵 대 세포질 비율 증가 및 핵 모양 변화와 같은 노화(세포 노화) 마커에 의존하는 것으로 나타남

"텔로미어 길이를 직접 측정하려면 대규모로 적용하기 어려운 복잡하고 값비싼 검사가 필요합니다"라고 Sinha는 설명했습니다. TLPath는 이러한 격차를 해소하고 이미 존재하는 이미지에서 텔로미어 길이를 추정하기 위해 설계되었습니다.

의미: 데이터 혁명

TLPath가 표준 디지털 병리 소프트웨어에 통합된다면 다음과 같은 일이 가능해질 수 있습니다:

1. 인구 규모의 장수 연구. 수천 명을 표본 추출하는 대신 기존 이미지에서 훨씬 더 많은 사람들의 텔로미어 길이를 추정할 수 있습니다
2. 개입을 위한 조기 후보 식별 (잠재적). 40세에 병리 검사를 받고 나이에 비해 낮은 텔로미어 추정치를 보이는 사람은 보호적인 생활 방식을 일찍 시작할 수 있습니다. 강조하자면, 이는 미래의 연구 방향일 뿐 승인된 임상 적용이 아닙니다

중요 참고 사항: TLPath는 중간 정도의 정확도(r = 0.51)로 조직의 평균 텔로미어 길이(bulk tissue)를 예측하도록 훈련되었으며, 연구 도구입니다. 승인된 임상 검사가 아니며 화학 요법과 같은 치료 조정이나 약물 선별을 위한 것이 아닙니다. 이러한 용도는 연구에서 테스트되지 않았습니다.

왜 또 다른 AI 모델이 아닌가

2026년의 많은 AI 모델은 인상적이지만 비실용적입니다. TLPath는 다릅니다: 기존 인프라를 사용하여 대규모의 특정 문제를 해결하려고 시도합니다. 많은 병원에서 이미 이미지를 디지털 방식으로 스캔하고 있습니다. 새로운 장비나 환자를 위한 추가 절차가 필요하지 않습니다. 소프트웨어 구성 요소만 추가하면 됩니다.

이것이 디지털 병리학자들이 "부가 가치"라고 부르는 것입니다: 이미 수행한 검사에서 추가 정보를 추출하는 것입니다.

기억해야 할 한계

• 상관관계 r=0.51은 분산의 약 26%가 설명됨을 의미합니다. 개인에 대한 정확한 개인 검사로 사용하기에는 충분히 강력하지 않지만 통계적-인구 수준 및 연구에는 유용합니다
• 모델은 특정 인구 집단에 대해 훈련되었습니다. 다른 인구 집단(다른 민족)에 대한 사용은 추가 검증이 필요합니다
• 텔로미어는 생물학적 나이의 한 가지 마커일 뿐입니다. 다른 마커(후성유전체, 단백질체)와 결합해야 합니다
• 네트워크는 텔로미어가 왜 짧은지 설명하지 않습니다. 조직 특성을 기반으로 짧아 보인다는 것만 알려줍니다

결론

TLPath는 유망한 연구 도구이지 임상 검사가 아닙니다. 코드는 GitHub(Sinha-CompBio-Lab/TLPath)에서 공개적으로 제공되며, 연구자들이 작업을 확장할 수 있습니다. 광범위한 결론: 노화 측정은 값비싼 실험실에서 점차 어디에나 있는 샘플에서 실행할 수 있는 도구로 이동할 수 있습니다. TLPath가 첫 번째 단계라면, 이는 "이미지 기반 바이오마커"의 전체 물결의 시작일 수 있습니다. 즉, 기존 샘플에서 이전에는 보이지 않았던 추정 가치를 추출하는 모델입니다. 그러나 중간 정도의 정확도는 이것이 여전히 길의 시작임을 상기시켜 줍니다.