세포 노화를 시각화하다: 핵 형태 기반 머신러닝으로 본 노화의 동적 지도

🔍 세포 노화, 재생인가 쇠퇴인가?

세포가 손상이나 스트레스에 반응해 더 이상 분열하지 않고 대사만 유지하는 상태인 세포 노화(senescence)는 조직 재생에 기여하기도 하지만, 시간이 지남에 따라 체내에 축적되면 만성 염증이나 암, 심혈관질환 등의 원인이 됩니다.
문제는, 노화세포가 유익한지 해로운지 그 판단이 조직의 맥락과 나이, 손상 여부에 따라 달라진다는 점입니다.

하지만 지금까지 노화세포를 식별하기 위한 마커(p16, p21, SA-β-gal 등)는 조건에 따라 변동성이 크고 신뢰도가 낮아, 세포 노화를 정량화하거나 비교 분석하는 데 한계가 있었습니다.

---

🧠 새로운 분석 도구: ‘핵 형태 기반 머신러닝(NMP)’

뉴욕대(NYU) 연구팀은 세포핵의 형태 정보를 머신러닝으로 분석해 노화세포를 정량화하는 새로운 방법인
NMP(Nuclear Morphometric Pipeline)를 개발했습니다.

이 방법은 세포핵의 4가지 특성에 기반합니다:

• 핵 크기 증가
• 밀집된 핵소(foci) 증가
• 원형도(circularity) 감소
• DAPI 염색 강도 감소

이 특성들을 조합해 UMAP 차원 축소와 k-means 클러스터링을 통해 노화세포를 분류하고,
-20에서 +20 사이의 ‘노화 점수(Senescence Score)’로 수치화했습니다.

 

핵 형태 기반 노화 점수의 시각화

 

---

🧪 다양한 유도 조건에서도 신뢰성 입증

NMP는 산화 스트레스(H₂O₂) 외에도 도옥소루비신, 에토포사이드 같은 노화 유도 조건에서도
일관되게 노화세포를 탐지해냈습니다.
또한 근육세포(C2C12)뿐 아니라 지방 전구세포(3T3-L1) 등 다양한 세포주에서도 재현 가능성을 입증했습니다.

기존의 SA-β-gal 염색이 조직과 조건에 따라 실패하는 반면, NMP는 핵 형태만으로도 고감도 탐지가 가능합니다.

---

🧬 살아있는 조직에서도 ‘노화의 지도’를 그리다

이 기법은 생체 내 마우스 모델에서도 적용됐습니다.

• 젊은, 노년, 고령 마우스의 골격근을 손상(BaCl₂)시킨 후 세포를 분리해 분석
• 젊은 마우스에선 FAPs(Fibroadipogenic progenitors)가 주로 노화되며 재생에 기여
• 고령 마우스에선 SCs(Satellite cells)가 노화되며 재생력 감소와 연관

즉, 같은 조직이라도 나이에 따라 어떤 세포가 노화되고 재생에 기여하거나 방해하는지가 달라지는 것입니다.

 

근육 손상 후 노화세포의 시간적·연령별 변화

 

---

🦴 관절염 연골에서도 10배 증가한 노화세포 확인

연골조직에서도 고령 마우스의 연골세포(chondrocytes)는 젊은 마우스보다
노화세포가 약 10배 많았으며, Ki67 감소, γH2AX 증가로 노화 상태를 확인할 수 있었습니다.
이러한 결과는 관절염과 같은 만성 퇴행성 질환에서 노화세포의 기여를 잘 보여줍니다.

---

🔍 NMP의 장점과 의의

기존 방식	NMP 방식
p16/p21, SA-β-gal 등 생화학 마커 중심	DAPI 기반 핵 형태 4가지로 판별
마커 불안정, 조직별 조건의존성 큼	조건에 구애받지 않음, 전처리 간단
세포 수가 적으면 적용 어려움	단일세포 해상도 가능
조직 절편에서 적용 어려움	조직 절편에도 적용 가능

 

NMP는 단일세포 해상도, 비마커 기반, 자동화 가능성, 재현성에서 뛰어난 이점을 보이며
세포노화 연구의 표준화된 툴로 자리잡을 가능성이 큽니다.

---

✅ 한줄평

“노화세포를 구별하는 눈을 갖추는 것이야말로 건강한 재생과 노화를 가르는 열쇠다.”

 

참고논문 : DOI: 10.1038/s41467-025-60975-z