2018년 초 미국 콜로라도 대학교 화공생명공학부 연구팀 3명이 발표한 논문 “Deep Convolutional Neural Network Analysis of Flow Imaging Microscopy Data to Classify Subvisible Particles in Protein Formulations”를 소개합니다. 본 연구에서 단백질 및 실리콘 오일 입자 이미지를 측정하기 위해 FlowCAM 장비가 사용되었습니다.

[초록 발췌]---------------------

Flow-imaging microscopy(FIM)는 일반적으로 치료용 단백질 제형에서 눈에 보이지 않는 입자를 측정하는 데 사용됩니다. 제약 회사는 종종 단백질 치료제의 FIM 이미지의 대형 저장소를 수집하지만, 이러한 이미지를 분석할 수 있는 현재의 최첨단 방법들은 저차원의 "형태학적 특징" 목록에 의존하여 기존 이미지 데이터베이스에서 인코딩된 정보의 대부분을 무시하고 입자를 측정하고 있습니다. 딥 콘볼루션 신경망(CNNs 또는 ConvNets라고도 함)은 다양한 작업에서 "형태학적 특징"을 선택 또는 지정하지 않고도 원래의 매크로(Macro) 이미지 데이터에서 예측 정보를 추출하는 기능을 보여줍니다. 그러나 단백질 치료제의 내재적 이질성과 눈에 보이지 않는 FIM 입자 측정과 관련된 광학 현상은ConvNets를 FIM 이미지 분석에 적용하는 것과 관련하여 새로운 과제를 야기합니다. 우리는 ConvNets를 활용하는 감독학습기법을 사용하여 다양한 단백질 입자를 생성하는 공정조건 또는 스트레스상태(동결-해동, 기계식 진동 등)를 예측하기 위해 원본 이미지에서 정보를 추출합니다. 우리의 새로운 분류기는 "데이터 풀링" 전략과 함께 FIM을 통해 이미지화된 20개 정도의 입자를 사용하여 단백질 치료 품질관리 및 프로세스 모니터링과 관련된 다양한 시나리오에서 단백질 제형을 거의 완벽하게 구별할 수 있음을 입증합니다.

--------------------------------