EV 분석 · 정량 · QC에서 인공지능이 드러낸 새로운 신호들
목차
- 서론
- 본론
- 왜 사람은 EV 패턴을 놓칠 수밖에 없는가
- AI는 EV를 ‘입자’가 아닌 ‘분포’로 본다
- AI가 발견한 패턴(크기 분포의 미세한 왜곡)
- AI가 발견한 패턴(정상처럼 보이던 불량 Batch)
- AI가 발견한 패턴(표면 마커의 조합 변화)
- AI가 발견한 패턴(농도 변화의 시간적 시그니처)
- AI가 발견한 패턴(분리 공정 스트레스의 흔적)
- AI 패턴 인식이 QC를 어떻게 바꾸는가
- 사람이 여전히 필요한 지점
3. 결론
1. 서론
왜 사람은 EV 패턴을 놓칠 수밖에 없는가?
EV 분석은 오랫동안 다음과 같은 방식에 의존해 왔습니다.
• 평균 크기
• 평균 농도
• 대표 이미지(TEM)
• 몇 가지 표준 마커
이 방식은 유용하지만, 본질적으로 요약 정보 중심입니다.
즉,
사람은 EV를 대표값으로 보고
AI는 EV를 전체 분포와 패턴으로 봅니다.
이 차이가 AI가 새로운 EV 신호를 발견하게 만든 출발점입니다.
2. 본론
1) AI는 EV를 ‘입자’가 아닌 ‘분포’로 본다
AI 모델은 개별 EV 하나하나보다 다음을 학습합니다.
• 수천~수만 개 입자의 분포 형태
• 미세한 비대칭성
• 반복 공정에서 나타나는 미묘한 변화
사람에게는 비슷해 보이는 그래프라도
AI에게는 완전히 다른 패턴일 수 있습니다.
2) AI가 발견한 패턴(크기 분포의 미세한 왜곡)
사람의 판단은 다음과 같습니다.
• 평균 크기 정상
• 분포 범위 허용
반면 AI의 판단은 다릅니다.
• 분포 꼬리(tail)의 비대칭 증가
• 특정 크기 구간의 반복적 감소
이 패턴은 이후
• 세포 Uptake 감소
• 생물학적 활성 저하와 강하게 연결되는 것으로 나타났습니다.
평균은 정상인데 기능은 떨어지는 EV의 단서였습니다.
3) AI가 발견한 패턴(정상처럼 보이던 불량 Batch)
QC 담당자에게는
• 수치상 정상
- 외형상 문제 없음이었던 Batch를
AI는 고위험 Batch로 분류했습니다.
공통 특징은
과거 불량 Batch와 유사한 미세 신호 조합이었습니다.
이 Batch들은 실제로
• 반복 실험에서 효과 변동성 증가
• 장기 저장 후 급격한 성능 저하를 보였습니다.
AI는 불량이 된 상태가 아니라
불량이 될 가능성을 먼저 봅니다.
4) AI가 발견한 패턴 (표면 마커의 조합 변화)
사람은 보통
• CD63 있음/없음
• CD81 강/약 처럼 개별 마커를 봅니다.
AI는
• 마커 간 비율
• 조합 패턴
• 동시 발현 확률을 함께 학습합니다.
그 결과
같은 마커를 가지고 있어도
Uptake 경로가 달라지는 EV 군집이 구분되었습니다.
이는 마커의 존재보다
마커 간 관계가 중요하다는 점을 보여줍니다.
5) AI가 발견한 패턴(농도 변화의 시간적 시그니처)
AI는
• 분리 중
• 보관 중
• 반복 측정 중 나타나는 농도 변화의 시간 패턴을 분석합니다.
사람에게는 노이즈처럼 보이던
• 미세한 변동 리듬
- 특정 시점의 급격한 변화가
이후
• 구조 손상
• Cargo 누출과 연관됨이 밝혀졌습니다.
정적인 수치보다
변화의 형태가 더 중요했습니다.
6) AI가 발견한 패턴(분리 공정 스트레스의 흔적)
AI는
• 초원심분리 속도
• 필터 압력
• 유속 변화에 따라 EV 특성이 어떻게 달라지는지 학습합니다.
그 결과
사람이 인지하지 못했던 공정 스트레스 시그니처가 발견되었습니다.
이 시그니처는
• EV 막 손상
• Biodistribution 변화와 연결됩니다.
같은 공정이 사실은
EV에 서로 다른 스트레스를 주고 있었던 것입니다.
7) AI 패턴 인식이 QC를 어떻게 바꾸는가
기존 QC는
• 기준 충족 vs 미충족
• 사후 판정 구조였습니다.
AI 기반 QC는
• 위험도 예측
• 패턴 기반 분류
• 공정 개선 피드백으로 작동합니다.
QC는 검사 단계에서
예측 시스템으로 바뀌고 있습니다.
8) 사람이 여전히 필요한 지점
중요한 점은 분명합니다.
AI는 패턴을 찾지만, 의미를 해석하는 것은 사람입니다.
AI가 발견한 패턴이
생물학적 이유인지
기술적 아티팩트인지를 판단하는 역할은
여전히 연구자의 몫입니다.
3. 결론
AI가 EV 분석에서 보여준 가장 큰 변화는
EV를 더 이상 비슷해 보이는 입자가 아니라
숨겨진 패턴을 가진 시스템으로 바라보게 만들었다는 점입니다.
AI는 사람이 보지 못하던 EV의 언어를
데이터로 번역해 주고 있을 뿐입니다.
그리고 그 언어를 이해하는 순간
EV 연구, QC, 상용화는
완전히 다른 단계로 들어가게 됩니다.