Spatial Biology의 도래
Biology를 바라보는 관점의 전환
우리가 생명현상을 탐색하고 질병을 이해하는 방식은 오랫동안 세포(cell)와 분자(molecule) 수준에서의 변화를 규명하는 데서 출발해 왔다. 특정 분자의 기능을 규명하고, 그 분자를 조절함으로써 질병을 치료할 수 있다는 사고방식은 곧 ‘신약 개발’이라는 구체적인 액션으로 이어졌고, 이는 수십 년에 걸친 긴 사이클의 연구·개발 프로세스를 만들어왔다.
이 과정에서 biology 데이터는 점진적으로 축적되어 왔지만, 그 성장 속도는 비교적 완만했다. 유전자 하나, 단백질 하나, 혹은 pathway 하나씩 이해해 나가는 방식은 깊이는 있었지만, 본질적으로는 가설 중심(hypothesis-driven) 연구의 틀 안에 머물러 있었다.
그러나 이러한 균형이 본격적으로 깨지기 시작한 계기는 spatial biology의 등장이다.
데이터 폭발의 기점: Spatial Biology
2020년, spatial transcriptomics가 Nature Methods의 Method of the Year로 선정되었고, 2024년에는 spatial proteomics가 같은 타이틀을 차지했다. 이는 단순한 기술적 성취 이상의 의미를 가진다. Biology가 더 이상 평균화된 데이터(bulk)나 단일 축(single modality)에 머무르지 않고, 공간(space)이라는 새로운 차원 위에서 모든 분자적 정보를 통합적으로 다룰 수 있는 장(field)으로 진입했음을 상징한다.
조직 내에서 유전자 발현은 어디서 일어나는가, 단백질은 어떤 세포와 어떤 이웃 관계 속에서 기능하는가, 그리고 이러한 정보들이 서로 어떻게 얽혀 질병의 표현형을 만들어내는가. Spatial biology는 이 질문들에 대해 처음으로 데이터 차원의 해답을 제공하기 시작했다.
이로 인해 biology 연구의 패러다임은 빠르게 이동하고 있다.
가설을 먼저 세우고 데이터를 확인하는 방식에서
데이터를 먼저 수집하고, 그 위에서 무한한 가설을 생성·검증하는 방식으로
이 변화의 핵심에는 데이터의 스케일이 있다.
손톱만 한 조직에서 수백 GB의 세계로
현재의 spatial biology는 단 하나의 손톱만 한 조직 slice에서 수백 GB에 이르는 데이터를 만들어낼 수 있다. 수만 개의 세포, 수천 개의 유전자 혹은 단백질, 그리고 이들이 이루는 공간적 관계까지 모두 데이터화된다.
이러한 데이터는 인간의 직관이나 전통적인 분석 방식만으로는 더 이상 감당할 수 없다. 바로 이 지점에서 AI와의 결합이 필연적으로 등장한다. Spatial biology는 AI가 가장 잘 작동할 수 있는 이상적인 데이터 환경을 제공하고 있으며, AI는 이 복잡한 공간적·다차원적 정보를 해석하고 활용 가능한 지식으로 변환하는 엔진이 된다.
이 결합은 단순한 분석 자동화를 넘어, biology와 drug discovery 전반의 역할을 재정의하고 있다.
AI Agent의 시대: 분석 도구에서 의사결정 시스템으로
Spatial Biology Tool의 역할 변화
폭발적으로 증가해온 spatial biology 분석 툴은 명확한 목적을 가지고 있었다. “데이터를 잘 보자”는 것이다.
cell type을 정확히 annotation하고
새로운 niche를 발견하며
기존에 알려지지 않은 spatial pattern을 시각화하는 것
이러한 성과들은 수많은 논문으로 이어졌고, 때로는 새로운 기술 트렌드가 되었으며, 일부는 하나의 핵심기술로서 수많은 spatial biology의 ‘standard’처럼 활용되어 왔다.
그러나 agent의 시대에 들어서면서, 이러한 툴의 역할은 근본적으로 재정의되고 있다.
Tool에서 Agentic System으로
수많은 복잡한 툴들은 대부분 - 특히 잘 만들어진 툴일 수록- 사용 목적과 사용법이 잘 문서화가 되어있으며 코드베이스가 잘 되어있는 경우가 많다. 역설적이게도 이러한 툴일 수록 더욱 agent를 통해 활용이 쉬워지고 복잡하고 기존의 지식을 바탕으로 접근해온 연구자가 아닐지라도 툴의 목적과 사용법을 알면 매우 쉽게 활용할 수 있다. 특히 LLM을 기반으로 한 Agent시대에는 하나의 목적을 위한 툴에서 훨씬 더 상위레벨에서 분석의 목적과 그를 위한 workflow를 설계하여 ‘연구결과’ 확보로 갈 수 있는 길이 열렸다.
이와 같은 Tool들을 관장하는 Agent System이 기존 Bioinformatics의 ‘Dry Lab’ 분석의 상당부분을 가속화시키고 반복적 결과물 도출이 가능해지면서, 데이터에서의 발견에서 이제 중요한 질문은 단순히 “무엇을 발견했는가”를 넘어선 질문으로 넘어서고 있다.
이 복잡한 데이터 위에서 다음으로 무엇을 해야 하는가?
어떤 타깃을 우선적으로 검증해야 하는가?
어떤 적응증에서, 어떤 환자군에서 성공 확률이 높은가?
즉, 분석 결과를 나열하는 툴이 아니라, 의사결정(action)을 제안하고 신약개발의 다음 단계로 자연스럽게 연결되는 action이 가능한 데이터에서 부터의 발견이 요구되고 있다.
Spatial biology는 더 이상 탐색(exploration)을 위한 보조 수단이 아니다. 이는 신약개발 전반을 관통하는 patient-centric, data-driven Operating System으로 진화하고 있다.
Cell State 이해에서 Drug Action 예측으로
불과 몇 년 전까지만 해도 spatial biology의 ‘발견’으로서의 가치는 아래와같은 Tool들을 요구해왔다.
cell type annotation
cell state 정의
niche discovery
pathway enrichment
이제 이러한 요소들은 기본 요건이 되었다.
오늘날 더 중요한 질문은 훨씬 실용적이고, 훨씬 drug-centric하게 변하고 있다. 이는 Spatial Biology에서 얻어진 정보, 그리고 개별 환자에서 얻어진 데이터가 환자의 상태 및 임상적 다양성과 어떻게 multi-scale에서 융합되어야하는지와 연결될 필요가 있다.
이 타깃은 어디에서 발현되는가?
어떤 microenvironment에서 실제로 유효한 drug action이 가능한가?
toxicity와 efficacy는 공간적 맥락(spatial context)에서 어떻게 분리되는가?
Spatial biology의 중심은 앞으로 action중심으로 나아간다면,
Biology를 설명하는 도구 → 약물의 작동 방식을 예측하는 엔진
이는 spatial biology가 AI와 결합하여, 탐색의 영역을 넘어 구체적인 신약개발 가치(value)를 창출하는 OS로 자리 잡아가는 과정이다.
Spatial Context에서 정의되는 Therapeutic Entity
ADC, RPT, bispecific antibody, cell therapy와 같은 최신 약물 모달리티는 공통된 특징을 가진다. 이들은 더 이상 단일 분자(single molecule)로서 단일 세포에 작용하는 형태로 질병과 약물을 이해할 수 없다.
종양과 우리의 인체조직은 매우 복잡하고 수많은 세포가 상호작용하며 얽혀있는 시스템이다. 이 시스템속에 들어간 약물의 작용은 시험관의 배양된 세포로는 이해할 수가 없다. 다만, 공간생물학은 이 복잡한 상호작용하는 시스템의 지도를 그대로 우리에게 제공한다. 이 공간적 시스템에서 약물이 어떻게 작용할것인가를 풀어가는 것이 우리에게 주어진 다음 미션이 될 것이다.
이제 공간생물학에서 drug은 공간적으로 작동하는 시스템이다. 이를 예측하기 위해서는 기본적으로는 공간속에서 약물이 어떻게 물리적으로 전달되고 그 약물은 복잡한 세포들에게 어떻게 작용하는지를 합친 것이 될 것이다.
보다 실질적으로 우리가 ‘데이터’로 구체적인 Action을 만들 수 있는 Question들의 예시는 아래와 같다.
약물로 투약된 분자는 실제로 종양미세환경에서 어디까지 도달하는가?
bystander effect는 어떤 조직, 어떤 microenvironment에서 증폭되는가?
target expression의 heterogeneity는 실제 efficacy에 어떤 영향을 미치는가?
약물이 도달한 이후, 주변의 수많은 세포들과 어떤 상호작용을 통해 질병 차원의 변화를 만들어내는가?
이 질문들은 in vitro 실험이나 bulk omics 데이터로는 본질적으로 답할 수 없다. 오직 spatial biology 위에서만 정의되고, 해석될 수 있는 문제들이다.
Spatial Biology, 그리고 그 다음
Spatial biology는 이제 하나의 기술이나 분석 방법론을 넘어섰다. 이는 biology를 이해하는 방식, drug을 정의하는 방식, 그리고 신약개발의 의사결정 구조 자체를 재편하고 있다.
앞으로의 경쟁력은 더 많은 데이터를 생산하는 데 있지 않다.
데이터를 어떻게 통합하고
어떤 질문을 자동으로 생성하며
어떤 의사결정을 가장 합리적으로 제안할 수 있는가
이것이 agent의 시대에 spatial biology가 요구받는 새로운 역할이다.
Spatial biology는 더 이상 미래의 가능성이 아니다. 이미 시작된 변화이며, 신약개발의 중심으로 이동하고 있는 현재진행형의 OS다.
