공간전사체 실험의 확장성을 결정하는 것은 최고의 성공 사례가 아니라, 누가 수행해도 일정한 결과를 얻을 수 있는가이다.
귀한 환자 조직을 슬라이드에 올린 연구자는 실험이 끝날 때까지 긴장을 놓기 어렵다. 조직 절편이 손상되거나, 전처리 조건이 조금만 달라지거나, staining과 imaging 과정에서 예상하지 못한 문제가 발생하면 다시 시작해야 할 수 있기 때문이다.
일반적인 시약이라면 재실험하면 된다. 그러나 특정 치료 시점에 한 번만 채취된 생검이나 희귀암 조직은 다시 구할 수 없다. 공간전사체 실험의 실패 비용에는 초고가 시약과 장비 사용료뿐 아니라 복구할 수 없는 임상적 기회가 포함된다.
따라서 mass adoption을 가로막는 핵심 문제는 평균적인 성공률만이 아니다. 실험 간 변동성과 숙련자 의존성이다.
하나의 실험이 아니라 연결된 공정
공간전사체는 한 번의 측정으로 완성되지 않는다. 조직의 선택과 절편 제작, 고정과 투과 같은 전처리, staining, imaging, probe 반응, library preparation, sequencing과 데이터 QC가 연속적으로 이어진다.
각 단계의 작은 변동은 다음 단계에서 증폭될 수 있다. 좋지 않은 조직 품질을 sequencing depth로 보완하려 하거나, 불완전한 staining을 분석 알고리즘으로 수정하면 데이터는 만들어질 수 있지만 생물학적 신뢰도는 회복되지 않을 수 있다.
표면적으로는 최종 결과의 품질 문제로 보이지만, 그 아래에는 공정의 상태를 중간에 확인하기 어렵다는 구조적 문제가 있다. 실패 원인을 마지막에 발견한다면 어느 단계에서 문제가 시작되었는지 추적하기도 어렵다.
숙련된 연구자는 조직의 상태와 미세한 변화를 경험적으로 판단한다. 이 전문성은 매우 중요하지만, 특정 개인의 암묵지에 의존하는 공정은 처리량을 늘리거나 새로운 기관으로 이전하기 어렵다. 담당자가 바뀔 때마다 결과의 분포가 달라진다면 연구 프로젝트는 가능해도 산업적 생산 시스템이 되기는 어렵다. 그리고 지금은 산업화가 필요한 시기이다.
자동화는 인건비 절감 이상의 문제다
실험 자동화를 로봇이 사람의 손을 대신하는 것으로만 이해하면 그 가치를 과소평가하게 된다. 자동화의 핵심은 동일한 동작의 반복이 아니라 변동을 측정하고 기록하며 통제하는 데 있다.
첫 번째 가치는 재현성이다. 시약량, 반응시간, 온도와 이미징 조건을 일관되게 관리하면 작업자와 기관에 따른 편차를 줄일 수 있다.
두 번째는 provenance, 즉 각 결과가 어떤 조건과 과정을 거쳐 생성되었는지 추적할 수 있는 기록이다. 문제가 발생했을 때 원인을 되짚을 수 있어야 결과를 신뢰하고 비교할 수 있다.
세 번째는 throughput이다. 더 많은 슬라이드를 처리한다는 의미뿐 아니라, 예측 가능한 시간 안에 결과를 제공할 수 있다는 뜻이다.
마지막은 인력의 지속 가능성이다. 반복적이고 긴장도가 높은 작업을 줄이면 연구자는 예외 상황을 판단하고, 더 나은 실험을 설계하고, 확장 가능성을 높이는데 더 집중할 수 있다.
자동화는 전문가를 없애는 기술이 아니라 전문가의 판단을 가장 필요한 곳에 배치하는 운영 방식이어야 한다.
필요한 것은 로봇이 아니라 폐쇄형 품질관리
단기적으로는 실험의 주요 단계마다 QC gate를 두어야 한다. 조직 상태, staining 품질, 신호 강도와 배경 노이즈를 다음 단계로 넘어가기 전에 확인하면 실패를 더 일찍 발견할 수 있다. 실패율뿐 아니라 재실험률, batch 간 편차와 turnaround time을 함께 운영 지표로 관리해야 한다.
중기적으로는 SOP 표준화와 로봇 자동화를 결합하고, 온도·습도·반응시간·이미징 상태를 감지하는 센서와 소프트웨어를 도입할 필요가 있다. 특정 장비에만 종속되지 않는 metadata를 기록하고, 동일한 control tissue를 batch마다 포함하면 변동의 원인이 조직인지 공정인지 구분하는 데 도움이 된다.
장기적으로는 실험 결과가 다음 실험 조건에 피드백되는 폐쇄형 시스템이 필요하다. 다만 품질 기준을 충족하지 못한 조직을 자동으로 폐기하는 방식보다, 전문가에게 예외를 제시하고 판단을 요청하는 human-in-the-loop 구조가 현실적이다.
자동화가 모든 문제를 해결하는 것은 아니다. 지방이 많거나 섬유화가 심한 조직, 괴사가 포함된 종양, 작은 생검처럼 조직마다 다른 처리가 필요한 경우가 있다. 희귀 검체에서는 표준 절차를 고집하는 것이 오히려 정보를 훼손할 수도 있다. 자동화할 부분과 전문가 판단을 남겨둘 부분을 구분해야 한다.
Portrai가 얻은 학습
Portrai가 다양한 공간전사체 데이터를 구축하며 확인한 것은, 분석 단계에서 발견되는 이상 현상 중 상당수가 실험 과정과 분리되어 있지 않다는 점이었다. 같은 암종이라도 조직 상태와 전처리, imaging 품질에 따라 검출되는 세포와 유전자의 분포가 달라질 수 있었다.
이 때문에 분석 QC만으로는 충분하지 않았다. 병리 이미지, 실험 metadata와 분석 결과를 연결하고, 이상 징후를 원래 공정까지 추적할 수 있어야 했다. 우리가 실험 자동화를 데이터 생산 기술이 아니라 신뢰 가능한 데이터 인프라의 일부로 보는 이유다.
자동화가 성공한 뒤의 역설
낙관적으로는 5년 안에 표준화된 자동화가 기관 간 편차를 줄이고, 공간전사체 실험을 소수 숙련자의 프로젝트에서 반복 가능한 생산 공정으로 전환할 수 있다.
현실적으로는 조직 준비와 예외 판정에는 전문가가 남고, 반복성이 높은 staining·imaging·library preparation부터 단계적으로 자동화될 가능성이 높다. 반대로 장비 처리량만 높이고 QC와 provenance를 연결하지 못한다면, 더 많은 데이터와 함께 더 많은 batch effect를 생산할 수도 있다.
그리고 자동화가 정말 성공하면 새로운 역설이 시작된다. 실험 병목이 해소되는 순간, 수백만 개의 세포와 수십억 개의 발현 정보가 지속적으로 쏟아지기 때문이다.
다음 글에서는 자동화가 만들어낼 공간전사체 데이터 폭발과 이를 감당하기 위한 새로운 컴퓨팅 인프라를 살펴보려 한다.
