암 면역치료는 화학요법, 방사선치료, 표적치료와 같은 기존 치료와 병용될 때 특히 환자 예후를 현저히 개선해 왔다. 그러나 이러한 치료 이후 일부 암세포는 노화(센esence) 상태에 진입할 수 있는데, 증식을 중단하면서도 대사적으로는 활성화된 상태를 유지하며 조직 내에 지속적으로 잔존한다. 치료 유발 노화 암세포(therapy-induced senescent cancer cells, TISCCs)는 항종양 면역반응에 유의미한 영향을 미친다. TISCCs는 신생항원을 제시하고 선천 면역 경로를 활성화함으로써 종양의 면역원성을 증강시킬 수 있다. 반대로 TISCCs는 T세포 면역 회피와 치료 내성을 촉진하여, 궁극적으로 면역억제적인 종양 미세환경을 조성할 수도 있다. 이러한 TISCCs의 상반된 양면성은 면역치료 효능을 좌우하는 핵심 요인을 이루며, 따라서 병용 치료 전략을 최적화하기 위해 이들을 정밀하게 조절하는 일은 중요한 과제로 남아 있다. 본 리뷰에서는 항종양 면역에서 TISCCs가 수행하는 상반된 역할을 포괄적으로 고찰하고, TISCC로 인한 면역억제를 완화하며 면역치료 기반 병용요법의 전반적 효능을 향상시키는 데 기여하는 새롭게 부상하는 치료 접근법을 강조한다.

면역원성 세포사멸(Immunogenic cell death, ICD)은 냉성 종양의 면역원성을 향상시키고, 이를 면역 반응성 ‘열성(hot) 종양’으로 전환하며, 암 면역치료의 효능을 개선할 수 있다. ICD 유도제는 세포 부종, 막 파열, 손상연관분자패턴(damage-associated molecular patterns, DAMPs)의 방출을 유발하므로, ICD 유도제를 효과적으로 선별하기 위해서는 대규모 환경에서 형태학적 변화와 DAMP 동역학을 신속하고 정확하게 평가할 수 있는 시스템이 필요하며, 이에 따라 고도화된 영상처리 역량의 필요성이 강조된다. 본 연구에서 우리는 ICD를 겪는 사멸 세포의 전형적인 형태를 규명함으로써, ICD 유도제를 선별하기 위한 인공지능(AI) 기반 검출기를 개발하였다. 성능을 향상시키기 위해 형광 표지자에서의 전이학습(transfer learning)을 적용하고, 차등간섭대비(differential interference contrast, DIC) 이미지를 사용하여 모델을 미세조정(fine-tuning)하였다. 또한 모델 보조 라벨링(model-assisted labeling, MAL)은 ICD 선별에서 수작업 라벨링의 필요성을 줄여 주어 주석(annotation) 효율을 향상시켰다. 맹검(blind) 테스트에서 AI는 8개의 후보군 중 3개의 ICD 유도제를 성공적으로 식별하였고, 이는 세포사멸 유형, DAMP 방출, 면역 활성화에 대한 분석을 통해 검증되었다. 본 AI 기반 고처리량 스크리닝(high-throughput screening, HTS) 시스템은 실시간 광학 이미지에만 의존하여 ICD 후보를 효율적으로 식별함으로써 선별에 필요한 시간과 자원을 유의하게 절감하였다. 아울러 해당 시스템은 수작업 분석으로는 구별하기 어려운 미세한 형태학적 차이를 검출할 수 있는 능력을 보여주었으며, 이는 ICD 예측뿐 아니라 기초 연구 및 더 광범위한 스크리닝 응용 분야로의 잠재력을 시사한다.