부록 C12: 이미징과 측정의 물리

5 분 소요

이 장에서 배울 것

이번 장에서는 현미경 이미지와 생물학적 측정이 어떤 물리적 한계를 가지는지 배웁니다. 이미지는 단순한 사진이 아닙니다. 빛, 렌즈, 형광, 해상도, 잡음, 신호 처리의 결과입니다. 계산생물학자가 이미지 데이터를 분석하려면, 이미지가 어떻게 만들어졌는지 알아야 합니다.

핵심 용어를 먼저 정리하겠습니다.

빛(light): 전자기파의 한 종류이며, 현미경과 형광 이미징의 기본 도구입니다.
파장(wavelength): 빛의 물결 한 주기의 길이입니다. 파장에 따라 색과 해상도 한계가 달라집니다.
형광(fluorescence): 어떤 물질이 빛을 흡수한 뒤 다른 빛을 내는 현상입니다.
현미경(microscope): 작은 물체를 확대해 관찰하는 장치입니다.
해상도(resolution): 서로 가까운 두 점을 구분할 수 있는 능력입니다.
신호대잡음비(signal-to-noise ratio, SNR): 원하는 신호가 원치 않는 잡음보다 얼마나 뚜렷한지를 나타내는 값입니다. 이후에는 영어 약어인 SNR도 함께 사용하겠습니다.
픽셀(pixel): 디지털 이미지에서 가장 작은 사각형 단위입니다.

이미징과 측정의 물리

가장 쉬운 비유: 흐린 창문 너머의 작은 글씨 읽기

아주 작은 글씨를 흐린 창문 너머로 본다고 생각해봅시다. 글씨가 실제로 있어도, 창문이 흐리거나 빛이 부족하거나 손이 흔들리면 잘 보이지 않습니다. 현미경 이미지도 비슷합니다. 세포 안의 구조가 실제로 존재해도, 빛의 한계와 측정 잡음 때문에 흐릿하게 보일 수 있습니다.

그래서 이미지를 분석할 때는 “화면에 보이는 것이 곧 현실 그 자체”라고 생각하면 안 됩니다. 이미지는 현실이 측정 장비와 물리 법칙을 거쳐 만들어진 결과입니다.

빛과 파장

현미경은 빛을 이용해 작은 구조를 봅니다. 빛은 파동처럼 행동하며, 파장을 가집니다. 파장이 짧을수록 더 작은 구조를 구분하는 데 유리합니다. 반대로 파장이 긴 빛은 작은 구조를 세밀하게 구분하기 어렵습니다.

이것이 해상도 한계와 연결됩니다. 아무리 좋은 렌즈를 써도 빛의 파장 때문에 무한히 작은 것을 볼 수는 없습니다. 이를 회절 한계(diffraction limit)라고 합니다. 회절 한계는 빛이 작은 구멍이나 물체 주변에서 퍼지는 성질 때문에 생기는 한계입니다.

현대 생명과학에서는 이런 한계를 넘거나 우회하기 위해 여러 고급 현미경 기술을 사용합니다. 하지만 입문 단계에서는 “이미지는 물리적 한계를 가진 측정값”이라는 사실을 아는 것이 중요합니다.

형광 이미징은 표지를 붙여 보는 방법입니다

형광 이미징은 특정 분자나 구조에 빛나는 표지를 붙여 관찰하는 방법입니다. 예를 들어 어떤 단백질에 형광 표지를 붙이면, 그 단백질이 세포 안 어디에 있는지 볼 수 있습니다.

형광은 빛을 흡수한 뒤 다른 파장의 빛을 내는 현상입니다. 보통 짧은 파장의 빛을 흡수하고, 조금 더 긴 파장의 빛을 방출합니다. 현미경은 이 방출된 빛을 감지해 이미지를 만듭니다.

하지만 형광 이미징에도 한계가 있습니다. 표지가 생물학적 기능을 방해할 수 있고, 빛을 오래 쬐면 형광이 약해지는 광표백(photobleaching, 형광 물질이 빛에 의해 점점 어두워지는 현상)이 생길 수 있습니다. 또한 강한 빛은 세포에 손상을 줄 수 있습니다.

해상도와 픽셀은 다릅니다

픽셀이 작다고 해서 항상 해상도가 좋은 것은 아닙니다. 픽셀은 디지털 이미지의 저장 단위이고, 해상도는 실제로 가까운 두 구조를 구분할 수 있는 능력입니다.

예를 들어 흐릿한 사진을 아주 작은 픽셀로 저장해도, 원래 흐릿한 정보가 갑자기 선명해지는 것은 아닙니다. 반대로 해상도가 충분한 이미지라도 픽셀 크기가 너무 크면 세부 정보가 제대로 저장되지 않을 수 있습니다.

이미지 분석에서는 이 차이가 중요합니다. 세포 경계를 나누거나, 핵의 개수를 세거나, 형광 세기를 비교할 때 픽셀 크기와 실제 해상도를 모두 고려해야 합니다.

신호와 잡음

측정에서 원하는 정보는 신호이고, 원치 않는 흔들림이나 배경은 잡음입니다. 형광 이미지에서 특정 단백질의 빛은 신호이고, 배경 형광이나 카메라 잡음은 잡음입니다.

SNR이 높으면 원하는 신호가 뚜렷합니다. SNR이 낮으면 신호와 잡음이 섞여 구분하기 어렵습니다. 생물 이미지 분석에서 SNR이 낮으면 세포 경계 검출, 단백질 위치 추정, 세포 수 계산이 불안정해질 수 있습니다.

그래서 좋은 분석은 알고리즘만으로 되는 것이 아닙니다. 좋은 시료 준비, 적절한 촬영 조건, 충분한 신호, 낮은 잡음이 함께 필요합니다.

이미지는 데이터입니다

현미경 이미지는 사람이 눈으로 보는 그림이면서 동시에 숫자 배열입니다. 흑백 이미지는 각 픽셀에 밝기 값이 들어 있는 2차원 배열이고, 컬러 이미지는 여러 채널의 밝기 배열입니다. 형광 이미지에서는 각 채널이 서로 다른 분자나 구조를 나타낼 수 있습니다.

따라서 이미지 분석은 수학, 통계, 프로그래밍과 연결됩니다. 세포 영역을 나누는 분할(segmentation, 이미지에서 세포나 핵 같은 영역을 자동으로 나누는 작업), 물체 개수 세기, 형광 강도 측정, 세포 모양 분석, 조직 패턴 분석이 모두 계산 문제입니다.

계산생물학에서 왜 중요할까

공간전사체학, 조직병리 이미지 분석, 세포 이미지 기반 약물 스크리닝, 단일세포 이미징, 신경 회로 분석에서는 이미지 데이터가 핵심입니다. AI 모델이 이미지를 분석하더라도, 연구자는 이미지가 어떻게 생성되었고 어떤 한계를 갖는지 이해해야 합니다.

특히 이미지 분석에서는 측정 조건 차이가 결과를 크게 바꿀 수 있습니다. 현미경 설정, 노출 시간, 염색 강도, 시료 두께, 배경 잡음이 모두 데이터에 영향을 줍니다. 따라서 이미징의 물리를 모르면 알고리즘 결과를 과신하기 쉽습니다.

계산 감각: 신호대잡음비는 측정이 얼마나 선명한지 보는 숫자입니다

이미징과 측정에서는 원하는 신호와 원하지 않는 잡음이 함께 들어옵니다. 이때 신호가 잡음보다 얼마나 큰지 보는 간단한 숫자가 신호대잡음비(signal-to-noise ratio)입니다.

신호대잡음비 = 신호 크기 / 잡음 크기

예를 들어 신호가 100이고 잡음이 20이면 신호대잡음비는 100/20 = 5입니다. 신호가 80이고 잡음이 40이면 신호대잡음비는 2입니다. 일반적으로 신호대잡음비가 높을수록 원하는 대상을 더 선명하게 구분하기 쉽습니다.

다만 신호대잡음비가 높다고 해상도 문제가 모두 해결되는 것은 아닙니다. 해상도는 가까운 두 대상을 구분하는 능력이고, 신호대잡음비는 신호가 잡음에 비해 얼마나 뚜렷한지를 나타냅니다.

데이터 해석 관점: 이미지 분석은 조건 통제와 전처리에서 시작합니다

이미지 분석에서 중요한 일은 알고리즘을 돌리는 것만이 아닙니다. 먼저 이미지가 비교 가능한 조건에서 찍혔는지 확인해야 합니다. 노출 시간, 현미경 설정, 염색 강도, 시료 두께가 다르면 같은 세포도 더 밝거나 어둡게 보일 수 있습니다. 이 차이를 무시하면 생물학적 차이가 아닌 촬영 조건 차이를 발견한 것처럼 착각할 수 있습니다.

분할(segmentation)도 주의해야 합니다. 세포핵을 자동으로 세는 알고리즘이 있다고 해도, 문턱값(threshold)을 너무 낮게 잡으면 잡음까지 세포로 잘못 셀 수 있고, 너무 높게 잡으면 희미한 세포를 놓칠 수 있습니다.

문턱값 낮음 → 많이 검출되지만 거짓 양성 증가 가능
문턱값 높음 → 선명한 대상만 검출되지만 약한 신호 누락 가능

픽셀 크기도 실제 길이와 연결해야 합니다. 한 픽셀이 0.5마이크로미터라면 20픽셀 길이는 10마이크로미터입니다. 이미지 숫자를 실제 생물학적 크기로 바꾸려면 이 변환이 필요합니다.

초보자가 자주 하는 오해

첫째, “픽셀 수가 많으면 무조건 더 잘 보인다”고 생각하면 안 됩니다. 픽셀은 저장 단위이고, 해상도는 가까운 두 대상을 실제로 구분하는 능력입니다.

둘째, “AI가 분석하면 측정 한계가 사라진다”고 생각하면 안 됩니다. 흐릿하거나 잡음이 심한 데이터에서는 AI도 잘못 판단할 수 있습니다.

셋째, “밝기가 세면 항상 분자가 많다”고 단정하면 안 됩니다. 노출 시간, 염색 효율, 배경 잡음, 광표백이 밝기에 영향을 줄 수 있습니다.

이전 개념과 다음 개념의 연결

이전 장에서 생물학적 신호는 시간에 따라 변한다고 배웠습니다. 이미징은 그런 신호와 구조를 공간과 시간 속에서 관찰하는 강력한 방법입니다. 하지만 이미지는 물리적 한계와 측정 조건을 가진 데이터이므로, 이후의 이미지 기반 AI 분석이나 공간전사체 분석에서도 이 한계를 계속 고려해야 합니다.

보강 학습: 해상도, 픽셀, SNR은 서로 다른 문제입니다

이미징 데이터를 읽을 때 해상도와 픽셀 수를 혼동하면 안 됩니다. 픽셀은 이미지를 나누는 격자이고, 해상도는 가까이 있는 두 대상을 실제로 구분할 수 있는 능력입니다. 픽셀을 아무리 작게 만들어도 광학계와 노이즈가 한계를 가지면 실제 해상도는 좋아지지 않을 수 있습니다.

신호대잡음비는 SNR = signal / noise로 읽습니다. 예를 들어 형광 신호가 80이고 배경 잡음이 20이면 SNR은 4입니다. 신호가 30이고 잡음이 20이면 SNR은 1.5입니다. SNR이 1에 가까우면 신호와 잡음이 비슷한 크기라서 판별이 불안정하고, SNR이 커질수록 원하는 신호가 더 뚜렷해집니다. SNR이 낮으면 밝아 보이는 점이 실제 구조인지, 우연한 배경 흔들림인지 구분하기 어렵습니다.

이 개념은 microscopy뿐 아니라 sequencing quality에도 연결됩니다. 시퀀싱에서 낮은 품질의 염기 호출은 실제 변이처럼 보이는 가짜 신호를 만들 수 있습니다. 이미지 분석에서도 낮은 SNR은 세포 경계 검출, spot counting, colocalization 해석을 불안정하게 만듭니다.

그래프나 이미지를 해석할 때는 “무엇을 측정했는가, 해상도 한계는 무엇인가, 잡음은 얼마나 큰가, 전처리로 어떤 신호가 바뀌었는가”를 함께 확인해야 합니다. 이미지는 예쁜 그림이 아니라 물리적 측정 과정이 반영된 데이터입니다.

핵심 정리

생물학적 이미지는 빛, 렌즈, 형광, 해상도, 잡음이 함께 만든 측정 데이터입니다. 파장은 해상도 한계와 연결되고, 형광은 특정 분자나 구조를 보이게 하는 강력한 방법입니다. 픽셀 크기와 실제 해상도는 다르며, 신호대잡음비는 이미지 품질에 큰 영향을 줍니다. 계산생물학자는 이미지를 단순한 그림이 아니라 물리적 한계를 가진 숫자 데이터로 이해해야 합니다.