Why Your Cell Counting Results May Be Inaccurate (Korean ver.)
2026-06-11
당신의 Cell Counting 결과가 부정확한 이유들
– 전체 Error 구조로 이해하는 Cell Counting
Introduction: 왜 Cell Counting 결과는 일관되지 않을까
세포 수 측정(Cell Counting)은 생명과학 실험에서 가장 기본적이면서도 가장 자주 수행되는 작업 중 하나입니다. 세포 배양, 약물 처리, 독성 평가, 면역 분석, 세포 치료제 개발 등 거의 모든 실험의 출발점은 “정확한 세포 수”에서 시작된다고 해도 과언이 아닙니다. 그만큼 Cell Counting 결과는 단순한 숫자를 넘어, 이후 실험의 품질과 해석을 좌우하는 핵심 데이터입니다.
하지만 현실에서는 같은 샘플을 사용했음에도 불구하고 실험자 간 결과가 다르거나, 동일한 장비로 반복 측정을 했는데도 값이 일관되지 않는 경우가 빈번하게 발생합니다. 심지어 수동 카운팅과 자동 셀 카운터 간의 결과가 크게 차이나는 사례도 흔합니다. 이러한 차이는 종종 “사용자의 숙련도”나 “장비 성능” 문제로 단순화되지만, 실제로는 훨씬 더 복합적인 요인들이 작용합니다.
Cell Counting은 단순히 세포를 세는 행위처럼 보이지만, 그 이면에는 물리적 구조(챔버), 통계적 특성(샘플링과 분포), 생물학적 변수(세포 상태), 화학적 요인(염색), 그리고 소프트웨어 알고리즘까지 다양한 요소가 얽혀 있습니다. 이 중 어느 하나라도 제대로 이해되지 않거나 통제되지 않으면, 결과는 쉽게 왜곡될 수 있습니다.
특히 최근에는 자동 셀 카운터의 사용이 증가하면서 “기계를 쓰면 정확하다”는 인식이 퍼지고 있지만, 실제로는 장비 간 알고리즘 차이, 광학 성능, 이미지 처리 방식 등에 따라 결과 편차가 발생할 수 있습니다. 즉, 자동화가 반드시 표준화를 의미하지는 않습니다. 오히려 내부 동작 원리를 이해하지 못한 채 결과만 신뢰하는 경우, 더 큰 오류로 이어질 가능성도 존재합니다.
따라서 Cell Counting의 정확도를 높이기 위해서는 단순히 장비를 선택하거나 프로토콜을 따르는 것을 넘어서, 결과에 영향을 미치는 다양한 요인들을 구조적으로 이해하는 것이 중요합니다. 이 글에서는 Cell Counting 결과가 부정확해지는 주요 원인을 다섯 가지 범주로 나누어 설명하고, 각 요소가 어떻게 결과에 영향을 미치는지 체계적으로 정리해보겠습니다.
A. Counting Chamber: 가장 기본적이지만 간과되기 쉬운 변수
Cell counting에서 가장 기본이 되는 요소는 counting chamber입니다.
유리 Hemocytometer의 경우 chamber height는 일반적으로 100 μm로 간주되지만, 실제로는 제조사 및 제품 간 미세한 편차가 존재할 수 있습니다.
일회용 카운팅 챔버는 대부분 플라스틱 사출 공정을 통해 제작되기 때문에, 제조 과정에서의 수축이나 변형이 발생할 가능성이 있습니다. 또한 상·하판을 접합하는 과정에서 높이를 완전히 일정하게 유지하는 것이 기술적으로 쉽지 않기 때문에, 제품 간 편차가 존재할 수 있습니다.
이러한 이유로 정량성이 중요한 실험에서는 제조사의 COA(Certificate of Analysis)를 확인하는 것이 필요합니다.
B. Counting Volume: 샘플링 자체의 통계적 한계
Cell counting의 정확도는 장비 성능뿐 아니라, 실제로 관측된 샘플 volume에도 크게 의존합니다.
관측 volume이 증가할수록 통계적 변동성은 감소하며, 여러 field를 기반으로 측정할수록 결과의 재현성은 향상됩니다.
반대로 관측 volume이 제한적인 경우, 동일한 샘플이라 하더라도 측정값의 변동성이 증가할 수밖에 없습니다. 이는 cell counting이 본질적으로 sampling 기반 측정이라는 점에서 비롯되는 구조적 한계입니다.
C. Sample Concentration: 농도에 따른 측정 한계
Cell counting에서는 세포 농도에 따라 서로 다른 유형의 측정 오류가 구조적으로 발생합니다. 실제 측정에서는 농도 구간에 따라 작동하는 오류 메커니즘이 달라지며, 이는 결과 변동성의 주요 원인이 됩니다.
저농도 영역에서는 측정 가능한 세포 수가 제한되기 때문에 통계적 변동성이 증가합니다. 이는 Poisson distribution에 의해 설명되는 sampling error로, 반복 측정 간 편차 증가로 이어집니다.
반면 고농도 영역에서는 세포 간 간격이 좁아지면서 overlap, aggregation, object merging이 발생합니다. 이로 인해 개별 세포를 독립적으로 인식하기 어려워지고, 결과적으로 undercounting이 발생합니다. 또한 imaging 기반 시스템에서는 signal saturation으로 인해 일정 농도 이상에서 plateau 현상이 나타날 수 있습니다.
이처럼 농도에 따른 오류는 저농도에서는 통계적 요인, 고농도에서는 검출 한계라는 서로 다른 메커니즘으로 나타납니다.
Figure 1. 세포 농도에 따른 cell counting 정확도의 변화
세포 농도에 따라 측정 결과는 일정한 경향을 보여야 하지만, 실제 측정 환경에서는 농도 구간에 따라 서로 다른 오류가 발생합니다. 저농도 영역에서는 관측 가능한 세포 수가 제한되기 때문에 통계적 변동성이 증가하며, 반복 측정 간 편차가 커질 수 있습니다. 반면 고농도 영역에서는 세포 간 중첩(overlap)과 aggregation, 그리고 imaging 기반 검출 한계(signal saturation 등)로 인해 개별 세포의 구분이 어려워지고, 결과적으로 과소 계수(undercounting)가 발생할 수 있습니다.
D. Sample Condition: 실제 실험에서 가장 큰 변수
실제 실험 환경에서 결과에 가장 큰 영향을 미치는 요소는 샘플의 상태입니다.
세포는 이상적인 단일 입자가 아니라, 크기, 형태, 생물학적 상태가 다양한 복합적인 객체입니다. 이러한 특성으로 인해 샘플 상태에 따라 counting 결과는 크게 달라질 수 있습니다.
대표적인 변수로는 aggregation, debris, 세포 크기 및 형태의 다양성, 그리고 mixing 상태를 들 수 있습니다.
세포가 clump 형태로 존재하는 경우 여러 개의 세포가 하나의 object로 인식되어 undercounting이 발생할 수 있으며, debris가 많은 샘플에서는 이를 세포로 오인하여 overcounting이 발생할 수 있습니다. 또한 샘플이 충분히 혼합되지 않은 경우, 동일한 샘플임에도 불구하고 sampling 위치에 따라 농도 차이가 발생하게 됩니다.
이러한 영향은 특히 저농도 조건에서 더욱 크게 나타나며, 결과적으로 reproducibility를 저하시킵니다.
결론적으로 cell counting 결과는 단순한 농도보다 샘플 상태에 의해 더 크게 좌우될 수 있습니다.
Figure 2. 샘플 상태에 따른 세포 분포 및 계수 환경의 변화
저농도에서는 시야 내 세포 수가 제한되어 sampling variability가 증가하며, 고농도에서는 세포 간 중첩(overlap)과 aggregation으로 인해 개별 세포의 구분이 어려워집니다. 반면, 적절한 농도 범위에서는 세포가 균일하게 분포하여 보다 신뢰도 높은 계수가 가능합니다.
E. Measurement System: 보이지 않는 오차의 핵심
자동화된 cell counting 시스템에서는 사용자가 최종 결과만을 확인하기 때문에, 측정 과정에서 발생하는 다양한 변수는 쉽게 인식되지 않습니다.
그러나 실제로는 샘플이 장비에 주입되는 순간부터 결과가 도출되기까지의 모든 단계에서 오차가 발생할 수 있으며, 이러한 오차는 서로 독립적으로 작용하지 않고 누적됩니다.
1) Chamber 및 물리적 구조
chamber height variation, sample loading 불균일, capillary flow variation, 그리고 edge effect 등은 동일 샘플에서도 field 간 밀도 차이를 유발할 수 있으며, 이는 replicate 간 편차로 이어집니다.
2) Staining
염색은 단순한 시각화 과정이 아니라, 측정 대상 자체를 정의하는 단계입니다. 염색 방식에 따라 측정되는 biological endpoint가 달라지며, 이는 결과 해석에 직접적인 영향을 미칩니다. 또한 염색 시간, dye toxicity, incubation 조건 등은 measurement bias를 유발할 수 있습니다.
3) Imaging
focus, illumination, exposure, resolution과 같은 imaging 조건은 세포 경계의 명확성과 signal quality에 영향을 미치며, 특히 고농도 조건에서는 작은 변화도 결과에 큰 영향을 줄 수 있습니다
4) Algorithm
threshold, size gating, segmentation, declustering 알고리즘은 동일한 이미지에서도 서로 다른 결과를 도출할 수 있습니다. 특히 clump 처리 방식과 debris 제거 방식은 undercounting 또는 overcounting의 주요 원인이 됩니다.
오차의 누적
각 단계에서 발생한 작은 편차는 downstream 과정에서 증폭되어 최종 결과에 반영됩니다. 따라서 cell counting error는 단일 원인이 아닌, 여러 변수의 상호작용에 의해 발생하는 누적 결과로 이해하는 것이 적절합니다. 이러한 특성은 ISO 20391에서 정의하는 measurement uncertainty 개념과도 일치하며, 각 단계의 변동성이 전체 결과의 불확도로 통합된다는 점을 의미합니다.
Figure 3. Cell counting에서의 오차 발생 요인과 누적 구조
Cell counting 결과는 샘플 상태와 세포 농도와 같은 입력 변수뿐만 아니라, chamber, staining, imaging, algorithm으로 구성된 measurement system의 영향을 함께 받습니다.
각 단계에서는 서로 다른 유형의 오차가 발생합니다:
(1) sampling error (예: volume variation)
(2) detection error (예: staining 및 imaging 차이)
(3) analysis error (예: segmentation bias)
이러한 오차들은 독립적으로 작용하지 않고, 측정 과정 전반에 걸쳐 누적되고 전파되며, 최종적으로 cell count의 변동성 증가와 systematic bias를 유발하게 됩니다.
Integrated Perspective: Cell Counting은 ‘시스템 결과’이다
앞서 살펴본 요소들은 독립적으로 존재하는 것이 아니라, 실제 측정 과정에서는 동시에 작용하여 하나의 결과로 통합됩니다.
세포 농도, 샘플 상태, 염색 방식, 장비 조건, 그리고 분석 알고리즘이 결합된 결과가 최종 cell count이며, 이 중 어느 하나라도 변화하면 결과는 달라질 수 있습니다.
따라서 cell counting은 단순한 측정이 아니라, 복합적인 measurement system의 output으로 이해하는 것이 보다 적절합니다.
Conclusion: 정확한 Cell Counting을 위한 실질적 접근
Cell counting의 정확도를 높이기 위해서는 특정 요소 하나를 개선하는 것만으로는 충분하지 않습니다. 앞서 살펴본 것처럼, 결과는 단일 변수에 의해 결정되는 것이 아니라 sampling, sample condition, measurement system 등 다양한 요인이 결합된 시스템적 결과이기 때문입니다.
따라서 실험에서 신뢰도 높은 cell counting 결과를 얻기 위해서는 다음과 같은 접근이 필요합니다.
첫째, sampling variability를 최소화하기 위한 충분한 관측 volume 확보와 반복 측정을 통해 통계적 변동성을 줄여야 합니다. 둘째, 세포 aggregation, debris, mixing 상태 등 sample condition을 표준화하여 측정 간 편차를 줄여야 합니다. 셋째, chamber, staining, imaging, algorithm으로 구성된 measurement system을 일관된 조건으로 유지하고, 각 단계에서 발생할 수 있는 bias를 이해해야 합니다. 넷째, 사용하는 장비의 내부 동작 원리와 분석 방식(특히 segmentation 및 gating 기준)을 이해하고, 조건을 고정하는 것이 중요합니다.
결국 중요한 것은 특정 조건에서의 “정확한 값” 하나가 아니라, 동일 조건에서 반복했을 때 일관된 결과를 얻을 수 있는 측정 시스템을 구축하는 것입니다.
이러한 접근이 확보될 때, cell counting 데이터는 단순한 수치가 아니라 신뢰 가능한 실험 데이터의 기반으로 기능하게 됩니다.
Logos Biosystems는 다양한 생명과학 연구를 위한 세포 분석 및 이미징 솔루션을 제공합니다.
