카테고리: 동물실험 도구 (in vivo/in vitro 프로토콜·데이터 분석·이미지 정량) · Axis: ex vivo 조직 투명화(tissue clearing: iDISCO+/CUBIC/CLARITY) + light-sheet/confocal 체적 영상의 3D 형태계측·세포 카운팅·네트워크 정량 — 직전 동물 axis(2D whole-slide morphometry·in vivo 비침습 종단 영상 21+개)와 layer 분리(단면 sampling bias vs 전 장기 3D 체적·네트워크 연결성 topology) · 도메인: DM(#1 췌장 islet β-mass) + Obesity(#2 지방 depot 교감신경) + MASLD(#3 간 fibrosis 네트워크) · 기준: design-based stereology(Cavalieri)·ARRIVE 2.0·NASH-CRN/Ishak · 모두 standalone Python CLI 오프라인(numpy 필수·나머지 optional fallback) wet-lab/imaging core·조직형태학 연구자용 ex vivo 3D 투명조직 체적 정량 도구
⚠️ 본 도구 3종은 모두 연구용·참고용 ex vivo 3D 투명조직 영상 정량 prototype 도구입니다. 임상 의사결정·진단 도구가 아닙니다. 모든 islet β-mass·교감신경 skeleton·fibrosis 네트워크 연결성·2D vs 3D 편향 리포트는 사용자 입력 light-sheet/confocal stack + 절차적 합성 데모 볼륨 + 내장 reference(design-based stereology Cavalieri·ARRIVE 2.0·NASH-CRN/Ishak)로 산출되며, 실제 wet-lab segmentation은 cellpose-3D/StarDist-3D 등 검증된 모델로 교체·검증해야 합니다. 본 MVP는 scikit-image 부재 환경에서도 무조건 실행되도록 pure-numpy fallback을 사용하므로, fallback 경로의 절대 수치는 시연용 근사치입니다(production GPU segmentation으로 교체 시 정밀도 향상).
1️⃣ PancreaClear3D DM · 전췌장 투명화 islet β-mass 3D 정량
판크리클리어3D — 적출 췌장 tissue-clearing light-sheet 볼륨에서 islet β-cell mass와 islet 혈관·신경 지배를 3D 체적으로 자동 정량하는 도구. 2D 단면 외삽이 β-mass를 체계적으로 편향시키는 문제를 전 장기 3D ground-truth로 교정.
β-cell mass는 1형/2형 당뇨·이식·재생 연구의 핵심 종말점이나, 표준 정량은 파라핀 2D 단면 1~5장 면적%를 Cavalieri 가정으로 외삽 → 머리/몸통/꼬리 gradient·크기 4-decade 분포 때문에 sampling이 β-mass를 ±20~40% 편향, 작은/신생 islet 누락. (1) insulin⁺(β)·glucagon⁺(α) 3D segmentation → islet 객체 분리·개수·체적·β/α 비율 (2) islet 크기 분포 히스토그램(5 size class) + 머리/몸통/꼬리 zonal 분포 맵 (3) islet별 혈관(CD31) 밀도·신경(TH⁺/CGRP⁺) 축삭 근접도 3D 정량 (4) design-based stereology 검증 모드 — 소수 무작위 2D 단면 외삽이 3D ground-truth 대비 ~9~18% 편향됨을 시연 (5) 절차적 합성 demo 볼륨(머리/몸통/꼬리 gradient). 기술: Python CLI + numpy(필수) + scipy/scikit-image/tifffile(optional). 데이터: 합성 demo 볼륨 + 내장 stereology reference(Cavalieri·size class). OpenClaw 바이오 피벗 → islet-protective 재조합 후보의 종말점 효능(β-mass) 정량 layer.
로딩...
2️⃣ AdipoNeuroMap Obesity · 지방 depot 교감신경 네트워크 3D 정량
아디포뉴로맵 — 투명화 지방 depot(iWAT/eWAT/BAT) 볼륨에서 교감신경 네트워크와 adipocyte·CLS를 3D로 정량하는 데스크톱 도구. 신경 축삭은 본질적으로 3D 네트워크라 2D 단면으로는 밀도·분기를 정량할 수 없는 문제를 해결.
지방조직의 교감신경 지배는 백색지방 갈변(browning)·열생성·지방분해를 결정하는 비만 핵심 표적이나, 2D 단면은 축삭을 점으로만 자르고 adipocyte 크기·CLS도 ±15~30% 편향. DIO·한랭노출·β3-agonist 실험에서 "신경 리모델링"을 정량할 표준 도구 부재. (1) TH⁺ 교감신경 축삭 3D segmentation + skeletonization → 축삭 밀도(mm/mm³)·분기점·평균 분절 길이 (2) adipocyte 3D 크기 분포(watershed)·평균 직경 히스토그램 (3) CLS(crown-like structure) 자동 검출·밀도·clustering 지수 (4) 신경-adipocyte 근접 분석(지배 adipocyte 비율)·depot 비교 (5) 자가형광 배경 억제 전처리 + 절차적 합성 demo 볼륨. 생물학적 gradient 검증: BAT 고밀도 신경/소형 multilocular, eWAT 희소 신경/비대/CLS-rich(pro-inflammatory). 기술: Python CLI + numpy(필수) + scipy/scikit-image/skan/tifffile(optional). OpenClaw → browning/항비만 후보의 신경-매개 효능 정량 layer.
로딩...
3️⃣ HepatoFabric3D MASLD · 간 fibrosis 네트워크 연결성·bridging topology 3D
헤파토패브릭3D — 투명화 간엽 볼륨에서 fibrosis 네트워크 연결성·bridging topology와 ductular reaction·지방 zonation을 3D로 정량하는 데스크톱 도구. 콜라겐 *양*이 아니라 *어떻게 연결되어 문맥압을 올리는가*(F2→F3→F4 구조 전이)를 포착.
MASH 섬유화는 최우선 종말점인데 표준 정량(Sirius red 면적%·NAS/Ishak 단면 스코어)은 2D라 bridging fibrosis 연결성·septa topology·문맥-중심정맥 네트워크 재형성을 못 잡는다. 면적이 같아도 연결성이 전혀 다른 두 간을 2D는 구분 못 함. (1) collagen 3D segmentation → skeleton·그래프화 → 연결 성분 수·bridging septa 길이/분기·네트워크 연결성 지수(F1→F4 단조 증가) (2) 문맥-중심정맥 축 자동 추정 → portal-portal/portal-central bridging 분류 (3) ductular reaction(CK19⁺) 3D 분기·길이 (4) 지방 droplet 3D zonation gradient(periportal vs pericentral) (5) "2D 면적% 같아도 3D 연결성 다른" 비교 리포트(F3 vs F4: 면적 5.85%p 차이지만 연결성 0.62·septa 6개 차이) + 절차적 합성 fibrosis 네트워크(F1~F4). 기술: Python CLI + numpy(필수) + scipy/scikit-image/skan/networkx/tifffile(optional). 데이터: 합성 fibrosis 볼륨 + 내장 NASH-CRN/Ishak 매핑. OpenClaw → 항섬유화 hepatic 후보의 구조적 가역성(bridging 해소) 정량 layer · 핀포인트 MASLDStager 보완.