바이오메디컬 AI 강연 정리: 치매 후보 유전자 예측과 신약 표적 발굴, 정밀의료의 걸림돌

핵심 메시지

• 신약 개발은 질병·유전자·단백질을 잇는 3자 관계에서 시작하며, 그중 약물을 만들 수 있는 유전자인 표적 유전자를 찾는 것이 첫 단계다.
• 치매 연구에서는 5,000개 질병과 2만 개 유전자를 포함한 여러 층의 네트워크를 하나의 거대한 행렬로 묶어 기계학습으로 풀었다.
• 환자의 유전 변이 정보를 한 층 더 깔자 알츠하이머 치매 후보 유전자 예측 정확도(AUC)가 0.77에서 0.91로 올랐고, 혈관성 치매에서는 거의 변하지 않았다.
• 예측된 후보 유전자는 텍스트 마이닝으로 기존 논문에 보고된 사례가 있는지 대조해 1차 검증을 거친다.
• 글로벌 제약사 대부분이 AI 기업과 제휴하거나 인수하는 방식으로 후보 약물 발굴, 약물 조합, 분자 구조 설계에 AI를 도입하고 있다.

쉽게 이해하기

강연자는 신약 개발의 출발점을 질병·유전자·단백질의 3자 관계로 설명한다. 질병을 유발하는 유전자를 질병 유전자라 부르고, 약물이 실제로 작용하는 단백질을 만들어 내는 유전자를 표적 유전자라 부른다. 하나의 질병에 관련된 유전자는 매우 많기 때문에, 그중 약물을 개발할 수 있는 표적 유전자를 골라내는 일이 신약 개발의 첫 단계가 된다.

치매 사례에서는 아주대 정신건강의학과 연구진과 함께 세 가지 네트워크를 쌓아 후보 유전자를 예측했다. 5,000개의 질병과 2만 개의 유전자, 그리고 환자의 유전 변이 정보가 각각 한 층을 이루는데, 이를 계산하려면 층마다 거대한 블록 행렬이 만들어지고 층 사이의 관계까지 행렬에 들어간다. 강연자는 이 복잡한 구조를 반영할 수 있는 알고리즘을 설계하는 일과, 그것을 실제로 풀 수 있게 만드는 일이 각각 별개의 과제였다고 설명한다.

실험은 치매 환자군과 대조군의 유전 정보를 넣었을 때 치매 관련 유전자를 밝혀내는 데 도움이 되는지를 확인하는 방식이었다. 결과는 층을 더 쌓는 것의 효과를 뚜렷이 보여준다. 환자의 유전 변이 층을 깔기 전 정확도(AUC)는 0.77 수준이었는데, 층을 추가하자 알츠하이머 치매에서는 0.91까지 올라갔다. 반면 혈관성 치매에서는 정확도가 거의 변하지 않았고, 강연자는 이를 혈관성 치매가 유전자보다 환경적 영향이나 대사질환 유무에 더 좌우되기 때문으로 해석한다.

모델이 완성되면 2만 3천 개 유전자에 순위를 매겨 후보 유전자를 뽑는다. 하지만 그 후보가 실제로 약을 만들 수 있는 유전자인지 확인하는 데는 많은 시간과 비용이 든다. 그래서 강연자는 텍스트 마이닝을 붙였다. 수천만 건 규모의 문헌을 뒤져 자신이 찾은 후보 유전자에 대해 다른 연구자가 발표한 내용이 있는지 확인하는 방식으로, 최소한 '난데없는 결과는 아니라는' 수준의 검증까지는 기계학습으로 처리할 수 있다는 것이다.

같은 접근은 다른 질환군에도 적용된다. 강연자는 면역 질환을 예로 든다. 이 계열은 환경과 유전자 양쪽의 영향을 받고, 질환들 사이에 유전자를 많이 공유하며, 유전 패턴이 뚜렷하다는 특징이 있다. 그래서 류마티스 관절염 환자의 유전 정보 위에 크론병이나 천식 같은 관련 질환의 정보를 골라 겹쳐 올리는 식으로 네트워크를 쌓아 검색 모형을 만들 수 있다. 결과에서는 이미 알려진 유전자와 새로 제시된 후보 유전자가 함께 드러난다.

산업 쪽 흐름도 짚는다. 2020년 기준 글로벌 제약사 상위권에는 존슨앤드존슨과 로슈 같은 이름이 있는데, 이들 대부분이 AI 기업과 제휴하거나 인수하고 있다. 로슈는 제넨텍과 함께 후보 약물과 개인 맞춤 의학을 지향하고, 화이자와 IBM은 면역 항암제 개발에 AI 기술을 도입했으며, 프랑스 사노피는 기존 약물의 조합을 찾거나 분자 구조를 설계하는 데 AI의 도움을 받고 있다. 다만 강연자는 이런 시도들이 2016~2018년경에 시작된 것이라 아직 뚜렷한 성공 사례는 없다고 덧붙인다.

강연의 마지막 주제는 기술이 아니라 데이터다. 개인정보 보호가 가장 중요하게 다뤄지는 두 분야로 금융과 의료를 꼽으면서, 두 분야의 처지가 얼마나 다른지를 비교한다. 금융에서는 내 돈이 어느 은행에 얼마나 있는지 내가 알고 은행 간 이체도 쉬우며 오픈뱅킹으로 다른 은행 잔액까지 볼 수 있다. 반면 의료에서는 내가 어느 병원에서 무엇을 찍었고 그 정보가 어디 있는지 파악하기 어렵고, 다른 병원에서 진료를 받으려면 MRI나 CT를 CD나 USB에 담아 들고 가야 한다. 내 돈을 내고 내 몸에서 나온 자료인데도 내 것 같지 않고, 병원 것도 국가 것도 아닌 애매한 상태에 놓여 있다는 것이다.

주요 인사이트

• 층을 더 쌓는 것이 항상 이득은 아니다. 유전 변이 층 추가가 알츠하이머에서는 정확도를 크게 끌어올렸지만 혈관성 치매에서는 거의 변화가 없었다는 결과는, 데이터의 종류가 질병의 성격과 맞아야 효과가 난다는 점을 보여준다.
• 예측 정확도가 오르지 않았다는 사실 자체도 정보다. 혈관성 치매의 무반응은 그 질병이 유전보다 환경과 대사 요인에 더 좌우된다는 해석의 근거가 된다.
• 기계학습의 역할은 정답을 내는 것이 아니라 검증 비용을 줄이는 데 있다. 2만 3천 개 유전자에 순위를 매겨 후보를 좁히고, 문헌 텍스트 마이닝으로 1차 대조까지 자동화하는 구조가 그 예다.
• 의료 AI의 병목은 알고리즘이 아니라 데이터 접근성이다. 병원마다 코드 체계가 달라 공통 데이터 모델로 표준화하고 익명화해 공유하려는 국제 협력이 진행되는 이유이기도 하다.
• 강연자가 제시하는 방향은 명확하다. 데이터가 많아질수록 AI는 더 똑똑해지고, 내 의생명 데이터가 반영될 때 비로소 '나만을 위한 약'이라는 정밀의료가 가능해진다.

자주 묻는 질문

관련 AI 소식