AI 및 머신러닝, 암 바이오마커 발견과 치료 전략 발전

일본 RIKEN 통합의과학센터의 Xian-Yang Qin이 이끄는 연구자들이 간암 위험을 예측하는 점수를 개발했다. 학술지 Proceedings of the National Academy of Sciences에 발표된 이 연구는 단백질 MYCN이 간 종양 발생을 유도하며, 특히 간암의 가장 치명적인 아형에서 발견되는 유형의 종양을 일으킨다는 것을 확립했다.

간암, 즉 간세포암종은 전 세계에서 매년 80만 명 이상의 사망 원인이다. 사망률이 매우 높은 이유는 암이 종종 후기 단계까지 발견되지 않고 재발률이 70%에서 80% 사이이기 때문이다.

MYCN 유전자는 손상된 간에서 발생하는 간암에 기여하는 것으로 인정되지만, 정확히 어떻게 기여하는지는 불분명했다. 연구자들은 MYCN의 과발현이 직접적으로 간 종양 발생을 유도한다면, 바이오마커이자 추가 연구를 위한 이상적 후보가 될 것이라고 추론했다. 이론을 검증하기 위해, 팀은 먼저 유체역학적 꼬리정맥 주입 기반 트랜스포손 시스템을 사용하여 MYCN(트랜스포손)을 마우스 간 유전체에 삽입했다.

팀은 이 시스템을 사용하여 MYCN과 항상 활성화된 AKT를 과발현시켰을 때 마우스의 72%가 50일 이내에 간 종양을 발생시킨 것을 발견했다. 다양한 검사에서 이 종양이 인간 간세포암종의 모든 특성을 가지고 있음이 밝혀졌다. 이 유전자 중 하나만을 단독으로 과발현시켰을 때는 종양이 발생하지 않았다.

미세환경을 특성화하기 위해 연구자들은 공간 전사체학을 활용했다. 이 기술은 조직에서 어떤 유전자가 활성화되어 있는지와 조직 내 정확히 어디에서 그 활동이 일어나는지를 보여준다. 대사 기능 장애 관련 간암의 마우스 모델에서, 연구자들은 이 방법을 사용하여 간 종양이 발생하면서 시간 경과 및 위치에 따른 유전자 발현을 관찰했으며, MYCN이 증가하는 위치에 초점을 맞추었다. 이들은 MYCN 수준이 증가한 종양 없는 간 부분에서 차별적으로 발현되는 167개 유전자 클러스터를 발견했다. 이 클러스터를 "MYCN 니치"라 명명했다.

마우스 공간 전사체학 데이터를 기반으로, 연구자들은 주어진 유전자 발현 패턴의 특성을 분석하고 그것이 MYCN 니치에 해당하는지 여부를 나타내는 점수를 산출하는 머신러닝 모델을 개발했다. 이 모델은 93%의 정확도로 이를 수행할 수 있다.

MYCN 니치 점수는 이후 인간 간세포암종 데이터셋에 대해 계산되었다. MYCN 니치 점수가 더 높은 환자는 종양 재발 위험이 더 크고 임상 결과가 더 나빴다. 이 관계는 종양 조직보다 비종양 조직에서 점수가 도출되었을 때 더 강했다. 따라서 이 점수는 종양 형성을 촉진하는 미세환경을 기반으로 예후를 예측하는 개념 증명 공간 바이오마커를 나타낸다.

이러한 발전은 인공지능이 진단을 넘어 암 치료에서 더 넓은 잠재력을 보여주는 가운데 이루어졌다. 암 치료는 질병의 진행과 재발에 영향을 미치는 750개의 알려진 돌연변이 중 46개만을 표적으로 할 수 있다. 이 격차는 조기 진단과 환자를 암 없는 상태로 유지하기 위한 합리적 가격의 맞춤형 개입 파이프라인을 요구하는 새로 발표된 NHS 10개년 계획과 직접적으로 부합한다.

생존자 격차는 치료 후 환자를 취약한 상태에 놓이게 하며, 종종 암이 재발할 때까지 "관찰하고 기다리라"는 구식 조언을 받는다. 수술이나 화학요법 후 거의 모든 암 유형에 걸쳐 대부분의 암 생존자에게는 표준 유지 치료가 없다.

AI를 사용하면 10만 건 이상의 동료 심사 연구 논문을 분석하여 750개 암 구동 돌연변이의 전체 스펙트럼을 표적으로 할 수 있는 이미 시장에 나와 있는 저비용, 저독성 약물을 식별함으로써 이 격차를 해소할 수 있다. 이 의약품은 이미 제네릭이기 때문에, 건강 불평등을 줄이는 비용 효율적 혁신에 대한 NHS 10개년 계획의 강조를 직접 지원한다.

AI의 강점은 생물학적, 임상적, 약리학적 데이터셋을 포함한 방대한 데이터셋을 처리하여 인간이 놓칠 수 있는 연결을 발견하는 능력에 있다. 예를 들어, 미국 국립보건원(NIH) 데이터베이스의 연구에 따르면 항염증제가 유방암 환자의 질병 재발 위험을 42% 감소시킬 수 있다. AI는 독성을 최소화하면서 효과를 극대화하기 위해 여러 암 취약점을 동시에 표적으로 하는—예를 들어 4~5개를 한꺼번에—기존 약물의 조합을 식별할 수 있다.

새로운 치료법은 종종 이용 가능해지기까지 10년 이상과 수십억 파운드가 소요된다. 그동안 암 생존자들은 개입이 결과를 극적으로 개선할 수 있는 시기에 재발을 예방하기 위한 선제적 옵션 없이 남겨진다. 역사적으로 진단과 적극적 치료에 비해 자금이 부족했던 생존자 격차는 AI 기반 약물 재창출과 머신러닝 바이오마커 식별을 통해 결과를 변화시킬 수 있는 중요한 기회를 나타낸다.