환자의 유전자와 의료 정보 등을 종합해 현재 질병을 극복하기 위한 가장 최적의 치료법을 제시하는 인공지능(AI)모델이 나와 주목된다.

단순히 학습에 의해 특정 질환에 대한 치료제를 제시하는 것을 넘어 세포 단위의 기능 회복을 위한 방안을 제시한다는 점에서 치료 패더라임의 큰 전환점이 될 수 있다는 것이 전문가들의 의견이다.

현지시각으로 9일 국제학술지 네이쳐(NATURE)에는 세포 단위의 질병 상태를 예측하고 최적의 치료법을 제시하는 인공지능 모델에 대한 검증 연구 결과가 공개됐다(10.1038/s41551-025-01481-x).

단일 단백질을 대상으로 이를 활성화 하거나 억제하는 방식의 전통적인 신약 개발 방법은 키나제 억제제, 즉 암세포의 성장과 분열에 사용되는 특정 단백질을 차단하는 방식에서 성공을 거두고 있다.

하지만 약물이 환자의 질환에 반응할지에 대해서는 예측이 쉽지 않는데다 반응률 또한 환자별로 크게 갈린다는 점에서 한계를 드러내고 있는 것이 사실. 또한 말 그대로 일부 암에 대해서만 특정해 작용한다는 한계도 있다.

이에 따라 여러 신호 전달 경로와 유전자의 상호 작용에 직접 개입하는 면역 체크포인트 억제제나 CAR-T 치료제가 항암제의 새로운 표준으로 자리잡고 있다. 그러나 이 또한 반응률을 예측하기 어려운 문제가 있다.

하버드 의과대학 마린카 지트닉(Marinka Zitnik) 교수가 새로운 인공지능 모델인 'PDGrapher'를 개발한 배경도 여기에 있다. 이 환자에게 어느 것이 최적의 치료법인지를 파악하는데 인공지능이 도움을 줄 수 있다는 판단에서다.

PDGrapher는 그래프 신경망이라고 불리는 인공지능 도구의 한 유형이다. 특이점은 개별적으로 학습된 공식을 적용하는 것이 아니라 데이터간 연결과 서로에 미치는 영향까지 분석한다는 점.

환자의 세포 내에 다양한 유전자와 단백질, 또한 그 신호 전달 경로간의 관계를 파악해 여기서 생긴 문제를 교정할 수 있는 최적의 치료법을 제시할 수 있다는 의미다.

과거 인공지능 모델이 대규모 약물 데이터베이스와 치료제 처방 데이터셋을 기반으로 질병을 진단하고 적합한 약물을 제시하는데 그쳤다면 이 인공지능은 최적화된 약물 조합에 초점을 맞추는 셈이다.

나아가 PDGrapher는 질병을 유발하는 특정 세포 부위를 한정하며 이를 억제하거나 조절하기 위한 최적의 화학식을 계산한다. 이후 여기에 적합한 약물을 스스로 검토한 뒤 이 약이 투여됐을때 적절한 치료가 될 수 있을지를 확인한다.

마린카 지트닉 교수는 "과거의 의료 인공지능은 요리를 만드는 레시피를 알려주는데 그쳤다면 PDGrapher는 레시피에 따른 재료가 없더라도 있는 재료만으로 어떻게 최고의 맛을 낼 수 있는지를 알려준다"고 설명했다.

연구진이 11개 암 유형에 대해 19개의 데이터 세트로 이에 대한 검증 연구를 진행한 결과 PDGrapher는 타 인공지능에 비해 탁월한 정확도와 효율성을 보였다.

특히 훈련 과정에서 의도적으로 약물 표적을 일부 제외했음에도 스스로 판단을 통해 이를 완전히 보완했으며 새로운 근거를 스스로 조합하며 추가적인 후보 물질까지 내놨다.

이로 인해 현재 개발된 다른 인공지능들에 비해 평균 35% 더 정확하게 최적 치료법을 제시하는데 성공했으며 유사한 인공지능과 비교해 최대 25배 더 빠른 결과를 제공했다.

마린카 지트닉 교수는 "PDGrapher는 단순히 결과물을 제시하는 것을 넘어 그 결과물이 가져올 상황과 여기서 생기는 빈틈, 또한 이 빈틈을 메우기 위한 방안까지 제시한다"며 "치료법 제시를 넘어 향후 신약 후보 물질 발견과 설계 방식을 최적화할 수 있다는 의미"라고 밝혔다.