🤖 machine learning

ScreenShot: A Foundation Model for Few-Shot Combination Drug Screening

ScreenShot은 40개의 약물 스크리닝 데이터셋에 대한 인컨텍스트 학습을 활용하여, 분자 프로파일링이나 미세 조정 없이도 단 몇 개의 샷으로 구성된 기능적 컨텍스트만을 통해 병용 요법에 대한 환자의 반응을 정확하게 예측하고 능동 학습을 통한 비용 효율적인 실험 설계를 가능하게 하는 계층적 트랜스포머 파운데이션 모델이다.

원저자: Antoine de Mathelin, Christopher Tosh, Wesley Tansey

게시일 2026-08-13

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Antoine de Mathelin, Christopher Tosh, Wesley Tansey

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 탐정이 되어 미스터리를 해결하고 있다고 상상해 보세요. 하지만 당신의 단서는 지문이나 DNA가 아니라 아주 작은 액체 방울들이고, 용의자들은 수천 가지의 서로 다른 약물들입니다. 암 치료의 세계에서 의사들은 단 하나의 약물만 사용하는 대신 종종 약물 '칵테일'을 사용하는데, 이는 암세포가 매우 까다로워 단 한 명의 공격자에게는 저항하는 법을 배울 수 있기 때문입니다. 완벽한 칵테일을 찾기 위해 과학자들은 보통 실험실에서 환자의 세포에 가능한 모든 약물 조합을 테스트해야 합니다. 이것은 마치 건초더미에서 모든 건초 조각을 하나씩 하나씩 뽑아내며 바늘을 찾는 것과 같습니다. 그것은 너무나 오래 걸리고, 엄청난 비용이 들며, 종종 그럴 만한 충분한 건초(또는 환자의 세포)조차 남아있지 않습니다.

여기서 "미래를 예측한다"는 개념이 등장합니다. 과학자들은 모든 약물 조합을 직접 테스트하지 않고도 어떤 약물 조합이 효과적일지 추측할 수 있는 컴퓨터 모델을 구축해 왔습니다. 하지만 대부분의 모델은 특정 수업의 교과서만 암기했을 때만 시험을 통과할 수 있는 학생과 같습니다. 이 모델들은 매우 상세한 생물학적 데이터(환자의 유전 코드와 같은)를 대량으로 필요로 합니다. 만약 이 데이터가 누락되거나 엉망이라면—실제 환자들에게는 흔히 일어나는 일입니다—모델은 혼란에 빠집니다. 큰 질문은 이것입니다. 우리가 지금까지 수행된 모든 약물 실험으로부터 학습하여, 단 한 명의 환자로부터 얻은 몇 가지 새로운 단서만 보고도 추가적인 생물학적 데이터 없이 즉각적으로 최적의 치료법을 추측할 수 있는 초지능형 AI를 만들 수 있을까요?

여기에 Memorial Sloan Kettering 암 센터의 연구진이 개발한 새로운 AI 도구인 ScreenShot이 이 질문에 "예"라고 답하며 등장합니다. ScreenShot을 교과서를 암기한 학생이 아니라, 수백만 가지의 다양한 요리를 맛본 숙련된 셰프로 생각해보세요. 새로운 요리의 정확한 재료 목록(유전 코드)을 알지 못하더라도, ScreenShot은 당신이 이미 맛본 몇 입의 경험을 바탕으로 "아, 소금과 후추가 들어갔을 때 이런 맛이었으니, 마늘과 타임과도 아주 잘 어울리겠군"이라고 말하는 것과 같습니다.

연구진은 이 AI를 거대한 데이터 "기반" 위에 구축했으며, 약 3,000만 개의 측정값과 40가지의 서로 다른 약물 스크리닝 데이터셋을 통해 훈련시켰습니다. 이 훈련에는 실험실에서 배양된 암세포나 환자로부터 유래한 작은 장기 "미니 장기"와 같은 약 6,000개의 생물학적 샘플에 대해 테스트된 약 3,700가지의 서로 다른 약물이 포함되었습니다. AI는 어떤 약물이 어떤 용량으로 투여되었을 때 세포가 살거나 죽는지, 즉 결과물을 관찰함으로써 약물이 세포와 어떻게 상호작용하는지의 패턴을 학습했습니다.

여기에는 마법 같은 기술이 숨어 있습니다. ScreenShot은 **인컨텍스트 러닝(in-context learning)**이라는 기법을 사용합니다. 예를 들어, 새로운 환자로부터 얻은 몇 가지 테스트 결과(예: 50개 또는 100개의 실험)를 AI에게 보여준다고 상상해 보세요. AI는 해당 환자를 위해 다시 훈련되거나 "미세 조정(fine-tuning)"될 필요가 없습니다. 대신, 그 몇 가지 사례를 즉각적인 컨텍스트 윈도우(context window)로 사용하여, 아직 보지 못한 수천 가지의 약물 조합 결과를 예측합니다. 이는 유전적 프로파일링 없이 기능적 결과(세포가 생존했는가?)를 직접 사용하여 수행됩니다.

논문에 따르면 ScreenShot은 놀라울 정도로 뛰어난 성능을 보였습니다. 네 가지의 새로운 미지의 데이터셋으로 테스트했을 때, ScreenShot은 정확도와 "히트(hit)"(암세포는 죽이면서 건강한 세포는 남겨두는 약물 조합)를 찾아내는 능력 모두에서 기존의 가장 우수한 방법들을 능가했습니다. 실제로 일부 테스트에서는 다른 방법들보다 5배에서 50배 더 빨랐습니다.

하지만 연구진은 예측에서 멈추지 않았습니다. 그들은 또한 ScreenShot에게 똑똑한 실험가가 되는 법을 가르쳤습니다. 그들은 **능동 학습(active learning)**이라 불리는 전략을 만들었습니다. 약물을 무작위로 테스트하는 대신, ScreenShot은 자신의 예측을 사용하여 다음에 실행할 실험이 무엇인지 결정합니다. 이것은 마치 몇 명의 용의자를 인터뷰한 후, 마을 사람 모두를 인터뷰하는 대신 가장 유력한 용의자에게 집중하기로 결정하는 탐정과 같습니다. 논문은 이 스마트한 전략을 사용할 경우, ScreenShot이 무작위 탐색과 동일한 수의 효과적인 약물 히트를 찾아낼 수 있지만, 실험은 단 3분의 1만 수행하면 된다는 것을 보여줍니다. 이는 엄청난 양의 시간, 비용, 그리고 소중한 환자의 세포를 아낄 수 있음을 의미합니다.

ScreenShot의 가장 인상적인 점 중 하나는 약물이 시스템에 새롭거나 알려지지 않은 경우에도 작동한다는 것입니다. 만약 어떤 약물이 훈련 데이터에 없더라도, ScreenShot은 현재 환자로부터 얻은 몇 가지 단서를 바탕으로 그 행동을 추측하기 위해 특별한 "알 수 없음(unknown)" 토큰을 사용하여 완전히 실패하는 대신 예측을 수행합니다.

요약하자면, 이 논문은 ScreenShot이 약물 스크리닝을 훨씬 더 효율적으로 만들 수 있는 강력한 새로운 도구임을 시사합니다. 이는 우리가 비싸고 느리며 데이터 집약적인 방법에서 벗어나, 과거로부터 배워 미래를 안내하는 시스템으로 나아갈 수 있음을 보여주며, 환자에게 적합한 약물 칵테일을 훨씬 더 빠르게 찾는 데 도움을 줄 수 있습니다. 비록 이 결과들이 컴퓨터 시뮬레이션과 분리된 테스트 데이터에 기반하고 있지만, 이 논문은 이를 실험실에서의 중요한 진전으로 제시하며, 실제 세계에서 더 효율적인 실험을 위한 길을 열어주고 있습니다.

기술 요약: ScreenShot

문제 정의

효과적인 병용 약물 요법을 식별하는 것은 저항성을 줄이는 데 매우 중요하지만, 잠재적 조합의 방대한 탐색 공간으로 인해 어려움을 겪고 있다. 전통적인 조합 스크리닝은 특히 환자 유래 샘플의 세포 수가 제한적인 임상 환경에서 기술적으로 불가능하거나, 시간이 많이 소л고, 비용이 많이 든다. 기존의 예측 모델들은 이러한 간극을 메우려 시도하지만, 대개 유전체 또는 전사체 프로파일링(오믹스 데이터)에 의존하며 코호트별 또는 환자별 미세 조정(fine-tuning)을 필요로 한다. 이러한 요구 사항은 조직이 희귀하거나, 분자 프로파일링을 사용할 수 없거나, 일관되지 않은 경우 적용 가능성을 제한한다. 또한, 많은 기존 방법들은 조합에 대한 연속적인 용량-반응 관계를 모델링하지 못하거나, 컨텍스트 크기에 따라 이차적으로(quadratically) 확장되는 평면적 어텐션(flat attention) 메커니즘에 의존하여 적은 수의 샘플(few-shot) 시나리오에서 비효율적이다.

방법론

ScreenShot 아키텍처

ScreenShot은 병용 약물 스크리닝을 위한 퓨샷(few-shot) 예측용 계층적 트랜스포머 파운데이션 모델이다. 이 모델은 분자 프로파일링이나 새로운 샘플에 대한 미세 조정 없이 기능적 측정값(약물 정체성, 용량 및 생존율)을 직접 사용하여 작동한다. 아키텍처는 스크리닝 데이터의 중첩된 구조를 반영하여 세 가지 수준으로 구성된다:

레벨 1: 약물 조합 인코더 (DCE): 개별 약물-용량 쌍을 인코딩한다. 약물 정체성은 화학적 구조가 아닌 다양한 샘플에서의 기능적 행동을 기반으로 학습된 임베딩으로 매핑된다. 용량은 학습된 푸리에 특징(Fourier features)을 통해 인코딩된다. 트랜스포머 인코더는 자기 주의 집중(self-attention)을 사용하여 조합 내 약물 시퀀스를 처리함으로써 상호작용 효과를 포착하고, 이를 단일 조합 임베딩으로 집계한다.
레벨 2: 반응 인코더 (RE): 쿼리(테스트되지 않은 약물-용량 조건)와 퓨샷 컨텍스트(관찰된 약물-용량-생존율 튜플) 간의 교차 주의 집중(cross-attention)을 수행한다. 컨텍스트 관측값은 측정된 생존율과 함께 증강된다. 이 단계는 쿼리가 컨텍스트 내에서 관찰된 유사한 섭동(perturbation)의 용량-반응 곡선으로부터 증거를 검색할 수 있게 한다.
레벨 3: 샘플 인코더 (SE): 자기 주의 집중을 사용하여 특정 샘플에 대한 모든 관찰된 섭동의 정보를 집계한다. 이는 한 약물의 반응 패턴을 사용하여 관련 약물에 대한 예측에 정보를 제공하는 방식으로 다양한 약물 조합 간의 증거를 전파한다. 선형 헤드와 시그모이드 함수를 거쳐 최종 생존율 추정치를 출력한다.

이러한 계층적 설계는 계산 복잡도를 $O(n^2)$ (평면적 어텐션)에서 $O(n + p^2)$ ( $n$ 은 관측치 수, $p$ 는 고유 섭동 수)로 줄여 효율성을 크게 향상시킨다.

사전 학습 및 인-컨텍스트 학습 (In-Context Learning)

ScreenShot은 40개의 암 패널 데이터셋(약 3,000만 개의 생존율 측정값, 3,700개의 약물, 6,000개의 샘플 포함)으로 구성된 범암 아틀라스(pan-cancer atlas)에서 사전 학습되었다. 학습 목표는 인-컨텍스트 학습 패러다임을 따른다:

입력: 컨텍스트 세트 $D_s$ (레이블이 지정된 약물-용량-생존율 튜플) 및 쿼리 세트 $Q_s$ .
작업: $D_s$ 에 조건화되어 $Q_s$ 의 쿼리에 대한 생존율을 예측한다.
최적화: 모델은 쿼리 세트에 대해 평균 절대 오차(MAE)를 최소화한다.
메커니즘: 추론 시, 모델은 사전 학습된 어텐션 메커니즘을 통해 완전히 새로운 샘계에 대해 일반화된다. 모델은 교차 주의 집중을 통해 제공된 퓨샷 컨텍스트에 조건화되므로, 그래디언트 업데이트나 미세 조정이 필요 없다.

능동 학습(Active Learning) 전략

실험을 실행할 결정을 내리는 병목 현상을 해결하기 위해, 저자들은 다회차 능동 학습 파이프라인을 제안한다:

콜드 스타트(Cold-Start): 생존율이 관찰되기 전 실험 공간의 커버리지를 보장하기 위해 레벨 1 약물-용량 임베딩에 대한 $k$ -medoids 클러스터링을 사용하여 초기 배치를 선택한다.
적응형 라운드(Adaptive Rounds): 이후의 배치는 레벨 3 컨텍스트 조건부 임베딩을 사용한 가중 $k$ -means++ 시딩을 사용하여 선택된다. 후보들은 예측된 차등 생존율( $\Delta_t = \hat{y}_{target} - \hat{y}_{control}$ )에 의해 가중치가 부여된다. 이는 다양성을 유지하면서도 유망한 "히트(hit)"(선택적으로 효과적인 치료제)를 우선시한다.

주요 기여

기능적 약물 반응을 위한 파운데이션 모델: ScreenShot은 오믹스 특징이나 환자별 미세 조정을 요구하지 않고 순수하게 약물-용량-생존율 측정값만을 사용하는 최초의 약물 스크리닝 파운데이션 모델이다. 이는 단일 요법 및 임의의 크기의 조합을 지원한다.
임베딩 기반 실험 설계: 저자들은 콜드 스타트 선택을 위한 사전 학습된 임베딩과 능동 학습을 위한 컨텍스트 조건부 임베딩을 활용하는 실용적인 스크리닝 정책을 도입하여, 유망한 치료제 테스트와 설계 공간 커버리지 사이의 균형을 명시적으로 맞춘다.
효율적인 계층적 아키텍처: 모델은 데이터의 구성적 구조와 일치하는 계층적 어텐션 메커니즘을 사용하여, 다중 그래뉴리티(multi-granularity) 표현을 포착하는 동시에 평면적 어텐션 베이스라인보다 상당한 계산적 이점을 제공한다.

실험 결과

모델은 네 가지 홀드아웃 데이터셋인 PDO-Breast (단일 요법 엑스 비보), BATCHIE, NCI-ALMANAC, GDSC-SQ (조합 스크리닝)에서 평가되었다.

예측 정확도: ScreenShot은 모든 데이터셋과 예산(10~300개의 퓨샷 관측치)에 대해 XGBoost, TabPFN, 미세 조정된 MLP를 포함한 베이스라인을 능가하는 최첨단(SOTA) 피어슨 상관계수를 달성했다.
히트 탐지(Hit Detection): 선택적으로 효과적인 치료제(상위 20% 예측 중 상위 10% 히트)를 식별하는 측면에서, ScreenShot은 모든 베이스라인을 지속적으로 앞질렀다. 예를 들어, 100 샷의 BATCHIE 데이터셋에서 ScreenShot은 72.6%의 히트 재현율(recall)을 기록하여, 차순위 방법인 63.9%를 상회했다.
능동 학습 효율성: 제안된 적응형 선택 전략은 무작위 또는 콜드 스타트 전용 선택보다 히트 탐지 성능을 크게 향상시켰다. BATCHIE의 경우, 적응형 전략은 300의 예산에서 무작위 선택과 동일한 히트 재현율을 단 1/3의 예산만 사용하여 달성했다.
속도: ScreenShot은 미세 조정 없이 단 한 번의 순전파(forward pass)만 필요하기 때문에 베이스라인(예: MLP의 경우 실험당 몇 분 소요)보다 5~~50배 더 빠르다 (예: 8~~68초).

의의 및 주장

본 논문은 분자 프로파일링에 대한 의존성을 제거하고 환자별 훈련을 필요로 하지 않음으로써, 데이터가 희귀하거나 가용하지 않은 환자 유래 샘플에 적용 가능한 현재의 약물 스크리닝 방법의 결정적 한계를 해결한다고 주장한다. 인-컨텍스트 학습을 활용함으로써, 모델은 적응 단계를 효과적으로 분담(amortize)하여 새로운 환자에 즉각적으로 일반화될 수 있다.

저자들은 ScreenShot이 학습한 내부 표현이 실험 설계에 직접적으로 유용하다는 점을 강조한다. 능동 학습 전략은 균등한 스크리닝에 비해 현저히 감소된 실험 비용(예산)으로 최상위 치료 히트를 식별하는 것이 가능하다는 것을 입증한다. 이 연구는 자원이 제한된 임상 환경에서 조합 요법 선택을 가이드할 수 있는 정밀 종양학을 위한 실용적인 도구로서 ScreenShot의 위치를 확립한다.

논문은 사전 학습 코퍼스에 존재하는 약물에 의존한다는 점(단, UNK 토큰을 통해 새로운 화합물을 처리함)과 글로벌 예측 정확도가 항상 히트 탐지 능력과 직접적으로 상관되지는 않는다는 점(불확실성 가이드 선택이 최상위 히트를 찾는 데 최적이 아닐 수 있음을 시사)과 같은 한계점을 겸허히 언급하고 있다.