💻 bioinformatics

Perturbation-Aware Neural ODE (pNODE) Learns Microbiome Dynamics from Clinical Data and Predicts Gut-Borne Bloodstream Infections in Patients Receiving Cancer Treatment

본 연구는 미생물 풍부도와 시간 경과에 따른 항생제 섭동을 통합함으로써, 동종 조혈모세포 이식을 받는 암 환자의 장내 미생물 역학을 정확하게 예측하고 장 유래 혈류 감염을 예측하여 기존 모델보다 뛰어난 성능을 보이는 섭동 인식 신경 상미분 방정식(pNODE) 프레임워크를 소개한다.

원저자: Stamper, I. C., Aeria, B., Xavier, J.

게시일 2026-09-10

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Stamper, I. C., Aeria, B., Xavier, J.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

인간의 장 내부에는 신체의 건강을 유지하기 위해 끊임없이 일하는 방대하고 복잡한 박테리아 공동체가 존재합니다. 이 미세한 거주자들은 단순히 음식을 소화하는 것 이상의 역할을 합니다. 이들은 침입자에 맞서는 방패 역할을 하며, 면역 체계를 훈련시키고 유해한 병원균이 자리 잡는 것을 방지합니다. 그러나 골수 이식과 같은 공격적인 암 치료를 받게 되면, 이 섬세한 생태계는 산산조각이 날 수 있습니다. 강력한 약물과 방사선은 면역 체계의 방어력을 무력화하며, 의사들은 감염을 막기 위해 광범한 항생제를 사용해야만 합니다. 이러한 항생제는 생명을 구하지만, 동시에 무차별적으로 작용하여 장을 안정적으로 유지하는 유익한 박테리아까지 파괴합니다. 그 결과 발생하는 공백 속에서, 평소에는 아주 적은 수로 존재하던 기회감염균들이 폭발적으로 증식하여 유익한 박테리아를 몰아내고, 결국 혈류로 흘러 들어가 심각하거나 때로는 치명적인 감염을 일으킵니다.

수년 동안 과학자들은 이러한 미생물 공동체가 교란에 어떻게 반응할지 예측하여, 감염이 발생하기 전에 장을 다시 건강한 상태로 되돌릴 방법을 찾고자 노력해 왔습니다. 이러한 변화를 모델링하기 위한 전통적인 방식은 박테리아가 마치 기계의 톱니바퀴처럼 고정되고 예측 가능한 방식으로 상호작용한다고 가정하는 단순화된 규칙에 의존합니다. 하지만 실제 장 내부는 훨씬 더 무질서하고 역동적이며, 단순한 규칙으로는 포착할 수 없는 복잡하고 비선형적인 방식으로 항생제에 반응합니다. 연구자들에게는 데이터를 경직된 틀에 억지로 끼워 맞추는 대신, 환자의 데이터라는 무질서한 현실로부터 직접 학습할 수 있는 새로운 접근 방식이 필요했습니다.

슬론 케터링 암 연구소와 UCLA의 과학자 팀은 이 문제를 해결하기 위해 pNODE(perturbation-aware Neural ODE)라고 불리는 새로운 도구를 개발했습니다. 이 시스템은 미리 설정된 규칙에 의존하는 대신, 관찰을 통해 운동 법칙을 직접 학습하도록 설계된 일종의 인공지능을 사용합니다. 강물이 흐르는 모습을 관찰한다고 상상해 보십시오. 전통적인 모델은 강바닥의 정적인 지도를 바탕으로 물의 경로를 추측하려 하겠지만, pNODE는 물이 움직이는 모습을 지켜보며 물이 바위 주변에서 어떻게 소용돌이치고 조류에 따라 어떻게 속도가 변하는지를 학습한 뒤, 다음에 어디로 갈지를 예측합니다. 이 경우 "강"은 환자의 장 속에 있는 박테리아의 집합체이며, "바위"는 투여되는 항생제입니다. 연구진은 골수 이식을 받은 1,000명 이상의 환자로부터 얻은 데이터, 즉 상세한 일일 항생제 투여 기록과 박테리아 인구의 변화를 추적하는 수천 개의 대변 샘플을 시스템에 입력했습니다.

결과는 놀라웠습니다. 실제 규칙을 알고 있는 합성 데이터로 테스트했을 때, pNODE는 데이터에 노이즈가 있거나 불완전하여 병원의 실제 상황을 모사하는 경우에도 전통적인 모델보다 일관되게 우수한 성능을 보였습니다. 하지만 진정한 시험대는 연구팀이 이 모델을 실제 환자 데이터에 적용했을 때였습니다. 연구진은 초기 대변 샘본과 계획된 항생제 일정만을 바탕으로 환자의 장내 박테리아가 향후 일주일 동안 어떻게 변할지 예측하도록 시스템을 훈련시켰습니다. 이 모델은 기존의 방식보다 특정 박테리아 그룹의 증감을 더 정확하게 예측하며 놀라운 정확도를 입증했습니다. 가장 중요한 것은, 연구진이 모델에게 명시적으로 가르치지 않았던 임상적 결과를 모델이 예측할 수 있다는 점을 발견했다는 것입니다. 모델을 미래 시점으로 실행함으로써, 특정 위험한 박테리아인 엔테로코커스(Enterococcus)의 경로를 생성할 수 있었습니다. 만약 모델이 이 박테리아가 장을 지배할 정도로 성장할 것이라고 예측한다면, 이는 환자가 혈류 감염의 높은 위험에 처해 있다는 강력한 신호가 됩니다.

이러한 예측 능력은 모델이 한 번도 본 적 없는 환자들에게 테스트했을 때도 유효했습니다. 연구팀은 모델의 엔테로코커스 성장 예측이 단순히 현재 박테리아 수치를 확인하거나 기존의 규칙 기반 모델을 사용하는 것보다 미래의 감염을 더 잘 예측한다는 것을 발견했습니다. 어떤 경우에는 모델의 예측이 마치 연구자들이 이미 미래의 박테리아 수치를 알고 있는 것처럼 정확했는데, 이는 시스템이 장을 지배하는 근본적인 생태적 규칙을 학습했음을 시사합니다. 또한 연구진은 장내 박테리아 공동체를 2차원 지형도로 매핑하여 이러한 역동성을 시각화했습니다. 이 관점에서 보면, 서로 다른 항생제는 바람처럼 작용하여 전체 공동체를 특정 방향으로 밀어냅니다. 어떤 항생제 요법은 공동체를 엔테로코커스가 장악하는 상태로 몰아가지만, 다른 요법은 생태계를 다양하고 안정적으로 유지합니다.

이 연구는 이러한 새로운 접근 방식이 궁극적으로 의사들이 항생제 사용에 대해 더 현명한 선택을 내리는 데 도움을 줄 수 있음을 시사합니다. 환자 개개인의 장 생태계에 각기 다른 치료 계획이 어떤 영향을 미칠지 시뮬레이션함으로써, 임상의들은 보호적인 마이크로바이옴을 파괴하지 않으면서도 감염을 치료할 수 있는 요법을 선택할 수 있을 것입니다. 비록 이 모델은 특정 암 환자 그룹을 대상으로 테스트되었으며 다른 환경에서의 추가적인 검증이 필요하지만, 이는 중요한 진전입니다. 이는 단순히 감염이 일어난 후의 현상을 관찰하는 단계에서 벗어나, 감염을 초래하는 역동적인 힘을 이해하는 단계로 나아가는 것이며, 감염이 시작되기도 전에 이를 예방할 수 있는 잠재적인 길을 제시합니다.

기술 요약: 미생물군집 역학을 위한 섭동 인지 신경 ODE (pNODE)

문제 정의

암 치료, 특히 동종 조혈모세포 이식(allo-HCT)은 장내 미생물군집을 심각하게 교란합니다. 이러한 교란은 광범한 항생제 투여로 인해 더욱 악화되며, 생물 다양성을 감소시키고 정착 저항성을 약화시켜 Enterococcus faecium과 같은 기회감염균이 장내에서 확장하고 지배하도록 허용합니다("장내 지배"). 이러한 확장은 혈류로의 전이를 촉진하여 생명을 위협하는 혈류 감염(BSI)으로 이어집니다.

일반화된 로트카-볼테라(gLV) 모델과 같은 기존의 예측 모델은 선형적, 쌍체적, 시변적 상호작용 및 균질한 환경이라는 단순화된 가정에 의존합니다. 이러한 모델은 항생제 요법과 같은 복잡한 임상적 섭동 하에서의 비선형적이고 맥락 의존적인 미생물군집의 역학을 포착하는 데 어려움을 겪습니다. 또한, 임상 데이터는 희소하고 불규칙한 샘플링 및 높은 노이즈를 특징으로 하며, 이는 전통적인 파라미터 모델이 일반화에 실패하는 조건입니다. 따라서 연속 시간 미생물 역학을 모델링하면서 시간별 외부 섭동(항생제)을 명시적으로 통합하여 생태적 변화와 임상적 결과를 예측할 수 있는 유연한 데이터 기반 프레임워크가 절실히 필요합니다.

방법론

pNODE 프레임워크

저자들은 **섭동 인지 신경 상미분 방정식(Perturbation-Aware Neural Ordinary Differential Equation, pNODE)**을 소개합니다. 표준 Neural ODE(NODE)가 자율적 역학을 모델링하는 것과 달리, pNODE는 시스템의 상태를 결정하는 미분 방정식에 외부 섭동을 명시적으로 포함합니다.

구조: 시스템 상태 $x(t)$ 는 미생물 풍부도를 나타냅니다. 역학은 신경망 $f_\theta$ 에 의해 적분되는 잠재 상태 $z(t)$ 에 의해 지배됩니다:
$\frac{dz}{dt} = f_\theta(x(t), p(t), t)$
여기서 $x(t)$ 는 현재 종 풍부도 벡터, $p(t)$ 는 항생제 노출을 인코딩하는 시간 의존적 섭동 벡터, $t$ 는 절대 시간(이식 후 일수)입니다.
섭동 인코딩: 항생제 투여는 특정 항생제 범주(예: 카바페넴, 플루오로퀴놀론)에 해당하는 각 차원이 15차원의 이진 벡터 $p(t)$ 로 인코딩됩니다. $p_i(t)$ 는 환자가 시간 $t$ 에 범주 $i$ 의 항생제를 처방받고 있으면 1, 그렇지 않으면 0입니다.
조성 출력: 예측값이 유효한 상대 풍부도 벡터(합계가 1)를 유지하도록 하기 위해, 잠재 상태는 소프트맥스(softmax) 함수를 통해 관측 공간으로 매핑됩니다: $x(t) = \text{softmax}(z(t))$ .
훈련: 모델은 7일간의 짧은 구간 동안 예측된 상대 풍부도와 실제 관측된 풍부도 사이의 평균 절대 오차(MAE) 손실을 사용하여 훈련됩니다. ODE 솔버(Euler method via torchdiffeq)는 적분 과정을 미분하여 가중치를 업데이트합니다.

데이터 및 실험 설계

임상 코호트: 본 연구는 Memorial Sloan Kettering 암 센터의 1,000명 이상의 allo-HCT 환자로부터 얻은 10,000개 이상의 분변 미생물 샘플(16S rRNA 시퀀싱), 상세한 항생제 기록 및 임상 결과를 포함하는 종단적 데이터셋을 활용했습니다.
분류학적 해상도: 두 가지 모델 구성이 훈련되었습니다:
1. Class 수준 (N=14): 박테리아 클래스 수준으로 집계되었으며, Enterococcus는 Bacilli 클래스와 명시적으로 분리되었습니다. 이 서브셋은 gLV와의 직접 비교를 가능하게 하기 위해 qPCR 절대 풍부도 데이터가 있는 환자로 제한되었습니다.
2. Genus 수준 (N=136): 전체 코호트를 대상으로 훈련된 고해상도 모델로, 출현 빈도가 5%를 초과하는 속(genus)을 유지했습니다.
합성 벤치마크: 통제된 조건에서 프레임워크를 검증하기 위해, 저자들은 섭동이 추가된 gLV 모델에 의해 제어되는 합성 5-종 생태계를 생성했습니다. 이 데이터셋에는 임상 데이터의 특성을 모사하기 위해 알려진 참값 파라미터, 불규칙한 샘플링 및 가우시안 노이즈가 포함되었습니다.
예측을 위한 생성 모드: 훈련된 후, pNODE는 생성 모드로 작동합니다. 초기 분변 샘플과 환자의 특정 항생제 타임라인에서 시작하여, 모델은 중간 관측 없이 미래의 미생물 궤적을 예측하기 위해 순방향으로 적분합니다.

주요 결과

1. 합성 및 임상 환경에서의 gLV 대비 우수한 성능

합성 데이터: 참값이 gLV 모델에 의해 생성되었음에도 불구하고, pNODE는 다양한 조건(노이즈 수준, 샘플링 밀도, 훈련 세트 크기 변화)의 그리드에서 gLV 추론보다 일관되게 우수한 성능을 보였습니다. 성능 격차는 임상 연구에서 전형적인 희소하고 노이즈가 많으며 데이터가 부족한 환경에서 가장 두드러졌습니다.
임상 데이터 (qPCR 서브셋): 절대 풍부도 데이터가 있는 환자 그룹에서, pNODE는 gLV( $\approx 0.049$ ) 및 상수 조성 베이스라인( $\approx 0.049$ )보다 낮은 7일 예측 MAE( $\approx 0.047$ )를 달기했습니다. 이 이점은 더 긴 예측 기간(30일 및 60일)에서 더 커졌습니다.
임상 데이터 (전체 코호트): Genus 수준의 pNODE는 홀드아웃(held-out) 환자에 대해 $\approx 0.007$ 의 7일 MAE를 달성했으며, Enterococcus 지배로의 진행 및 다양한 군집의 회복을 포함한 주요 생태적 전환을 성공적으로 포착했습니다.

2. 혈류 감염(BSI) 예측

본 연구는 pNODE로 생성된 궤적이 감염 결과에 대한 학습 없이도 Enterococcus BSI를 예측할 수 있음을 입증했습니다.

방법: 각 환자에 대해 모델은 미래의 창 $W$ 동안의 예측된 Enterococcus 풍부도 궤적을 생성했습니다. 평균 예측 풍부도가 위험 점수로 사용되었습니다.
성능: pNODE 기반 위험 점수는 초기 Enterococcus 풍부도 베이스라인과 gLV 생성 예측을 모두 능가했습니다.
- 30일 예측 시, pNODE는 AUC $0.83 \pm 0.01$ 을 달성하여 gLV($0.70$)를 앞질렀으며, 보간된 참값 오라클(oracle, $0.82$)과 대등하거나 이를 능가했습니다.
- pNODE의 이점은 더 긴 예측 기간에서도 증가하여, 오라클의 성능이 하락하는 58일 시점에서도 높은 AUC( $\approx 0.81-0.82$ )를 유지했습니다.

3. 항생제 의존적 흐름장(Flow Field) 시각화

저자들은 TaxUMAP 임베딩에 Genus 수준 pNODE 역학을 투영하여 학습된 벡터장을 시각화했습니다.

서로 다른 항생제 요법(섭동 상태)이 흐름장을 재형성하여 미생물 군집을 서로 다른 생태적 끌개(attractor)로 유도하는 것이 확인되었습니다.
특정 항생제(예: 페니실린)가 군집을 Enterococcus가 지배하는 영역으로 몰아넣는 현상이 관찰되었으며, 이는 치료 선택이 어떻게 생태적 궤적에 영향을 미치는지에 대한 메커리즘적 시각화를 제공합니다.

의의 및 주장

본 논문은 pNODE가 다음과 같은 이유로 임상 미생물군집 역학 모델링의 중요한 진보라고 주장합니다:

데이터와 역학 사이의 간극 해소: 비매개변수적 신경 ODE가 이론적으로 gLV와 유사한 시스템일지라도, 실제 임상 데이터의 희소하고 노이즈가 많은 조건 하에서 고전적 생태 모델(gLV)보다 뛰어날 수 있음을 보여줍니다.
결과 학습 없는 예측 유용성: 모델은 미생물 역학 및 항생제 섭동만을 학습함으로써 하위 임상 사건(BSI)을 성공적으로 예측했습니다. 이는 모델이 단순히 결과와 상관관계를 맺는 것이 아니라, 감염에 선행하는 상위 생태적 메커니즘(장내 지배)을 포착하고 있음을 시사합니다.
"What-if" 시나리오를 위한 생성 능력: 이 프레임워크는 서로 다른 항생제 요법 하에서의 전향적 미생물 궤적을 시뮬레이션할 수 있게 합니다. 이러한 능력은 임상의가 항생제 투여 전 생태적 결과를 평가할 수 있는 미생물군집 인식 치료 전략의 토대를 마련합니다.
흐름장을 통한 해석 가능성: 항생제 의존적 흐름장을 시각화하는 능력은 특정 약물 조합이 어떻게 미생물군집을 임상적으로 유의미한 상태(예: 병원균 지배)로 몰아가는지 이해하는 새로운 방법을 제공하며, 생태적 회복력과 취약성에 대한 검증 가능한 가설을 생성합니다.

저자들은 pNODE가 예측 모델링을 위한 유망한 도구이지만, 현재 단일 센터 데이터와 이진 섭동 인코딩에 국한되어 있다고 결론지었습니다. 향서적 임상 의사결정을 지원하기 위해 다양한 기관에서 역학을 검증하고 용량, 절대 풍부도 및 호스트 변수와 같은 더 풍부한 특징을 통합하는 후속 연구가 필요합니다.