STDrug enables spatially informed personalized drug repurposing from spatial transcriptomics

STDrug 는 공간 전사체 데이터와 그래프 기반 모델링을 통합하여 미세환경 맥락을 고려한 환자 맞춤형 약물 재창출을 가능하게 하는 새로운 계산 프레임워크를 제시하며, 간세포암과 전립선암 데이터에서 기존 방법보다 우수한 예측 정확도를 입증했습니다.

핵심

이 논문은 **'STDrug'**이라는 새로운 인공지능 도구를 소개합니다. 이 도구의 목적은 **이미 승인된 약물을 새로운 질병에 맞게 재사용 (Drug Repurposing)**하는 것입니다. 마치 오래된 옷을 개조해서 새로운 스타일로 입거나, 기존에 쓰던 공구를 다른 작업에 활용하는 것과 비슷합니다.

이 연구의 핵심은 **"우리가 약을 고를 때, 세포가 어디에 위치하고 있는지 (공간적 맥락) 를 고려해야 한다"**는 점입니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

🏙️ 비유: "도시 계획과 약국"

과거의 약물 재사용 연구는 마치 전국 인구 통계만 보고 약을 추천하는 것과 같았습니다. "이 약은 전국의 사람들이 다 좋아할 거야!"라고 말했지만, 실제로는 특정 지역의 환경 (예: 습한 지역, 건조한 지역) 에 따라 효과가 달랐습니다.

STDrug은 이 문제를 해결하기 위해 **정교한 '스마트 도시 지도'**를 사용합니다.

1. 질병의 지도 그리기 (공간 전사체 분석)

• 과거 (단일 세포 분석): 병든 조직을 믹서기에 갈아서 세포만 뽑아냈습니다. "여기에는 암 세포가 많고, 저기에는 면역 세포가 많구나"는 알 수 있었지만, **"암 세포가 면역 세포 바로 옆에 붙어 있어서 서로 싸우고 있다"**는 중요한 공간적 정보는 잃어버렸습니다.
• STDrug (공간 전사체): 병든 조직을 고해상도 지도처럼 봅니다. "이 구역은 암 세포가 면역 세포를 공격하고 있는 '전장'이고, 저 구역은 간세포가 죽어가는 '폐허'구나"라고 정확한 위치를 파악합니다.

2. 건강한 지역과 비교하기 (공간 도메인 정렬)

• STDrug은 환자의 병든 조직 지도와 건강한 조직 지도를 겹쳐서 비교합니다.
• 마치 거울을 들이대는 것처럼, "이곳의 암 세포는 원래 이곳에 있어야 할 건강한 세포와 어떤 차이가 있을까?"를 찾아냅니다. 이때 AI 가 두 지도를 완벽하게 맞추어 (정렬하여) 어떤 부분이 변했는지 정확히 짚어냅니다.

3. 약을 고르는 지혜 (약물 재사용)

• 이제 AI 는 "이 변형된 세포들을 원래대로 되돌릴 수 있는 약은 무엇일까?"를 찾습니다.
• 기존 데이터 활용: 수만 가지 약물이 세포에 어떤 변화를 일으켰는지 기록된 거대한 데이터베이스 (약물 도서관) 를 뒤집니다.
• AI 의 판단: 단순히 유전자만 바꾸는 약이 아니라, 위험한 부작용이 없고, 실제로 효과가 입증된 약을 골라냅니다. 여기서 최신 AI (GPT-4o) 가 "이 약이 이 병에 왜 좋을지"에 대한 문헌 지식을 도와줍니다.

4. 검증 과정 (실제 테스트)

• 시뮬레이션: 컴퓨터로 먼저 "이 약을 쓰면 환자가 좋아질까?"를 시뮬레이션했습니다.
• 실제 데이터 확인: 미국 전역의 수백만 명 의료 기록 (MarketScan) 을 뒤져서, 실제로 이 약을 먹은 사람들이 나중에 간암이나 전립선암에 걸릴 확률이 낮았는지 확인했습니다. (예: 심부전 치료제인 '디곡신'이나 '스타틴' 계열 약물이 암 예방에 도움이 될 수 있다는 사실 발견)
• 실험실 테스트: 실제 실험실에서 암 세포를 키우고 약을 넣어보았습니다. 그 결과, **보르테조미브 (Bortezomib)**와 보라노스타트 (Vorinostat) 같은 약물이 항암제 저항성까지 가진 전립선암 세포를 효과적으로 죽이는 것을 확인했습니다.

---

💡 이 연구가 가져온 주요 발견

이 연구는 **간암 (HCC)**과 **전립선암 (PCa)**을 대상으로 테스트했습니다.

1. 기존 방법보다 훨씬 정확함: 기존에 쓰던 방법들보다 약을 맞출 확률 (AUC 점수) 이 훨씬 높았습니다.
2. 놀라운 후보 약물 발견:
   • 간암: 이미 알려진 항암제 (소라페닙) 를 다시 확인했을 뿐만 아니라, 비타민 B3 (나이아신), 카페인, 콜레스테롤 약 (아토르바스타틴) 같은 일상적인 물질들이 간암을 억제할 수 있다는 가능성을 발견했습니다.
   • 전립선암: 보르테조미브 (다발성 골수종 치료제) 와 보라노스타트 (림프종 치료제) 가 전립선암, 특히 기존 약에 저항성이 생긴 암에도 효과가 있을 것으로 예측했습니다.

🚀 결론: 왜 이것이 중요한가요?

이 연구는 **"약은 세포가 어디에 있는지, 주변 환경이 어떻게 되는지까지 고려해야 제대로 작동한다"**는 사실을 증명했습니다.

STDrug 은 마치 **개인 맞춤형 의사가 되어, 환자의 조직 지도를 보고 "이 환자에게는 이 약이 가장 잘 맞을 것"**이라고 제안하는 시스템입니다. 이를 통해 신약 개발에 드는 막대한 시간과 비용을 아끼고, 기존에 안전한 약을 새로운 암 치료제로 빠르게 쓸 수 있게 되었습니다.

한 줄 요약:

"STDrug 은 세포의 '위치'까지 고려하는 정밀 지도를 만들어, 기존에 쓰던 약들 중에서 환자에게 가장 딱 맞는 '보물'을 찾아내는 똑똑한 AI 도우미입니다."

기술 요약

STDrug: 공간 전사체학을 활용한 공간 정보 기반 맞춤형 약물 재창출 프레임워크

1. 문제 정의 (Problem)

• 기존 접근법의 한계: 기존 약물 재창출 (Drug Repurposing) 연구는 주로 단일 세포 RNA 시퀀싱 (scRNA-seq) 데이터에 의존합니다. 그러나 scRNA-seq 는 조직 내 세포의 공간적 맥락 (Spatial Context) 과 조직 구조를 잃어버리게 되어, 미세환경에 의존적인 약물 반응 특성을 포착하는 데 한계가 있습니다.
• 공간적 정보의 부재: 종양과 정상 조직 간의 공간적 상호작용 및 조직 내 세포의 공간적 배치는 약물 치료 효과에 중요한 단서를 제공하지만, 이를 체계적으로 활용하는 계산적 프레임워크가 부족했습니다.
• 해결 과제: 공간 전사체학 (Spatial Transcriptomics, ST) 데이터를 활용하여 환자별 맞춤형으로 가장 효과적인 약물 후보를 식별하고, 이를 공간적 맥락에서 검증할 수 있는 새로운 방법론이 필요합니다.

2. 방법론 (Methodology)

STDrug 은 공간 전사체 데이터를 입력받아 환자별 치료 우선순위를 결정하는 3 단계의 통합 계산 프레임워크입니다.

• 1 단계: 데이터 전처리 및 공간 도메인 식별 (Spatial Domain Identification)

  • 입력: 동일한 환자로부터 얻은 짝을 이루는 (paired) 질병 (종양) 조직과 정상 조직의 공간 전사체 데이터.
  • 배치 효과 보정: Harmony 알고리즘을 사용하여 환자 간 기술적 변이를 보정하고, 공간 좌표와 유전자 발현을 통합합니다.
  • 그래프 합성곱 신경망 (GCN): SpaGCN 에서 영감을 받아 공간적으로 인식된 저차원 임베딩을 학습합니다.
  • 균형 잡힌 클러스터링: 질병과 대조군 (정상) 간의 균형을 맞추는 클러스터링 알고리즘과 Coherent Point Drift (CPD) 알고리즘을 결합하여, 질병 조직과 정상 조직 간의 **매칭된 공간 도메인 (Paired Spatial Domains)**을 정확하게 식별합니다. 이는 기존 방법들 (STAGATE, STAligner 등) 보다 높은 정확도를 보입니다.

• 2 단계: 약물 재창출 및 점수화 (Drug Repurposing & Scoring)

  • 역전 가능한 유전자 서명 식별: 매칭된 공간 도메인 간의 차등 발현 유전자 (DEGs) 를 식별하고, L1000 및 Tahoe-100M 과 같은 대규모 약물 교란 (perturbation) 데이터베이스를 사용하여 이러한 유전자 발현을 역전시킬 수 있는 후보 약물을 탐색합니다.
  • LLM 기반 가중치 부여: GPT-4o 와 같은 사전 훈련된 대규모 언어 모델 (LLM) 을 활용하여 문헌 기반의 약물 - 질병 관계를 학습하고, 이를 통해 질병 관련 유전자에 대한 가중치를 부여합니다.
  • 종합 치료 점수 (Comprehensive Drug Score) 산출:
    • 공간 도메인 상호작용 (DDI): CellChat v2 를 사용하여 공간 도메인 간의 상호작용 강도를 분석하고, 질병 상태와 대조군 간의 차이를 고려합니다.
    • 효능 및 안전성: GDSC(약물 감수성) 및 SIDER(부작용) 데이터베이스를 통합하여 약물의 효능과 안전성을 반영합니다.
    • 최종 점수: 위 요소들을 통합하여 환자별 맞춤형 치료 점수를 계산하고, 이를 0~1 로 정규화하여 순위화합니다.

• 3 단계: 검증 (Validation)

  • 실제 임상 데이터 (In-silico): MarketScan(2 억 6 천만 명) 과 같은 대규모 전자 건강 기록 (EHR) 데이터를 활용하여 예측된 약물이 질병 발병 지연에 미치는 영향을 코호트 연구로 검증합니다.
  • 실험실 검증 (In-vitro): 전립선암 세포주 (Taxane-resistant 포함) 를 이용한 세포 생존율 assays 를 수행합니다.
  • 문헌 및 임상 시험 데이터: 기존 문헌 및 임상 시험 데이터를 기반으로 예측 결과의 타당성을 평가합니다.

3. 주요 기여 (Key Contributions)

• 최초의 공간 기반 약물 재창출 프레임워크: 단일 세포 데이터가 아닌 **공간 전사체학 (ST)**을 기반으로 하여, 조직의 공간적 구조와 미세환경 상호작용을 약물 예측에 직접적으로 통합한 최초의 방법론을 제시합니다.
• 정교한 공간 도메인 정렬 알고리즘: 질병과 정상 조직 간의 매칭된 공간 도메인을 식별하기 위해 GCN 과 CPD 알고리즘을 결합한 새로운 접근법을 개발하여, 기존 공간 클러스터링 도구들보다 월등히 높은 정확도 (NMI=0.93, ARI=0.94) 를 달성했습니다.
• 생성형 AI (LLM) 의 통합: GPT-4o 를 활용하여 약물 - 유전자 - 질병 간의 복잡한 관계를 학습하고 가중치를 부여함으로써, 기계 학습 모델의 예측 능력을 향상시켰습니다.
• 다중 검증 체계: 문헌, 대규모 임상 데이터 (EHR), 그리고 실험실 (In-vitro) 검증을 종합하여 예측 결과의 임상적 관련성을 강력하게 입증했습니다.

4. 결과 (Results)

• 성능 평가: 간세포암 (HCC) 과 전립선암 (PCa) 데이터셋에서 STDrug 은 기존 scRNA-seq 기반 방법 (ASGARD, Beyondcell) 및 공간 기반 방법보다 월등히 높은 예측 정확도를 보였습니다.
  • HCC: AUC 0.81 (ASGARD: 0.61, Beyondcell: 0.59)
  • PCa: AUC 0.82 (ASGARD: 0.57, Beyondcell: 0.48)
• 주요 발견:
  • HCC: Sorafenib(1 차 치료제) 을 정답으로 예측하여 모델의 신뢰성을 입증했으며, Bosutinib, Niacin(비타민 B3), Caffeine, Atorvastatin, Digoxin 등 기존에 간암 치료제로 알려지지 않았던 약물들의 재창출 가능성을 제시했습니다.
  • PCa: Bortezomib, Vorinostat, Sirolimus 등을 상위 후보로 예측했습니다. 특히 Taxane 내성 세포주에서 Bortezomib 과 Vorinostat 이 강력한 세포 독성을 보임을 실험적으로 확인했습니다.
• 임상 데이터 검증: MarketScan 데이터를 통해 Atorvastatin, Digoxin, Niacin(HCC) 및 Digoxin, Colchicine, Pitavastatin, Sirolimus(PCa) 가 암 발병을 유의미하게 지연시킨다는 것을 코호트 분석을 통해 확인했습니다.
• 기작 해석: 공간 도메인 수준에서 약물의 작용 기전을 해석했습니다. 예를 들어, Bosutinib 은 HCC 의 특정 공간 도메인 (C3, C4) 에서 MAPK 및 Src 신호 전달 경로를 억제하고, Bortezomib 은 전립선암의 C3 도메인에서 세포 사멸 (Apoptosis) 및 염증 경로를 조절하는 것으로 분석되었습니다.

5. 의의 및 중요성 (Significance)

• 정밀 의학의 새로운 패러다임: STDrug 은 공간 전사체학의 최신 기술을 치료 결정에 활용하는 일반화 가능한 프레임워크를 제시함으로써, "공간적으로 정보화된 (Spatially informed)" 맞춤형 약물 재창출의 길을 열었습니다.
• 임상적 전환 가능성: 기존에 승인된 약물이나 연구 중인 화합물을 새로운 적응증으로 빠르게 재창출할 수 있는 가능성을 제시하며, 신약 개발의 시간과 비용을 절감할 수 있는 실용적인 도구가 될 것입니다.
• 기작 기반 예측: 단순히 약물 후보를 나열하는 것을 넘어, 공간적 맥락에서의 분자적 기작을 해석함으로써 임상 적용에 필요한 생물학적 통찰력을 제공합니다.

결론적으로, 이 연구는 공간 전사체학, 머신러닝, 생성형 AI, 그리고 대규모 임상 데이터를 융합하여 기존 방법론의 한계를 극복하고, 환자별 최적의 치료 전략을 수립하는 데 혁신적인 기여를 한 연구입니다.