A heterogeneous biomedical knowledge network framework for rare disease drug candidate prioritization: integrating Orphadata and DisGeNET via gene-bridge harmonization

전 세계 3억 명 이상의 사람들에게 희귀 질환 진단은 종종 매우 적은 의료적 선택지만을 가진 삶에 대한 선고와 같습니다. 현대 의학이 흔한 질병을 치료하는 데 있어 놀라운 발전을 이루었지만, 대다수의 이러한 희귀 질환에는 승인된 약물이 없습니다. 그 이유는 흔히 경제적인 문제 때문입니다. 신약을 개발하는 것은 비용이 많이 들고 오랜 시간이 걸리는 과정이며, 제약 회사들은 잠재적 환자 수가 너무 적을 때 그 투자를 정당화하기 어렵다고 판단합니다. 이는 연구자들과 의사들이 처음부터 다시 시작할 필요가 없는 다른 길을 찾게 만듭니다. 대신, 그들은 이 소외된 질환들에 효과가 있을지도 모르는 기존 약물을 찾는 방법, 즉 '신약 재창출(drug repurposing)'이라 불리는 전략을 모색합니다. 이를 효과적으로 수행하기 위해 과학자들은 질병, 그 원인이 되는 유전자, 그리고 그 유전자에 영향을 미치는 약물 사이의 복잡한 연결망에 의존합니다. 만약 특정 약물이 특정 유전자와 상호작용하는 것으로 알려져 있고, 어떤 희귀 질환이 바로 그 유전자의 문제로 인해 발생한다면, 그 약물이 해당 질환을 치료하는 데 도움이 될 가능성이 높습니다.

하지만 문제는 이러한 연결을 만드는 데 필요한 정보가 서로 다른 언어를 사용하는 여러 데이터베이스에 흩어져 있다는 점입니다. 하나의 주요 데이터베이스인 오파다타(Orphadata)는 희귀 질환과 그 원인이 되는 유전자 사이의 관계를 목록화하며, 또 다른 데이터베이스인 디스게넷(DisGeNET)은 수천 개의 약물이 유전자와 어떻게 상호작용하는지를 기록합니다. 문제는 이 두 출처가 동일한 유전자에 대해 서로 다른 명명 체계를 사용하고 있어, 데이터를 단순히 결합하는 것이 불가능하다는 점입니다. 디야 라마니(Diya Ramani)의 새로운 연구는 이 두 세계 사이에 다리를 놓음으로써 이 장벽을 해결합니다. 연구자는 먼저 두 데이터베이스 전반에 걸쳐 유전자의 이름을 표준화하여 단일하고 일관된 언어로 번역하는 컴퓨터 프레임워크를 구축했습니다. 데이터가 조화롭게 통합되면, 질병, 유전자, 약물이 모두 연결된 거대한 3차원 네트워크로 엮이게 됩니다. 이 네트워크는 약 2,500개의 희귀 질환과 11,000개 이상의 약물을 나타내는 15,000개 이상의 뚜렷한 정보 지점들을 포함하고 있습니다.

이 복잡한 웹을 이해하기 위해, 이 연구는 그래프 어텐션 네트워크(Graph Attention Network)라고 불리는 일종의 인공지능을 사용합니다. 완전히 새로운 발견을 예측하려는 매우 불확실한 시도를 하는 대신, 이 시스템은 기존 네트워크의 구조를 이해하도록 훈련됩니다. 시스템은 질병, 유전자, 약물이 어떻게 연결되어 있는지 패턴을 인식하는 법을 배우며, 효과적으로 생물학적 관계의 지도를 만들어냅니다. 일단 시스템이 이러한 패턴을 학습하면, 특정 희귀 질환을 질의어로 입력받아 공유된 유전자를 통해 해당 질환과 가장 밀접하게 관련된 약물들을 데이터베이스 내에서 순위를 매겨 나열할 수 있습니다. 목표는 새로운 치료제를 발명하는 것이 아니라, 추가 조사를 위한 가장 유망한 기존 후보군을 우선순위에 따라 선정함으로써, 혼란스러운 가능성의 목록을 의사와 연구자들을 위한 집중된 요약 목록으로 바꾸는 것입니다.

이 접근 방식의 결과는 노이즈를 뚫고 지나가는 능력이 놀랍다는 것을 보여줍니다. 시스템을 200개의 서로 다른 희귀 질환에 대해 테스트했을 때, 40%의 사례에서 이미 알려진 효과적인 치료제를 상위 10개 제안 안에 성공적으로 배치했습니다. 이는 무작위 추측(거의 항상 틀릴 수밖에 없는 방식)보다 훨씬 큰 개선입니다. 이 성공 뒤에 숨겨진 생물학적 논리를 설명하기 위해, 연구는 호킨시누리아(Hawkinsinuria)라는 장애와 관련된 특정 사례를 살펴보았습니다. 시스템은 관련 대사 경로에 대한 사전 지식이 없었음에도 불구하고, 니티시논(Nitisinone)이라는 약물을 네 번째로 유력한 후보로 선정했습니다. 이 약물은 동일한 유전적 경로를 공유하는 다른 질환의 표준 치료제로 이미 사용되고 있습니다. 시스템이 해당 경로에 대해 명시적으로 듣지 않고도 이러한 연결을 찾아냈다는 사실은, 시스템이 학습한 기저 패턴이 생물학적으로 타당하고 의미 있다는 것을 시사합니다.

이 연구는 자신의 발견을 최종적인 임상적 해답이라기보다는 의사 결정 지원 도구로 규정하는 데 주의를 기울입니다. 이 시스템은 가설을 생성하고 인간 전문가에게 시작점을 제공하도록 설계되었으며, 전문가는 이후 추가 연구와 테스트를 통해 제안된 내용을 검증해야 합니다. 또한 현재의 지식 격차를 강조하며, 오파다타 데이터베이스에 있는 희귀 질환 중 거의 절반은 연관된 유전자에 대한 약물 데이터가 없어 네트워크에 포함될 수 없었다고 언급했습니다. 이러한 한계는 방법론의 실패가 아니라, 많은 희귀 질환이 여전히 연구가 부족한 상태인 현재의 의학 문헌 상태를 반영하는 것입니다. 연구자는 이 과정을 재현 가능하게 만들고 이를 온라인에 무료 대화형 도구로 배포함으로써, 과학계가 방대한 희귀 질환 치료의 경관을 탐색할 수 있는 실질적인 방법을 제공했습니다. 이 작업은 기존의 데이터 조각들을 세심하게 연결함으로써, 이전에 숨겨져 있던 패턴을 보기 시작할 수 있으며, 현재 치료 옵션이 없는 수백만 명의 환자들에게 희망의 빛을 제공할 수 있음을 보여줍니다.