Predicting tuberculosis relapse based on 28-day CFU, RS ratio, and/or drug contribution for novel regimens in the relapsing mouse model

당신이 9개월에 걸쳐 전개되는 미스터리를 풀려는 탐정이라고 상상해 보십시오. 범인은 결핵(TB)이라는 질병을 일으키는 교활한 박테리아인 Mycobacterium tuberculosis입니다. 과거에는 이 세균을 잡아내고 어떻게 물리칠지 알아내는 데 매우 느리고, 비싸며, 북적거리는 조사가 필요했습니다. 생쥐를 감염시키고, 치료하고, 생쥐가 다시 병에 걸리는지 확인하기 위해 거의 1년을 기다려야 했습니다. 그것은 마치 영웅이 승리했는지 확인하기 위해 슬로 모션 영화가 끝날 때까지 기다리는 것과 같았습니다. 과학자들은 더 빠른 "만능" 처방(약물 조합)을 테스트할 방법이 절실히 필요합니다. 왜냐하면 현재의 치료법은 너무 길어서 환자들이 치료를 다 마치기 전에 중단하는 경우가 많고, 이는 약제 내성을 가진 슈퍼 박테리아로 이어지기 때문입니다. 연구를 가속화하기 위해, 연구진은 훨씬 더 일찍 발견할 수 있는 두 가지 특별한 "단서"를 개발했습니다: 폐에 여전히 살아있는 박테리아의 수(CFU)와 박테리아가 스스로를 복제하는 데 얼마나 바쁜지를 나타내는 척도(RS 비율)입니다. CFU를 집 안에 숨어 있는 용의자의 수를 세는 것으로 본다면, RS 비율은 용서들이 도망치기 위해 짐을 부랴부랴 싸고 있는지, 아니면 그냥 아무것도 하지 않고 가만히 앉아 있는지를 확인하는 것으로 생각할 수 있습니다.

이 논문은 이 초기 단서들(치료 4주 후 채취된)을 보고 특정 약물 처방이 장기적으로 생쥐를 완치시킬 수 있을지를 예측할 수 있는 초스마트 컴퓨터 탐정을 구축하는 것에 관한 것입니다. 연구진은 9개의 서로 다른 실험에서 얻은 데이터, 즉 58개의 고유한 약물 조합과 2,000개가 넘는 생쥐의 호전 또는 악화 관찰 데이터를 수집했습니다. 그들은 이 정보를 수학적 모델에 입력하여, 단기적인 단서와 장기적인 결과 사이의 패턴을 찾아내도록 학습시켰습니다. 그 결과는 단 한 달의 데이터만으로 새로운 약물 처방의 순위를 매길 수 있는 도구입니다. 이 모델은 연구진이 9개월을 기다리는 대신, 단 한 달 만에 결과를 예측할 수 있음을 시사합니다. 모델은 이 초기 단서들을 사용함으로써 과학자들이 가장 유망한 치료법을 빠르게 식별하고 실패할 가능성이 높은 처방은 건너뛸 수 있게 하여 시간, 비용, 그리고 수천 마리의 생쥐를 아낄 수 있다고 제안합니다. 컴퓨터 예측은 테스트에서 매우 정확하지만(90%의 정확도), 저자들은 완전히 새로운 약물의 경우 "바쁨"의 단서(RS 비율)가 특히 도움이 되는 반면, 이미 알려진 약물의 경우에는 각 약물이 감염을 살균하는 능력이 얼마나 좋은지만 알면 박테리아 수만 세는 것으로도 충분할 수 있다고 언급합니다.

탐정의 새로운 지름길

결핵은 끈질긴 적입니다. 수십 년 동안 새로운 약물 혼합물이 효과가 있는지 알 수 있는 유일한 방법은 생쥐를 이용해 아주 긴 게임을 하는 것이었습니다. 생쥐를 감염시키고, 약을 투여하고, 박테리아가 다시 나타나는지 보기 위해 꼬박 9개월을 기다려야 했습니다. 이는 매우 느리고 자원이 많이 드는 과정이었으며, 과학자들이 꿈꾸던 수백 가지의 새로운 약물 조합을 테스트하는 데 걸림돌이 되었습니다. 하지만 만약 한 달 만에 증거를 엿보고 결말을 알 수 있다면 어떨까요? 그것이 바로 이 팀이 목표로 한 것입니다.

그들은 빠르게 수집할 수 있는 두 가지 특정 "단서"에 집중했습니다:

1. CFU (Colony Forming Units): 이것은 생쥐의 폐에 여전히 살아있고 성장할 수 있는 박테리아의 수입니다. 이것은 집 안에 여전히 숨어 있는 침입자의 수를 세는 것과 같습니다.
2. RS 비율: 이것은 박테리아의 "건강" 또는 활동성을 측정하는 것입니다. 구체적으로는 미성숙 리보솜 RNA와 성숙 리보솜 RNA의 비율을 살펴봅니다. 이것을 박테리아의 "할 일 목록"을 확인하는 것으로 생각하십시오. 만약 목록에 미완료된 과업이 가득하다면, 박테리아는 스트레스를 받고 죽어가고 있는 것입니다. 만약 목록이 깨끗하다면, 그들은 단지 쉬고 있는 것일 수도 있지만 여전히 위험한 상태일 수 있습니다.

연구진은 단기적인 단서와 장기적인 결과(생쥐가 완치되었는지 여부) 사이의 관계를 학습하기 위해 계산 모델—세련된 컴퓨터 뇌—을 구축했습니다. 그들은 단순히 추측한 것이 아니라, 58가지의 서로 다른 약물 요법을 포함한 9개의 별도 실험 데이터를 사용하여 모델을 훈련시켰습니다. 이 실험들은 서로 다른 종류의 생쥐, 서로 다른 균주, 그리고 다양한 감염 방식을 포함하고 있어 데이터가 매우 견고했습니다.

컴퓨터가 발견한 것

모델은 놀라운 정확도로 미래를 예측할 수 있다는 것을 배웠습니다. 보지 못한 데이터로 테스트했을 때, 컴퓨터는 약 **90%**의 확률(구체적으로 수신기 작동 특성 곡선 아래 면적(AUC)이 0.90)로 예측을 맞혔습니다. 이는 컴퓨터가 두 달 안에 생쥐를 완치시킬 약물 혼합물과, 네 달이 걸리거나 완전히 실패할 약물 혼합물을 성공적으로 구별할 수 있음을 의미합니다.

여기서 영리한 점은 다음과 같습니다. 모델은 어떤 약물의 경우, 단순히 박테리아를 세는 것(CFU)만으로는 전체 이야기를 다 알 수 없다는 것을 깨달았습니다. 어떤 약물은 박테리아를 죽이지만 그들이 나중에 "깨어나는 것"을 막지는 못하는 반면(비살균성), 어떤 약물은 감염을 진정으로 살균합니다. 이를 해결하기 위해 모델은 RS 비율을 결정적인 변수(tie-breaker)로 사용합니다. 모델은 우리가 아직 그들의 "살균 능력"을 모르는 새로운 약물의 경우, 박테리아가 정말로 제압되었는지 확인하기 위해 RS 비율이 중요한 단서가 된다고 제안합니다. 그러나 리팜핀(rifampin)이나 베다퀼린(bedaquiline)처럼 우리가 잘 알고 있는 약물의 경우, 모델은 그들의 알려진 살균 능력을 고려한다면 RS 비율 없이 박테리아 수만으로도 충분히 임무를 수행할 수 있다는 것을 발견했습니다.

또한 이 연구는 이 방법이 서로 다른 조건의 실험실에서 수행된 실험들을 비교할 때도 작동한다는 것을 보여주었습니다. 모델은 이러한 차이점을 조정하는 법을 배웠으며, 이는 한 실험실에서 테스트된 약물이 다른 실험실에서 테스트된 약물과 공정하게 비교될 수 있도록 보장하는 보편적인 번역기 역할을 합니다.

판결

저자들은 이 도구가 결핵 치료제 개발 방식을 바꿀 수 있다고 확신합니다. 이 모델을 사용함으로써 과학자들은 훨씬 더 짧은 시간 내에, 그리고 훨씬 더 적은 수의 생쥐를 사용하여 더 많은 약물 조합을 테스트할 수 있습니다. 레시피가 효과가 있는지 확인하기 위해 9개월을 기다리는 대신, 4주간의 실험을 수행하고 그 결과를 컴퓨터에 입력하여 어떤 레시피를 추구할 가치가 있는지 순위를 매길 수 있습니다.

하지만 이 논문은 이것이 예측 도구이지 마법 지팡이는 아니라는 점을 주의 깊게 명시하고 있습니다. 모델은 4가지 약물로 구성된 요법에 가장 잘 작동합니다. 테스트에서 특정 3가지 약물 조합에서는 다소 어려움을 겪었는데, 이는 매우 짧은 요법은 추가적인 정밀 검토가 필요할 수 있음을 시사합니다. 또한, 컴퓨터는 자신이 본 데이터를 바탕으로 결과는 잘 예측하지만, 여전히 초기 4주 실험의 품질에 의존합니다. 만약 단기 데이터에 노이즈가 많다면, 예측이 흔들릴 수 있습니다.

궁극적으로 이 연구는 새로운 워크플로우를 제시합니다: 빠른 4주 테스트를 실행하고, 박테리아 수와 그들의 "활동 수준"을 측정한 다음, 컴퓨터가 어떤 약물 조합이 진짜 영웅인지 알려주게 하십시오. 이는 실험실의 벤치에서 환자의 침상까지 가는 경로를 가속화하여, 오늘날 여전히 결핵으로 고통받는 수백만 명의 사람들에게 더 짧고 효과적인 치료법을 가져다줄 수 있습니다.