Evidence-constrained mechanistic synthesis for drug discovery

신약 개발은 종종 방대한 양의 생물학적 단서로부터 시작됩니다. 과학자들은 실험실 실험, 임상 시험, 그리고 발표된 연구들로부터 질병이 어떻게 작용하는지, 그리고 약물이 이를 어떻게 저지할 수 있는지에 관한 퍼즐 조각들을 제공하는 수천 개의 관찰 결과를 수집합니다. 문제는 정보의 부족이 아니라 정보의 과잉입니다. 연구자들은 종종 단일하고 일관된 질병 모델로 변환하기에는 너무 많은 생물학적 증거를 보유하게 됩니다. 이처럼 이질적인 사실들을 하나의 경직된 방정식으로 강제로 밀어 넣으려 할 때, 연구자들은 가짜 확신을 만들어낼 위험이 있으며, 복잡하고 변화무쌍한 생물학적 실체를 진실을 반영하지 못할 수도 있는 고정된 숫자로 바꾸어 버릴 위험이 있습니다. 목표는 데이터가 허용하는 것보다 더 많이 알고 있는 척하지 않으면서도, 증거의 전체 무게를 존중하는 치료 계획을 찾는 것입니다.

'증거 제약 기계론적 합성(evidence-constrained mechanistic synthesis)'이라 불리는 새로운 프레임워크는 과학자들이 발견한 정보를 다루는 방식을 바꿈으로써 이 문제를 해결합니다. 이 방법은 모든 증거를 단일한 확률이나 고정된 계수로 변환하려고 시도하는 대신, 증거를 일련의 경계값으로 취급합니다. 이 방식은 각 발견이 실제로 어떤 정보를 포함하고 있는지를 분류하고, 그 정보를 사용하여 가능한 방대한 질병 모델의 집합을 제한합니다. 질병이 어떻게 작동하는지에 대한 수천 개의 서로 다른 가설들이 모인 거대한 컬렉션을 상상해 보십시오. 증거는 단 하나의 승자를 선택하는 것이 아니라, 이 전체 집단 내에서 어떤 사건이 지지되는지의 빈도를 변화시킵령 합니다. 이는 불확실성을 눈에 보이게 유지하며, 연구자가 내려야 하는 결정과 불확실성을 구별해 줍니다.

연구진은 지속적인 두드러기 증상을 특징으로 하는 만성 자발성 두드러기와 관련된 구체적이고 실제적인 시나리오를 사용하여 이 접근법을 테스트했습니다. 그들은 53개의 서로 다른 출처와 13개의 공공 데이터 리소스로부터 얻은 114개의 구체적인 생물학적 발견물을 비포괄적으로 수집했습니다. 이 발견물들을 단일 모델로 병합하는 대신, 연구진은 4,096개의 서로 다른 가설을 포함하는 '동결된 앙상블(frozen ensemble)'의 한계를 정의하는 18개의 제약 조건을 만들었습니다. 이 앙상블은 가용한 증거와 일치하는 가능한 생물학적 시나리오의 전체 범위를 나타냅니다. 그 후 연구팀은 치료 요법을 찾는 과정을 질병 모델의 원하는 변화와 일치시키는 과정으로 공식화했습니다. 연구자들은 생물학적 시스템의 어느 부분을 변경하고 싶어 하는지와 그 변화가 얼마나 중요한지를 지정할 수 있었으며, 동시에 제어 변수들이 그 목표를 달ู하기 위해 연속적으로 조정되도록 허용했습니다.

이 거대한 가능성의 집합 내에서 최선의 치료 계획을 찾기 위해, 연구팀은 옵션들을 체계적으로 정교화하는 특정 탐색 방법을 사용했습니다. 그들은 이 앙상블 내의 4,096개 가설 전체에 대해 이 탐색을 검증했습니다. 결과에 따르면, 이 방법은 44개의 표준 시작점 중에서 발견된 최선의 결과와 비교했을 때 원하는 목표를 맞추는 데 발생하는 오차를 27.3% 줄였습니다. 결정적으로, 연구진이 목표를 변경하여(즉, 다른 결과를 우선시하기로 결정했을 때) 시스템은 다른 세트의 제어 변수를 선택했지만, 근간이 되는 증거 앙상블은 변하지 않았습니다. 이는 이 방법이 가공되지 않은 증거를 구체적인 치료 계획의 목표와 분리하여 유지한다는 것을 입증했습니다. 보완적인 분석 또한 비만세포(mast cells)와 질병 사이의 연결에 대한 불확실성이 의사결정에 있어 가장 결정적인 요소임을 강조했으며, 이는 생물학의 어느 부분이 가장 중요한지는 전적으로 연구자가 무엇을 달성하고자 하는지에 달려 있음을 보여주었습니다.

이 프레임워크는 과학자들이 특정 경로를 결정하기 전에 흩어진 문헌들을 파악해야 하는 신약 개발의 초기 단계를 위해 설계되었습니다. 이 방법은 이질적인 데이터를 계산 가능하게 만들면서도 증거, 불확실성, 그리고 결정 선호도를 별개로 유지함으로써, 연구자들이 거짓된 정밀함에 매몰되지 않고 복잡한 생물학적 시스템을 탐색할 수 있게 해줍니다. 이는 기존 지식의 깊이를 활용하여 결정을 안내하는 동시에, 무엇이 여전히 불확실한지를 명확히 인정하며 앞으로 나아갈 길을 구축하는 방법을 제시합니다.