The trade-off between parsimony and model complexity for understanding biomedical mechanisms from mathematical models

복잡한 암 연구의 지형 속에서 과학자들은 종종 어려운 선택에 직면한다. 즉, 읽기는 쉽지만 중요한 지형을 놓치는 단순한 지도를 만들 것인가, 아니면 모든 언덕과 계곡을 포착하지만 너무 복잡해져서 사용하기 어려워지는 정교하고 세밀한 지도를 구축할 것인가 하는 문제다. 이러한 긴장은 수학적 모델링의 핵심에 자리 잡고 있다. 수학적 모델링은 연구자들이 질병이 어떻게 성장하고 치료제가 이를 어떻게 멈출 수 있는지를 시뮬레이션하기 위해 방정식을 사용하는 분야다. 목표는 단순히 과거의 데이터 포인트에 딱 맞는 선을 그리는 것이 아니라, 그 지점들을 움직이는 숨겨진 생물학적 기계 장치를 이해하는 것이다. 흔히 늦게 진단되어 표준 화학 요법에 내성을 보이는 질환인 난소암을 연구할 때, 이러한 메커니즘을 이해하는 것은 생사와 직결된 문제다. 연구자들은 모델에 얼마나 많은 생물학적 세부 정보를 포함할지 결정해야 한다. 세부 정보가 너무 적으면 모델이 왜 어떤 환자에게는 치료가 효과적이고 다른 환자에게는 실패하는지를 설명할 수 없게 된다. 반대로 너무 상세하면 모델은 신뢰할 수 없는 추측의 얽힌 그물이 되어버린다. 과제는 모델이 신뢰할 수 있을 만큼 단순하면서도, 질병의 진정한 비밀을 밝혀낼 수 있을 만큼 복잡한 '최적의 지점(sweet spot)'을 찾는 것이다.

몬트리얼 대학교와 CHU 생트쥐스틴 아즈리엘리 연구 센터의 연구팀은 두 가지 서로 다른 고등급 장액성 난소암 마우스 모델을 사용하여 이 과제를 해결하고자 했다. MP로 알려진 한 모델은 특정 DNA 복구 기제에 능숙한 종양을 나타내며, 다른 하나인 MPB1은 이러한 복구 능력이 결여된 종양을 나타낸다. 이 두 유형의 종양은 치료, 특히 흔한 화학 요법 약물인 시스플라틴과 면역 체계가 암과 싸우도록 돕는 새로운 유형의 치료법인 면역 관문 억제제에 대해 매우 다르게 반응한다. 연구진은 가장 단순한 형태의 종양 성장 묘사에서 시작하여 점진적으로 생물학적 복잡성의 층을 더해가는 수학적 모델의 계층 구조를 구축했다. 그들은 종양이 크기 제한에 도달할 때까지 어떻게 확장되는지를 단순히 설명하는 기초적인 모델로 시작했다. 그다음에는 화학 요법 약물이 몸을 통해 어떻게 이동하고 세포를 죽이는지를 설명하는 층을 추가했다. 마지막으로, 연구진은 종양, 면역 체계, 그리고 약물 사이의 상호작용을 포함하여 자연 살해 세포(NK 세포)와 T 세포가 종양 환경을 어떻게 드나드는지를 추적하는 가장 복잡한 버전을 구축했다.

연구진은 가장 단순한 모델이 종양의 전체적인 크기를 시간에 따라 예측하는 데는 유용했지만, 두 마우스 유형 사이의 생물학적 이유를 설명하는 데는 실패했다는 것을 발견했다. 이 단순한 모델에서 생성된 수치를 살펴보았을 때, 결과는 혼란스러웠다. 모델은 약물이 한 마우스에서는 성장률을 변화시키고 다른 마우스에서는 최대 크기를 변화시킨다고 시사했지만, 이 두 효과를 명확하게 구별해내지는 못했다. 그러나 약물의 구체적인 역학을 포함한 더 복잡한 모델로 전환했을 때, 명확한 그림이 드러났다. 복잡한 모델은 MPB1 종양이 MP 종양보다 시스플라틴의 살상 능력에 약 8배 더 민감하다는 것을 밝혀냈다. 단순한 모델이 가려버렸던 이 구체적인 통찰은, 치료 성공의 차이가 단순히 성장 속도의 문제가 아니라 약물이 암세포를 공격하는 방식의 근본적인 차이임을 보여주었다.

연구진이 방정식에 면역 체계를 추가했을 때 이야기는 더욱 명확해졌다. 가장 단순한 관점에서 면역 체계는 단지 종양 성장을 늦추는 또 다른 요인일 뿐이다. 하지만 면역 세포와 종양 사이의 구체적인 상호작용을 모델링함으로써, 연구진은 두 마우스 유형이 면역 방어력을 억제하는 방식이 매우 다르다는 것을 발견했다. MP 종양은 자신을 공격하려는 면역 세포를 무력화하는 데 훨씬 더 효과적이었으며, 본질적으로 신체의 자연 방어력을 무디게 만드는 것으로 나타났다. 반면, MPB1 종양은 이러한 억제 능력이 덜했다. 연구진이 면역 관문 억제 요법의 사용을 시뮬레이션했을 때, 복잡한 모델은 이 치료법이 MPB1 종양에 훨씬 더 잘 작동할 것이라고 예측했다. 이는 단순한 모델이 감지할 수 없었던 메커니즘, 즉 종양이 면역 세포를 무력화하는 비율을 구체적으로 줄임으로써 이루어졌다. 모델은 MPB1 종양의 경우, 이 요법이 면역 체계를 성공적으로 재활성화하여 종양의 은폐 능력을 크게 떨어뜨린다는 것을 보여주었다.

아마도 가장 놀라운 발견은 연구진이 화학 요법과 면역 요법을 결합하여 시뮬레이션했을 때 나왔을 것이다. 복잡한 모델은 MPB1 마우스에서 나타난 우수한 반응이 강력한 '원투 펀치' 때문이라고 예측했다. 즉, 종양은 약물의 직접적인 살상 능력에 더 민감할 뿐만 아니라, 약물이 종양 부위로 면역 세포의 모집을 강력하게 유도한다는 것이다. MP 마우스의 경우, 이러한 면역 모집은 거의 존재하지 않았다. 모델은 MPB1 종양이 세포를 직접 죽이는 약물의 효과와, 약물이 면역 체계가 나머지 세포를 찾아 파괴하도록 돕는 효과라는 두 가지 기제 모두로부터 혜택을 받는다고 시사했다. 이 이중 메커니즘은 왜 조합 요법이 한 그룹에서는 매우 효과적이었지만 다른 그룹에서는 그렇지 않았는지를 설명해주었다. 연구진은 가장 단순한 모델이 종종 가공되지 않은 데이터에 대해 더 나은 통계적 적합성을 제공하지만, 이러한 근본적인 원인에 대한 통찰력은 제공하지 못한다고 언급했다. 더 복잡한 모델은 구축하기 더 어렵고 이를 뒷받 p하는 더 많은 데이터를 필요로 함에도 불구하고, 왜 치료가 효과적인지를 이해하는 데 필요한 생물학적 명확성을 제공했다.

이 연구는 '최적의' 모델을 선택하기 위해 오로지 통계적 척치에만 의존하는 것은 목표가 생물학을 이해하는 것이라면 오해의 소지가 있을 수 있다고 결론짓는다. 핵심적인 메커니즘을 무시한다면 데이터에 완벽하게 들어맞는 모델이라 할지라도 생물학적으로는 틀릴 수 있다. 연구진은 단순함과 필요한 생물학적 세부 사항 사이의 균형을 신중하게 맞춤으로써, 치료의 성공 또는 실패에 대한 구체적인 이유를 밝혀낼 수 있음을 입증했다. 그들은 HR 결핍 MPB1 종양이 인간의 특정 유형의 난소암을 모방하며, 약물에 본질적으로 더 취약하고 면역 체계를 차단하는 능력이 떨어지기 때문에 더 잘 반응한다는 것을 발견했다. 면역 세포와 약물의 효과를 명시적으로 추적하는 모델을 통해 얻은 이러한 이해는, 단순한 곡선 맞추기 연습보다 미래 연구를 위한 더 명확한 로드맵을 제공한다. 이 작업은 암을 이해하려는 탐구에서, 때로는 가장 유용한 지도가 데이터라는 토대 위에 구축되어 있다면 가장 많은 세부 사항을 보여주는 지도라는 점을 강조한다.