🧠 neurology

ATN Classification and Machine-Learned Plasma Biomarker Phenotypes Reveal Distinct Alzheimer's Pathology in a Population-Based Cohort

대규모 인구 기반 코호트 연구에서 본 연구는 이론 기반의 ATN 분류와 데이터 기반의 머신러닝 표현형이 공유된 아밀로이드, 타우 및 신경퇴행 바이오마커보다는 주로 GFAP에 의해 주도되어 낮은 일치도를 보임에도 불구하고, 두 프레임워크 모두 종단적 인지 저하를 효과적으로 예측한다는 것을 입증하며, 이는 이러한 상호 보완적인 접근 방식들을 통합하는 것이 알츠하이머 병리에 대한 더 포괄적인 특성을 제공함을 시사한다.

원저자: Chea, E. F.

게시일 2026-01-15

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Chea, E. F.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

개요: 퍼즐 조각을 분류하는 두 가지 방법

알츠하이머병 연구를 섞여 있는 거대한 퍼즐 상자를 분류하는 과정이라고 상상해 보세요. 과학자들은 어떤 조각들이 함께 모여야 질병이라는 하나의 그림을 완성하는지 알고 싶어 합니다.

이 논문은 4,400명 이상의 미국 노인을 대상으로 한 혈액 검사(혈장 바이오마커)를 사용하여, 이 퍼즐 조각들을 분류하는 두 가지 서로 다른 방법을 비교합니다.

"규칙 기반" 방법 (ATN): 이것은 엄격한 사서가 규칙 책을 들고 있는 것과 같습니다. 조각이 빨간색이면 A 상자에 넣고, 파란색이면 B 상자에 넣습니다. 규칙은 명확하고 이분법적입니다(binary). 즉, "아밀로이드" 조각이 있거나, "타우" 조가 있거나, "신경 퇴행" 조가 있거나, 혹은 둘 다 없는 식입니다.
"패턴 탐색" 방법 (기계 학습): 이것은 규칙 책 없이 상자를 바라보는 예술가와 같습니다. 그들은 조각들이 얼마나 서로 닮았는지에 따라 자연스럽게 뭉치도록 둡니다. 조각들을 억지로 상자에 밀어 넣지 않고, 어떤 조각들이 자연스럽게 서로 붙어 다니는지를 관찰합니다.

연구진이 알고 싶었던 것은 이것입니다: 이 두 방법이 퍼즐 조각을 동일한 방식으로 분류하는가? 그리고 그들이 만들어낸 그룹이 나중에 기억력 문제를 겪을 사람들을 예측할 수 있는가?

재료: 무엇을 측정했는가?

과학자들은 혈액 속의 네 가지 특정 "재료"를 살펴보았습니다.

아밀로이드 (A): 알츠하이머와 관련된 끈적한 단백질입니다.
타우 (T): 뇌 속에서 엉키는 또 다른 단백질입니다.
신경 퇴행 (N): 뇌세포가 죽어가고 있다는 신호입니다.
GFAP: 뇌의 염증(부기/자극)을 나타내는 지표입니다.

반전: "규칙 기반"(ATN) 방식은 첫 세 가지 재료만 사용합니다. 규칙 책이 이 네 번째 재료를 위해 설계되지 않았기 때문에 GFAP는 무시합니다. 반면 "패턴 탐색"(기계 학습) 방식은 이 네 가지 재료를 모두 사용하여 그룹을 만듭니다.

결과: 어떻게 비교되었나?

1. 분류 결과가 놀라울 정도로 달랐다

연구진이 "규칙 기반" 그룹과 "패턴 탐색" 그룹을 비교했을 때, 두 방식이 잘 일치하지 않는다는 것을 발견했습니다.

비유: 규칙 기반이 사람들을 "키 큰 사람", "중간 키", "작은 사람"으로 분류한다고 가정해 봅시다. 패턴 탐색은 "근육질", "마른 체형", "체구가 큰 사람"으로 분류합니다.
발견: 규칙 기반에서 "키 큰 사람"인 사람이 패턴 탐색에서는 "마른 체형"일 수 있습니다. 두 방법이 일치하는 경우는 **11~13%**에 불과했습니다. 두 방법은 데이터를 서로 다른 렌즈를 통해 보고 있는 것입니다.

2. 비밀 재료: GFAP

연구진은 두 방법이 왜 조금이라도 일치했는지 그 이유를 찾아냈습니다. 그것은 거의 전적으로 네 번째 재료인 GFAP 때문이었습니다.

비유: GFAP는 다리(bridge)와 같습니다. "규칙 기반"의 세계와 "패턴 탐색"의 세계를 연결해 줍니다.
증거: 연구진이 패턴 탐색의 목록에서 GFAP를 제거하고, 규칙 기반과 동일하게 세 가지 재료만 사용하도록 강제했을 때, 일치도는 거의 0(3%)으로 떨어졌습니다.
시사점: 두 방법은 실제로 매우 다른 것을 보고 있습니다. 우리가 본 작은 일치성은 대부분 GFAP가 두 시스템 모두에 들어맞았기 때문에 발생한 것입니다. GFAP가 없었다면 두 방법은 완전히 독립적이었을 것입니다.

3. 숨겨진 그룹 찾기

"패턴 탐색"(기계 학습)은 "규칙 기반"이 놓친 몇몇 그룹을 찾아냈습니다.

"심각한" 그룹: 모든 나쁜 지표가 매우 높은 아주 작은 그룹(1.2%)입니다. 규칙 기반도 이들 대부분을 포착했지만, 패턴 탐색은 이들을 완벽하게 분리해 냈습니다.
"미스터리" 그룹: 뇌 손상의 징후는 있지만, 전형적인 알츠하이머 단백질(아밀로이드 또는 타우)의 징후는 없는 아주 작은 그룹(0.3%)입니다. 규칙 기반은 이들을 "정상"이라고 분류했겠지만, 패턴 탐색은 이들이 실제로 다른 문제(아마도 혈관 문제)로 아픈 상태임을 알아차렸습니다.
"거대한 중간" 그룹: 패턴 탐색은 규칙 기반이 여러 개의 작은 상자로 쪼개 놓았던 하나의 거대한 그룹(전체의 78%)을 발견했습니다. 패턴 탐색은 대부분의 사람에게 있어 질병이 뚜렷한 단계가 아니라 부드러운 경사(gradient)와 같다는 것을 깨달았습니다.

4. 미래 예측

두 방법 모두 향후 4년 동안 누가 기억력을 잃을지 예측하려고 시도했습니다.

결과: 두 방법 모두 성공적이었지만, 그 정도는 미미했습니다. 두 방법 모두 사람들이 왜 기억력이 변했는지에 대해 약 **2%**만을 설명할 수 있었습니다.
비유: 이는 날씨를 예측하는 것과 같습니다. 온도(바이오마커)를 아는 것이 도움이 되지만, 바람, 습도, 기압(유전, 생활 방식, 기타 질병)도 알아야 합니다. 혈액 검사는 매우 복잡한 퍼즐의 한 조각일 뿐입니다.

결론: 이것이 왜 중요한가

이 논문은 어느 한 방법이 "틀린" 것이 아니라, 서로 다르다고 결론짓습니다.

**규칙 기반 (ATN)**은 명확한 소통에 좋습니다. 의사와 연구자들이 질병에 대해 이야기할 때 사용할 수 있는 공통된 언어(양성/음성)를 제공합니다.
**패턴 탐색 (기계 학습)**은 발견에 좋습니다. 규칙이 놓치는 "회색 지대"와 드물고 특이한 사례들을 찾아냅니다.

최종 비유:
규칙 기반을 흑백 사진이라고 생각하십시오. 선명하고 명확하며 이해하기 쉽지만, 미묘한 회색의 음영은 놓칩니다.
패턴 탐색을 고화질 컬러 사진이라고 생각하십시오. 모든 디테일, 경사, 숨겨진 질감을 보여주지만, 한 문장으로 요약하기는 더 어렵습니다.

이 연구는 일반 인구에서 알츠하이머를 진정으로 이해하기 위해서는 하나만 선택해서는 안 된다고 제안합니다. 기본을 바로 잡기 위해 규칙 기반을 사용하고, 전체적이고 복잡한 그림을 보기 위해 패턴 탐색을 사용해야 합니다.

중요 참고 사항: 이 연구 결과는 일반 인구를 대상으로 한 혈액 검사에 근거한 것입니다. 아직 임상에서 개별 환자를 진단하기 위한 도구로 사용되는 것이 아니라, 실제 세상에서 질병이 어떻게 작동하는지 이해하기 위한 방법론입니다.

기술 요약: 인구 기반 코호트에서의 ATN 분류 및 머신러닝 기반 혈장 바이오마커 표현형

문제 제기
알츠하이머병(AD) 연구는 현재 두 가지 상이한 접근 방식으로 병리 현상을 규명하고 있다: 이론 중심의 ATN(아밀로이드/타우/신경퇴행) 프레임워크와 데이터 중심의 비지도 학습 기반 머신러닝 표현형 분석이다. 국립 노화 연구소(NIA)와 알츠하이머 협회(AA)에 의해 확립된 ATN 프레임워크는 바이오마커(Aβ, Tau, 신경퇴행)를 이진 분류법(binary cutoffs)을 사용하여 분류한다. 이는 임상적으로 유용하지만, 연속적인 바이오마커 데이터를 이분화함으로써 임계값 미만의 생물학적 변이를 가릴 가능성이 있다. 반면, 비지도 학습 방식(예: 클러스터링)은 사전 정의된 제약 없이 잠재적 표현형을 식별하지만, 확립된 병리적 구조와의 직접적인 매핑이 부족하다. 인구 대표성을 갖춘 표본에서 이러한 접근 방식들 간의 일치도가 어떻게 나타나는지에 대한 연구는 아직 충분히 규명되지 않았다. 본 연구는 국가를 대표하는 고령자 표본을 통해, 이론 중심의 이진 분류가 데이터 중심의 연속적 표현형과 어떻게 정렬되는지에 대한 간극을 다룬다.

연구 방법론
본 연구는 건강 및 은퇴 연구(HRS) 2016 정맥 혈액 연구의 국가 대표성 있는 종단적 코호트로부터 추출한 4,465명의 참가자(평균 연령 69.7세) 데이터를 분석하였다. 네 가지 혈장 바이오마커가 측정되었다: Aβ42/40 비율, p-tau181, 신경필라멘트 경쇄(NfL), 그리고 글리아 피브릴러 산성 단백질(GFAP).

ATN 분류: 문헌 기반의 이진 컷오프(Aβ42/40 < 0.067을 A+로, p-tau181 > 2.2 pg/mL를 T+로, NfL > 20 pg/mL를 N+로 정의)를 사용하여 참가자들을 14개의 관찰된 ATN 프로파일로 분류하였다. GFAP는 특정 도메인 매핑의 부재로 인해 주요 ATN 분류에서 제외되었다.
데이터 중심 클러스터링: 네 가지 바이오마커(GFAP 포함)에 비지도 학습 머신러닝을 적용하였다. 본 연구에서는 다음을 사용하였다:
- K-means 클러스터링: 엘보우 방법(elbow method), 실루엣 분석(silhouette analysis), NbClust를 사용하여 최적의 클러스터 수( $k$ )를 식별하였다.
- 가우시안 혼합 모델(GMM): 확률적 대안으로서 적용하였다.
- 변이 오토인코더(VAE): 2D 잠재 공간으로의 비선형 차원 축소를 위한 딥러닝 접근법을 사용하였다.
일치도 및 검증: ATN 프로파일과 클러스터링 결과 사이의 일치도를 Adjusted Rand Index(ARI)와 Normalized Mutual Information(NMI)을 사용하여 정량화하였다. 안정성은 부트스트랩 재표집(bootstrap resampling)과 자카드 유사도 계수(Jaccard similarity coefficients)를 통해 평가하였다.
민감도 분석: 본 연구는 다음과 같은 광범위한 민감도 테스트를 수행하였다:
- 핵심 ATN 바이오마커 3종의 기여도를 격리하기 위해 클러스터링에서 GFAP를 제외함.
- 희귀 하위 그룹의 해상도를 평가하기 위해 $k=3$ 과 $k=4$ 솔루션을 비교함.
- 대안적인 거리 척도(Manhattan vs. Euclidean)를 테스트함.
- 다양한 ATN 컷오프 임계값을 변화시킴.
종단적 분석: 두 분류 체계 모두 다변량 선형 회귀를 사용하여 4년간의 인지 기능 저하(2016–2020)를 예측하는 능력을 평가하였다.

주요 결과

ATN 분포: ATN 프레임워크는 14개의 프로파일을 생성하였다. 가장 빈번한 프로파일은 A+/T-/N- (27.4%)와 A-/T-/N- (22.6%)였다. 완전한 AD 병리와 일치하는 프로파일(A+/T+/N+)은 가장 낮은 인지 점수 및 가장 높은 치매 유병률과 연관되어 있었다.
클러스터링 결과: K-means 클러스터링은 네 개의 최적 클러스터( $k=4$ $k = 4$ )를 식별하였다:
- 클러스터 1 (1.2%): 높은 NfL, GFAP, p-tau181을 동반한 심각한 AD 유사 병리.
- 클러스터 2 (19.9%): 혼합된 성상세포 활성화 및 신경퇴행.
- 클러스터 3 (78.6%): 전체 ATN 스펙트럼에 걸쳐 저~중등도 병리를 보이는 거대하고 이질적인 집단.
- 클러스터 4 (0.3%): 비-AD 신경퇴행(낮은 Aβ42/40 비율, 보존된 인지 기능)으로 특징지어지는 작고 안정적인 하위 그룹.
일치도: ATN 프로파일과 머신러닝 클러스터 간의 일치도는 미미하였다 (ARI = 0.119, NMI = 0.113).
- GFAP의 역할: GFAP가 이 일치도의 대부분을 설명한다는 점이 결정적인 발견이었다. 클러스터링에서 GFAP를 제외했을 때(Aβ42/40, p-tau181, NfL만 사용), ATN와의 일치도는 ARI = 0.03으로 급격히 떨어졌다. 이는 세 가지 핵심 ATN 바이오마커만으로는 ATN 이진 범주와 거의 직교(orthogonal)하는 그룹을 생성하며, 관찰된 정렬은 주로 병리 영역을 연결하는 GFAP의 가교 역할에 의해 주도됨을 시사한다.
차원 축소: VAE는 PCA가 포착하지 못한 국소적 비선형 구조(심각한 AD 병리를 나타내는 "초승달형" 궤적)를 드러냈으나, PCA가 더 많은 전역 분산(67.1%)을 설명하였다.
예측 효용성: 두 ATN 프로파일과 클러스터 모두 4년간의 인지 기능 저하를 예측하였으나 효과 크기는 미미하였다 (ATN $R^2$ = 0.024; 클러스터 $R^2$ = 0.019). 두 접근 방식 모두 서로를 유의미하게 능가하지 못했으며, 두 효과 모두 인구 표본에서의 다요인적 인지 노화 특성과 일치하였다.

의의 및 주장
본 논문은 이론 중심의 ATN 분류와 데이터 중심의 표현형 분석이 "부분적으로 중첩되지만 대체로 구별되는 정보"를 포착한다고 주장한다. 미미한 일치도(약 11–13%의 공유 정보)는 분석적 실패가 아니라 근본적인 방법론적 차이를 반영한다: ATN은 연속적인 생물학적 기울기에 이진 경계를 부과하는 반면, 클러스터링은 이러한 기울기를 보존한다.

본 연구는 다음을 강조한다:

이진 vs. 연속: 주요 불일치의 원인은 특정 컷오프 임계값의 위치가 아니라, 연속적인 바이오마커 데이터를 이분화하는 데 있다.
GFAP의 독특한 역할: GFAP는 클러스터링을 ATN과 정렬시키는 "가교" 바이오마커 역할을 한다. GFAP가 없으면 두 접근 방식은 거의 독립적이다.
희귀 표현형의 해상도: 데이터 중심 클러스터링은 이진 ATN 프레임워크에서 가려지거나 통합되었던 희귀하고 안정적인 생물학적 하위 그룹(예: 클러스터 4, 비-AD 신경퇴행)을 성공적으로 식별하였다.
상호 보완적 효용성: 어느 한 프레임워크가 우월한 것이 아니라, 서로 보완적인 렌즈를 제공한다. ATN은 규제 및 임상 시험 맥락에 적합한, 임상적으로 해석 가능하고 생물학적 근거가 있는 계층화를 제공하는 반면, 비지도 클러스터링은 인구 연구에서 전이 상태와 이질적 하위 유형을 밝혀낼 수 있는 정밀한 표현형 분석을 제공한다.

저자들은 두 프레임워크를 통합하는 것이 생물학적 노화의 연속적이고 이질적인 특성을 포착함으로써, 경직된 범주적 정의를 넘어 AD 관련 병리를 보다 포괄적으로 규명하는 데 기여할 수 있다고 결론짓는다.