기술 요약: Genosolver

문제 정의

분자 의학 및 시퀀싱 기술(WGS/WES)의 발전에도 불구하고, 희귀 질환 케어에서는 여전히 심각한 진단 병목 현상이 존재한다. 즉, 방대한 유전체 데이터를 해석하는 것이 여전히 어려워 많은 환자가 진단을 받지 못한 채 남아 있다. 현재의 계산적 접근 방식은 주로 인간 표현형 온톨로지(Human Phenotype Ontology, HPO)를 중심으로 한 표준화된 임상 특징에 크게 의존한다. HPO는 필요한 표준화를 제공하지만, 복잡하고 비구조화된 임상 정보를 포착하는 데 있어 내재적인 한계를 지닌다. 구체적으로, HPO는 다음과 같은 사항을 인코딩하는 데 자주 실패한다:

• 시계열적 및 종단적 증상 변화.
• 상세한 가족력 및 유전 패턴.
• 부정된 소견 (예: "EEG 소견 없음").
• 증상의 특정 속성 (예: "치료 저항성 근간대성-무발작성 간질").
• HPO 용어로 아직 매핑되지 않은 치료제 및 특정 진단 결과.

기존의 머신러닝 구현은 특징을 HPO 용어로 변환하는 데 그치거나(자연어의 뉘앙스 상실), 유전 데이터를 피상적으로 통합하는 등 전체 진단 파이프라인을 완전히 연결하지 못하는 경우가 많다. 구조화된 데이터와 비구조화된 데이터를 모두 처리할 수 있는 단일 워크플로우로서, 비구조화된 서사로부터 표현형을 추출하고, 희귀 질환 진단 및 유전 변이 우선순위 지정까지 통합하는 오픈 소스 파이프라인은 부족한 실정이다.

방법론

저자들은 이러한 격차를 해결하기 위해 대규모 언어 모델(LLM)과 대규모 추론 모델(LRM)을 활용한 통합 다단계 워크플로우인 Genosolver를 제시한다. 이 시스템은 데이터 보안이 보장되는 로컬 환경에서 작동하도록 설계되었으며, 세 가지 주요 모듈로 구성된다:

1. 표현형 추출기 (Phenotype Extractor):

   • 임상 노트 및 유전 결과가 포함된 비구조화된 전자 건강 기록(EHR)을 처리한다.
   • 로컬 소규모 언어 모델(SLM)과 번역 모델(독일어-영어 정규화용)을 사용하여 표현형 특징, 인구통계학적 데이터 및 가족력을 추출한다.
   • 원시 텍스트로부터 HPO 용어를 도출하는 모델의 능력을 테스트함으로써 추출 성능을 벤치마킹하는 동시에, 원래의 비구조화된 서사를 보존한다.

2. 질병 지정기 (Disease Designator):

   • 계산 부하를 줄이기 위한 거친 표현형 필터 역할을 한다.
   • HPO-Jax, GeneReviews, UniProt에서 유래된 큐레이션된 유전자-표현형 관계를 포함하는 벡터 데이터베이스(FAISS)를 활용한다.
   • BERT 기반 문장 트랜스포머와 최대 한계 관련성(Maximal Marginal Relevance, MMR)을 사용하여 추출된 특징을 바탕으로 관련 유전자-표현형 연관성을 검색한다.

3. 변이 우선순위 지정기 (Variant Prioritizer):

   • 필터링된 잠재적 진단 목록을 환자의 필터링된 유전 변이(SNVs, indels, 그리고 잠재적으로 CNVs/repeats)와 매칭한다.
   • 검색 증강 생성(RAG) 방식을 사용하여, LLM/LRM이 큐레이션된 문헌 지식 베이스(GeneReviews, UniProt)에 접근하여 특정 변이가 환자의 표현형을 설명하는지 평가한다.
   • 연령, 성별, 유전 패턴과 같은 맥락을 포함하여 순위 지정 과정을 설명하는 추론 요약을 생성한다.

실험 설정:

• 평가된 모델: 본 연구에서는 네 가지 로컬 오픈 소스 모델인 Llama-3.3-70B-Instruct, MedGo (Qwen 기반), DeepSeek distilled Llama 70B, GPT OSS 120B를 테스트하였다.
• 베이스라인: 다양한 설정(표준 설정, ACMG 분류 필터링, 유전자-변이 점수 필터링)을 사용하여 유명한 변이 우선순위 지정 도구인 Exomiser와 성능을 비교하였다.
• 데이터셋:
  • 회고적 검증: 네 가지 질환 범주(신경 발달, 장기 특이적, 신경근육, 혈액학)에 걸친 233개의 기존 유전적 해결 사례(2023–2025).
  • 재분석: 동일 센터의 미해결 사례 1,875건.
  • 개념 증명: 반복 서열(n=5) 및 복제수 변이(CNVs)(n=19)를 위한 소규모 코호트.

주요 결과

1. 변이 우선순위 지정 성능

해결된 233개 사례에 대한 평가에서, GPT OSS 120B 모델과 비구조화된 임상 노트(실험 1)를 활용한 Genosolver 워크플로우는 Exomiser에 비해 우수한 성능을 보였다:

• Top 1 적중률: Genosolver는 **72%**를 달성했다 (Exomiser: 63%).
• Top 10 적중률: Genosolver는 **94%**를 달성했다 (Exomiser: 85%).
• 이는 베이스라인인 Exomiser 도구보다 9% 향상된 수치이다.
• Llama, MedGo, DeepSeek 등의 다른 모델들은 특정 융합 전략이나 비구조화 데이터 입력 없이는 일반적으로 Exomiser보다 낮은 성능을 보였다.

2. 비구조화 데이터의 가치

연구 결과, Genosolver가 추출한 표현형 용어 중 기존 HPO 용어로 매핑할 수 없는 522개의 표현형 용어가 식별되었다. 여기에는 누락된 특징, 특정 속성, 시간적 요소 및 부정적 소견이 포함되었다.

• 비구조화된 서사를 활용한 워크플로우는 전문가가 할당한 HPO 용어나 기계 생성 HPO 용어만을 사용하는 워크플로우보다 뛰어난 성능을 보였다.
• 모델은 추론 과정에서 맥락 정보(가족력, 연령, 성별)를 성공적으로 활용하였다. 48건의 사례에서 가족력을 통해 유전 패턴을 추론하였고(47/48건 정확), 43건에서 연령을 올바르게 적용하였으며, 6건에서 성별을 진단 근거로 올바르게 사용하였다.

3. 대규모 재분석

1,875건의 미해결 사례에 대한 반자동 재분석 결과, 1.7%의 추가 진단율(31건의 신규 진단)을 얻었다.

• 신규 진단 사유:
  • 21건: 이전의 경직된 우선순위 지정/필터링 전략으로 인해 누락됨.
  • 6건: 변경된 ClinVar 주석 (VUS에서 병원성으로 변경).
  • 2건: 새로운 유전자-표현형 연관성 발견.
• Genosolver 워크플로우(효율성을 위해 Llama 사용)는 기존 파이프라인에서 필터링되었던 이러한 사례들을 성공적으로 식별하였다.

4. 기타 변이 유형으로의 확장

개념 증명으로서, 워크플로우를 다음과 같이 조정하였다:

• 반복 서열 (Repeat Expansions): 5개 사례에 대해 0.8의 적중률(k=1, 3, 5, 10)을 달성하였다.
• CNV (단일/다중 엑손): 10개 사례에 대해 0.8(k=1) 및 0.9(k=3, 5, 10)의 적중률을 달성하였다.
• 다중 유전자 CNV: CNV 내 유전자들의 집합적 관련성을 평가함으로써 9개의 관련 다중 유전자 CNV 중 7개를 성공적으로 유지하였다.

의의 및 주장

본 논문은 Genosolver가 로컬 LLM 및 추론 모델과 비구조화된 임상 데이터를 통합함으로써 희귀 질환의 분자 진단을 크게 증가시키는 확장 가능하고 데이터 보안이 보장되는 워크플로우를 제공한다고 주장한다.

• 전체론적 통합: 이전의 도구들과 달리, Genosolver는 표현형 추출, 진단, 변이 우선순위 지정을 단일 파이프라인으로 통합하며, HPO 용어와 원시 임상 서사를 모두 처리할 수 있다.
• HPO의 한계 극end: 본 연구는 비구조화된 표현형 특징(예: 시간적 맥락, 부정 표현)이 현재의 HPO 표준이 포착할 수 없는 추가적인 임상적 가치를 지니며, 이것이 더 높은 진단 정확도로 이어진다는 증거를 제시한다.
• 개인정보 보호 및 적응성: 로컬 오픈 소스 모델과 RAG 방식을 활용함으로써, 지속적인 모델 재학습 없이도 데이터 프라이버시를 유지(의료 분야에서 매우 중요)하고 빠르게 진화하는 의학 지식에 적응할 수 있다.
• 재분석 유용성: LLM 기반의 표현형 우선순위 지정이 기존의 경직된 필터링 전략으로 인해 놓쳤던 대규모 코호트의 미해결 사례들을 효과적으로 찾아낼 수 있음을 입증하였다.

저자들은 이 접근 방식이 복잡한 변이 유형(CNVs, 반복 서열)을 포함하여 희귀 질환 진단을 확장하고, 전자 건강 기록의 완전한 깊이를 활용할 수 있는 실행 가능한 경로를 제시한다고 결론짓는다.