Anatomical comparison populations and threshold transport in vascular transcriptomic classification

인체는 혈액을 시스템의 모든 구석구석으로 운반하는 거대한 파이프 네트워크와 같습니다. 이러한 혈관들은 표면적으로는 비슷해 보이지만, 목에 있는 동맥의 조직은 사타구니나 다리에 있는 조직과는 생물학적으로 다릅니다. 과학자들은 오랫동안 이 조직들에서 심장마비와 뇌졸중을 유발하는 위험한 플라크 축적인 죽상경화증을 즉각적으로 식별할 수 있는 단일 분자 '지문'을 찾아내기를 희망해 왔습니다. 연구자들이 질병이 존재할 때마다 빛을 발하는 특정 유전자 세트를 찾아낼 수 있다면, 보편적인 검사법을 구축할 수 있다는 아이디어입니다. 이 검사는 마스터 키처럼 작동하여, 샘플이 어디에서 왔는지와 상관없이 목에서 발까지 어떤 동맥에서든 문제를 식별해 낼 것입니다. 이는 특정 혈관의 위치를 초월하는 단일한 생물학적 신호라는 강력한 개념입니다.

그러나 최근 상하이 푸단 대학교 연구진의 연구는 이 보편적인 열쇠가 존재하지 않거나, 적어도 우리가 그것을 찾기 위해 사용하는 지도가 잘못되었을 수 있음을 시사합니다. 연구팀은 새로운 질병을 발견하거나 새로운 기계를 발명한 것이 아닙니다. 대신, 그들은 기존 데이터를 엄격하게 감사하며 과학자들이 이러한 분자 지문을 어떻게 테스트해 왔는지 면밀히 살펴보았습니다. 그들은 단순하지만 결정적인 질문을 던졌습니다. 어떤 테스트가 99% 정확하다고 말할 때, 그것은 정확히 무엇과 비교하고 있는가? 환자의 병든 조직을 동일 인물의 건강한 조직과 비교하는 것인가, 아니면 환자의 병든 조직을 완전히 다른 사망한 기증자의 조직과 비교하는 것인가? 답은 매우 중요합니다. 왜냐하면 데이터가 섞이는 방식은 새로운 상황에 테스트를 적용하는 순간 사라져 버리는 완벽함의 환상을 만들어낼 수 있기 때문입니다.

연구진은 인간 동맥에서 추출한 방대한 유전 데이터 컬렉션에 집중했으며, 특히 경동맥(목), 대퇴 동맥(허벅지), 그리고 슬와하 동맥(무릎 아래)이라는 세 가지 서로 다른 위치의 샘플을 조사했습니다. 그들은 병든 조직과 건강한 조직을 구별하도록 훈련된 모델을 가져와서, 게임의 규칙이 바뀔 때 이 모델이 얼마나 잘 버티는지 테스트했습니다. 원래의 훈련 데이터에서 모델은 폐쇄가 있는 수술 환자의 샘플을 사망한 건강한 기증자의 샘생플과 비교하도록 학습되었습니다. 모델은 거의 완벽한 정확도로 병든 조직을 거의 매번 정확하게 식별해 냈습니다. 마치 완벽한 유전적 서명을 찾아낸 것처럼 보였습니다.

하지만 연구진은 그 완벽한 점수 안에서 실제로 무슨 일이 일어나고 있는지 알아보기 위해 데이터를 세분화했습니다. 그들은 높은 정확도가 주로 두 그룹의 매우 다른 사람들을 비교했다는 사실에 의해 주도되었다는 것을 깨달았습니다. 즉, 수술 흉터가 있는 살아있는 환자와 질병이 없는 사망한 기증자를 비교하고 있었던 것입니다. 모델은 질병 자체를 식별하기보다는 살아있는 사람과 죽은 사람, 혹은 수술 샘플과 사후 샘플 사이의 차이를 배우고 있었던 셈입니다. 연구진이 모델에게 동일한 해부학적 위치(목은 목끼리, 허벅지는 허벅지끼리) 내에서 병든 조직만을 건강한 조직과 비교하도록 강제했을 때, 성능은 여전히 높게 유지되었지만 비교의 본질은 변해 있었습니다. 모델은 여전히 작동하고 있었지만, 그 성공의 이유는 겉보기보다 훨씬 더 취약했습니다.

진정한 시험은 연구진이 이 모델을 원래의 훈련 데이터에 포함되지 않은 완전히 새로운 데이터 세트에 적용했을 때 나타났습니다. 그들은 비교 방식이 다른 환자들의 샘플에 모델을 적용했습니다. 즉, 환자의 병든 플라크 조각을 가져와서 그 환자 자신의 몸에서 나온 건강한 조직과 비교하는 방식이었습니다. 이는 두 대상의 혼동을 제거하기 때문에 훨씬 더 어렵고 현실적인 테스트입니다. 여기서 모델의 행동은 극적으로 변했습니다. 모델은 여전히 대부분의 경우 병든 조직을 건강한 조직보다 높게 순위 매길 수는 있었지만, 결정적인 선을 넘지 못했습니다. 모델은 모든 샘플(건강한 샘플과 병든 샘플 모두)에 대해 낮은 '질병 점수'를 부여했습니다. 모델은 어느 쪽이 더 나쁜지는 알았지만, 둘 중 어느 하나가 실제로 아프다는 것을 알려줄 수는 없었습니다. 훈련 데이터에서 작동했던 임계값, 즉 "이것은 질병이다"라고 말할 수 있는 지점은 새로운 환경에서는 완전히 쓸모가 없었습니다.

왜 이런 일이 발생했는지 이해하기 위해 연구팀은 모델이 사용한 유전자를 살펴보았습니다. 그들은 질병을 식별하기 위해 선택된 특정 유전자 목록이 고유하지 않다는 것을 발견했습니다. 상위 200개의 유전자를 완전히 무작위인 200개의 유전자로 교체했을 때도, 모델은 원래 데이터에서 여전히 거의 완벽하게 수행되었습니다. 이는 높은 점수가 특별하고 생물학적으로 고유한 유전자 세트에서 오는 것이 아니라, 거의 어떤 무작위 선택으로도 포착될 수 있는 샘플 그룹 간의 일반적인 차이 패턴에서 온다는 것을 시사합니다. 모델은 질병 자체의 순수한 신호가 아니라, 샘플이 수집, 처리 및 저장되는 방식의 실험적 노이즈를 포착하고 있었던 것입니다.

이 연구는 또한 이러한 실험들이 설계되는 방식에 대한 더 깊은 문제를 강조했습니다. 원래 데이터는 준비 방법이 다른 여러 출처에서 왔습니다. 한 세트의 샘플은 수술을 받는 살아있는 환자로부터 왔고, 다른 세트는 사망한 장기 기증자로부터 왔습니다. 이 샘플들은 서로 다른 기계로 처리되었고 서로 다른 방식으로 다뤄졌습니다. 연구진이 모델을 한 환경에서 다른 환경으로 옮기려 했을 때, 모델이 질병을 측정하는 데 사용하는 '자(ruler)'가 이동했습니다. 첫 번째 그룹에서 '질병'을 의미했던 점수가 두 번째 그룹에서는 '건강함'을 의미하게 된 것입니다. 모델의 내부 논리는 훈련된 특정 그룹에 대해서는 타당했지만, 새로운 그룹으로 그 논리를 번역할 때는 재보정이 필요했습니다.

연구진은 모델이 특정 맥락 내에서 조직을 분류하는 데는 성공할 수 있지만, 서로 다른 인구 집단 전체에 걸쳐 질병을 진단할 수 있는 신뢰할 수 있는 보편적 임계값을 제공할 수는 없다고 결론지었습니다. 이전 연구들에서 보여준 높은 정확도는 부분적으로 사용된 샘플 혼합의 결과물이었습니다. 혼합이 바뀌면 정확도는 떨어졌고, 임상적 결정을 내릴 수 있는 능력은 사라졌습니다. 이는 혈관 질환에 대한 분자적 서명을 찾는 것이 불가능하다는 뜻이 아닙니다. 다만, 단순히 다양한 출처의 데이터를 모으고 완벽한 점수를 기대하는 것보다 그 과정이 훨씬 더 어렵다는 것을 의미합니다.

이 연구의 함의는 혈관 의학의 미래에 있어 매우 중요합니다. 이는 어디서나 작동하는 단일 테스트를 만들려는 모든 이들에게 경종을 울리는 사례입니다. 이 연구는 모델이 자신이 만들어진 상자 안의 데이터를 분류하는 데는 탁월할 수 있지만, 그 상자 밖으로 나가라고 요구받을 때는 완전히 실패할 수 있음을 보여줍니다. 연구진은 앞으로의 연구가 기증자의 정체가 명확하고 샘플이 일관된 방식으로 처리된 데이터를 사용해야 한다고 강조합니다. 또한, 모델을 테스트할 때 단순히 서로 다른 사람들 사이의 비교에 의존하는 것이 아니라, 실제 세계의 시나리오(예: 환자 자신의 병든 조직을 동일한 환자의 건강한 조직과 비교하는 것)를 모방한 비교를 수행해야 합니다.

궁극적으로 이 논문은 심장 질환에 대한 유전자 검사라는 아이디어를 부정하는 것이 아닙니다. 오히려 성공을 측정하는 방식에 있어 더 높은 정밀도와 정직함을 요구하는 촉구입니다. 연구진은 과거에 보고된 '완벽한' 점수들이 종종 견고함의 결여를 숨기고 있었다는 것을 발견했습니다. 데이터를 층층이 벗겨냄으로써, 그들은 질병의 신호는 실재하지만 샘플을 수집하고 비교하는 방식에 의해 쉽게 가려질 수 있다는 것을 보여주었습니다. 신뢰할 수 있는 보편적 혈관 테스트를 향한 여정은 끝나지 않았습니다. 다만 이 연구는 우리가 어디의 지면이 단단하고 어디가 여전히 흔들리고 있는지 보여줌으로써 안개를 걷어내는 역할을 했습니다. 앞으로 나아가는 길에는 더 나은 알고리즘뿐만 아니라, 우리가 만드는 도구가 진정으로 환자들에게 도움이 될 수 있도록 더 나은 질문과 더 깨끗한 데이터가 필요합니다.