Automated modeling of population pharmacokinetic models using nlmixr2auto: a clinical trial and real-world data study

당신이 환자에게 딱 맞는 약의 용량을 찾아내려는 의사라고 상상해 보세요. 이것은 단순히 추측하는 것만큼 간단한 일이 아닙니다. 인체는 체중, 연령, 심지어 유전자에 따라 약물을 처리하는 속도가 달라지는 복잡한 기계와 같기 때문입니다. 이것이 바로 집단 약동학(또는 줄여서 "PopPK")의 세계입니다. 이것을 거대한, 고도의 집중력을 요하는 "레시피 맞히기" 게임이라고 생각해 보세요. 과학자들은 약물이 혈류를 통해 어떻게 이동하는지, 즉 얼마나 빨리 흡수되고, 얼마나 오래 머물며, 얼마나 빨리 빠져나가는지를 예측하는 수학적 모델을 구축해야 합니다.

수십 년 동안 이러한 모델을 구축하는 것은 전문가들이 수행하는 느리고 수동적인 작업이었습니다. 그들은 레시피의 한 부분을 수정하고, 결과를 확인하고, 또 다른 부분을 수정하고, 이를 반복했습니다. 이는 마치 소금을 한 꼬집 넣을 때마다 국물 맛을 보는 방식으로, 완벽한 양념 조합을 찾아내는 것과 같습니다. 이 과정은 매우 오래 걸리며, 때로는 전문가가 어딘가에 숨겨진 "완벽한" 해결책을 깨닫지 못한 채 "적당히 괜찮은" 해결책에 머물러 버리기도 합니다. 최근에는 컴퓨터를 사용하여 이 과정을 자동화하려는 시도가 있었지만, 이러한 새로운 도구들 중 상당수는 눈을 가린 요리사와 같습니다. 그들은 괜찮은 국물을 만들어낼 수는 있지만, 그것이 가능한 최선의 결과임을 증证明할 수는 없습니다. 이 논문은 핵심적인 질문을 던집니다. 단순히 자동으로 국을 끓일 수 있는 것을 넘어, 인생을 다 바치지 않고도 자신이 찾은 것이 절대적으로 최고의 레시피임을 증명할 수 있는 컴퓨터 프로그램을 만들 수 있을까요?

---

위대한 레시피 탐색: 알고리즘과 의학의 이야기

이 연구에서 연구진은 nlmixr2auto라는 새로운 오픈 소스 도구를 소개했습니다. 이 도구를 똑똑하고 자동화된 요리사라고 생각해보세요. 이 요리사는 단순히 추측하는 것이 아니라, 완벽한 약의 레시피를 찾아내기 위해 영리한 전략을 사용합니다. 연구진은 이 새로운 요리사가 기존의 "단계별" 방식보다 더 뛰어난 성과를 낼 수 있는지, 그리고 더 중요한 것은, 만약 컴퓨터가 모든 가능한 조합을 시도한다면 찾게 될 그 "완벽한" 레시비(이를 "전수 조사"라고 합니다)와 동일한 레시피를 찾을 수 있는지를 확인하고자 했습니다.

이 도구를 테스트하기 위해 연구팀은 가상의 데이터를 사용하지 않았습니다. 대신 실제 환자와 건강한 자원봉사자들로부터 얻은 22개의 실제 임상 데이터셋을 수집했습니다. 이 데이터셋은 정맥 주사(IV) 또는 알약 형태로 투여된 항생제, 항암제, 심장 약물을 포함한 다양한 약물을 다루었습니다. 어떤 데이터셋은 단 몇 명의 인원으로 구성되었고, 어떤 것은 수백 명에 달했습니다. 이는 그들의 자동화된 요리사가 다루기에 다양하고 도전적인 메뉴였습니다.

경연: 세 명의 똑똑한 사냥꾼 vs 한 명의 느린 미식가

연구진은 최적의 모델을 찾는 네 가지 서로 다른 방식 간의 경쟁을 설정했습니다:

1. 전수 조사 (Exhaustive Search): "골드 스탠다드(표준)"입니다. 이 방법은 우주의 모든 가능한 양념 조합을 다 맛보는 것과 같습니다. 절대적인 최고를 찾아낸다는 점은 보장되지만, 믿을 수 없을 정도로 느립니다.
2. 단계별 방법 (Stepwise Method): "구식" 방식입니다. 기본 레시피에서 시작하여 한 번에 하나의 재료를 추가하거나 제거하며, 변화가 있을 때마다 맛을 확인합니다. 빠르기는 하지만, 충분히 멀리 내다보지 못하기 때문에 "좋은" 레시피에 머물러 "완벽한" 레시피를 놓칠 수 있습니다.
3. 메타휴리스틱 사냥꾼 (GA, ACO, TS): 이들은 nlmixr2auto에 의해 구동되는 주인공들입니다. 이들은 자연에서 영감을 받은 전략을 사용합니다:
   • 유전 알고리즘 (GA): 최고의 레시피가 "교배"하고 "변이"하여 더 나은 자손을 만들어내는 진화와 같습니다.
   • 개미 군집 최적화 (ACO): 개미들이 페로몬 흔적을 남기는 것과 같습니다. 더 좋은 레시피일수록 흔적이 강해져서 다른 이들을 최적의 장소로 안내합니다.
   • 타부 서치 (TS): 이미 가본 길은 다시 가지 않기로 기억하는 탐정과 같습니다. 이미 시도한 경로를 피함으로써 새로운 영역을 탐험하도록 강제합니다.

결과: 속도와 완벽함의 만고락

결과는 의학 모델링 분야의 판도를 바꾸어 놓았습니다.

"완벽한" 일치:
연구진이 결과를 "골드 스탠다드"(전수 조사)와 비교했을 때, 메타휴리틱 사냥꾼들은 놀라울 정도로 정확했습니다.

• **유전 알고리즘 (GA)**은 22개 데이터셋 중 21개에서 전수 조사와 동일한 완벽한 레시피를 찾아냈습니다. 이는 **95.5%**의 성공률입니다.
• **개미 군집 최적화 (ACO)**는 22번 중 20번(90.9%) 성공했습니다.
• **타부 서치 (TS)**는 22번 중 19번(86.4%) 성공했습니다.

이와 대조적으로, 구식인 단계별 방법은 22개 중 단 7개의 데이터셋(31.8%)에서만 완벽한 레시피를 찾아냈습니다. 빠르기는 했지만, 너무 작고 조심스러운 단계에만 집중했기 때문에 최선의 해결책을 놓치는 경우가 많았습니다.

속도 경주:
여기서 진짜 마법이 일어납니다. "골드 스탠다드"인 전수 조사는 너무 느려서, 일부 대규모 데이터셋의 경우 표준 컴퓨터에서 완료하는 데 100일 이상이 걸릴 수도 있습니다. 강력한 4코어 컴퓨터를 사용하더라도, 거의 절반의 데이터셋을 해결하는 데 10일에서 100일 사이의 시간이 걸렸습니다.

하지만 새로운 nlmixr2auto 도구들은 번개처럼 빨랐습니다.

• 전체 과업의 63.6%(22개 중 14개)가 24시간 이내에 완료되었습니다.
• 어떤 과업도 100일을 넘기지 않았습니다.
• 사실, 메타휴리스틱 방법들은 전수 조사보다 10배에서 100배 더 빨랐음에도 불구하고, 여전히 동일한 수준의 고품질 답변을 찾아냈습니다.

이것이 왜 중요한가

이 연구는 우리가 더 이상 속도와 정확성 사이에서 선택할 필요가 없음을 시사합니다. 오랫동안 전문가들은 컴퓨터가 모든 가능성을 확인할 때까지 몇 달을 기다리거나, 손으로 만든 "적당히 괜찮은" 모델에 안주해야 했습니다. 이 새로운 프레임워크인 nlmixr2auto는 제3의 길을 제시합니다. 실용적일 만큼 빠르면서도 최선의 모델을 찾아낼 수 있을 만큼 똑똑한 도구입니다.

연구진은 이러한 자동화 도구가 단순한 이론적 기술이 아니라, 실제 임상 시험의 복잡하고 실제적인 데이터에서도 작동한다는 것을 발견했습니다. 비록 이 연구가 다양한 유형의 데이터에 대한 튜닝이 여전히 필요하며, 환자 개별 요인(예: 연령 또는 체중)을 혼합하는 과정까지 아직 자동화되지는 않았다고 언급했지만, 핵심적인 발견은 명확합니다. 자연에서 영감을 받은 이러한 탐색 전략을 사용함으로써, 우리는 인체 내에서 약물이 어떻게 작품하는지에 대한 더 나은, 더 신뢰할 수 있는 모델을 구축할 수 있으며, 이는 의사가 이전보다 훨씬 빠르게 환자에게 적절한 용량을 적절한 시간에 처방하는 데 도움을 줄 수 있습니다.