Machine Learning Approaches Enhance Polygenic Risk Score in Alzheimer’s Disease

알츠하이머병은 기억력과 사고력을 갉아먹고, 결국 사람이 스스로를 돌볼 수 있는 능력마저 앗아가는 가혹한 질환입니다. 어떤 사람들은 이 병에 걸릴 확률이 더 높은 상태로 태어난다는 사실을 우리는 이미 알고 있지만, 그 이유는 결코 단순하지 않습니다. 과학자들은 APOE ε4라고 불리는 특정 유전자 변이가 강력한 경고 신호 역할을 한다는 것을 오랫동안 알고 있었지만, 그것은 전체 이야기의 일부만을 말해줄 뿐입니다. 이 변이를 보유하고도 병에 걸리지 않는 사람들도 많으며, 반대로 이 변이가 없는 사람 중에서도 병에 걸리는 경우가 있습니다. 이는 위험 요소가 단 하나의 스위치에 담겨 있는 것이 아니라, 우리의 DNA 속에 흩어져 있는 수천 개의 미세한 차이들 각각이 전체적인 그림에 조금씩 기여하고 있음을 시사합니다. 수년 동안 연구자들은 이 미세한 기여분들을 모두 더해 누가 병에 걸릴 가능성이 가장 높은지를 예측하는 단일 점수를 만들고자 노력해 왔습니다. 그러나 이러한 전통적인 방식들은 흔히 유전자들이 마치 개별적인 무게를 더하는 것처럼 독립적으로 작용한다고 가정하며, 유전자들이 서로 상호작용하는 복잡한 방식을 포착하는 데 어려움을 겪습니다.

이탈리아의 한 연구팀은 현대적인 컴퓨터 도구가 이 유전 암호를 읽어내는 데 더 나은 성능을 보일 수 있는지 알아보기 위해 연구를 시작했습니다. 그들은 알츠하이머병이 있는 사람과 없는 사람을 포함하여 약 1,000명의 노인으로부터 데이터를 수집하고 수백만 개의 유전적 표지자를 조사했습니다. 연구진은 수십 년 동안 사용된 표준 공식에 의존하는 대신, 여러 종류의 인공지능 모델을 훈련시켰습니다. 이 모델들은 데이터 자체로부터 학습하도록 설계되었으며, 전통적인 수학으로는 찾아내기 너무 미묘하거나 복잡할 수 있는 패턴을 찾아내도록 만들어졌습니다. 연구진은 이 스마트한 알고리즘들이 질병으로 이어지는 유전자 사이의 숨겨진 연결 고리를 찾아낼 수 있는지, 그리고 기존의 방식보다 더 정확하게 위험군을 예측할 수 있는지 알고 싶었습니다.

결과는 컴퓨터 모델이 실제로 더 효과적이라는 것을 보여주었습니다. 가장 성능이 뛰어난 인공지능 시스템은 전통적인 점수 산출 방식보다 훨씬 더 높은 정확도로 질병이 있는 사람과 없는 사람을 구별해 냈습니다. 이러한 개선은 연구진이 분석에 알려진 APOE 유전자를 포함했을 때 가장 두드러졌는데, 이는 컴퓨터 모델이 이 주요 위험 요인을 수천 개의 작은 요인들과 함께 가중치를 두는 데 매우 능숙했음을 시사합니다. 그러나 연구진이 다른 신호를 찾을 수 있는지 확인하기 위해 혼합물에서 APOE 유전자를 제거하자, 복잡한 컴퓨터 모델의 이점은 줄어들었습니다. 이 시나리오에서는 더 단순한 전통적 방식이 첨단 방식만큼이나 잘 작동했습니다. 이 발견은 인공지능이 복잡한 상호작용을 포착하는 데 강력하지만, 알츠하이머병의 나머지 유전적 위험은 여전히 기존 방식들이 충분히 다룰 수 있는 더 직관적이고 가산적인(additive) 패턴을 따르고 있을 수도 있다는 점을 시사합니다.

위험을 예측하는 것을 넘어, 연구진은 컴퓨터가 실제로 무엇을 '생각'하고 있는지 이해하기 위해 특별한 기법을 사용했습니다. 그들은 모델에게 어떤 구체적인 유전적 변화가 결정의 원동력이 되었는지 설명하도록 요청했습니다. 분석 결과, 모델이 가장 중요하다고 간주한 몇 가지 유전적 변이가 밝혀졌습니다. 이 중 하나는 잘 알려진 APOE 변이였으며, 모델은 이를 가장 강력한 신호로 정확히 식별했습니다. 하지만 모델은 또한 이전 연구들에서 두드러지게 다뤄지지 않았던 다른 유전자들도 지목했습니다. 예를 들어, 모델은 세포가 스트레스를 처리하는 방식에 관여하는 유전자와 뇌의 면역 세포가 지방 대사를 관리하는 데 역할을 하는 유전자를 지목했습니다. 이러한 발견은 질병이 세포의 스트레스 대응 방식과 뇌의 면역 체계 기능 등 다양한 요인의 조합에 의해 유발될 수 있음을 시사하며, 향후 연구를 위한 새로운 단서를 제공합니다.

또한 이 연구는 모델이 가장 높은 위험군이나 가장 낮은 위험군을 식별할 수 있는지 살펴보았습니다. 연구진이 위험 스펙트럼의 양 극단을 조사했을 때, 한 컴퓨터 모델은 테스트된 다른 어떤 방식보다도 사람들을 고위험군과 저위험군으로 더 잘 분류하는 능력을 보여주며 두각을 나타냈습니다. 이는 조기 개입에 있어 매우 중요한 능력으로, 증상이 나타나기 전 예방 조치의 혜택을 받을 수 있는 개인을 의사가 식별하는 데 도움을 줄 수 있기 때문입니다. 그러나 연구진은 이들의 작업이 특정 집단을 대상으로 이루어졌으며, 모든 사람에게 효과가 있는지 확인하기 위해서는 더 크고 다양한 인구 집단을 대상으로 모델을 테스트해야 한다고 주의를 기울였습니다.

궁극적으로 이 연구는 머신러닝이 특히 많은 유전적 요인들의 복잡한 상호작용을 다룰 때 알츠하이머병의 유전적 위험에 대한 이해를 높일 수 있음을 보여줍니다. 전통적인 방식이 광범위한 유전적 맥러를 볼 때, 특히 주요 유전자가 없는 상황에서는 여전히 유용하지만, 새로운 접근 방식은 가장 취약한 개인을 식별하는 데 더 날카로운 렌즈를 제공합니다. 세포 스트레스 및 면역 기능과 관련된 특정 유전자를 밝혀냄으로써, 이 연구는 과학자들이 새로운 생물학적 경로를 탐구할 수 있는 로드맵을 제공합니다. 이 연구가 치료법을 제시하는 것은 아니지만, 위험을 측정하는 더 정밀한 방법과 언젠가 새로운 치료법으로 이어질 수 있는 생물학적 메커니즘에 대한 더 명확한 시야를 제공합니다.