AI as a Biological Primitive: Individual Biological Simulation Without Population-Scale Reference Cohorts for Personalized Care and Drug Development
이 논문은 개인의 종단적 데이터로부터 구현된 인공 생물학적 원형(artificial biological primitive)이 제1형 당뇨병 환자에서의 높은 정확도의 가상 섭동 결과와 다른 생물학적 체계로의 교차 척도 일반화를 통해 입증된 바와 같이, 맞춤형 의료 및 신약 개발을 위한 인구 규모의 참조 코호트를 효과적으로 대체할 수 있음을 보여준다.
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
복잡한 질병을 치료하려는 여정에서 의학은 오랫동안 '평균'이라는 전략에 의존해 왔습니다. 의사들과 연구자들은 대규모 집단을 연구하여 패턴을 찾아낸 뒤, 그 일반적인 규칙을 개별 환자에게 적용합니다. 이 방식은 모든 사람이 유사하게 반응할 때는 잘 작동하지만, 개인의 생물학적 특성이 독특하거나 표준적인 치료법이 실패할 때는 한계에 부딪힙니다. 이 간극을 메우기 위해 과학자들은 '디지털 트윈(digital twins)'을 개발하기 시작했습니다. 이는 실제 몸에 무언가를 시도하기 전에 다양한 치료법을 테스트해 볼 수 있는 특정 개인의 가상 모델입니다. 그러나 전통적으로 이러한 모델은 광범위한 인구 집단의 데이터를 가져와 한 사람에게 맞게 조정하는 방식으로 구축됩니다. 즉, 다수에서 시작하여 한 명으로 좁혀가는 방식입니다.
새로운 연구 라인은 이 방향에 도전합니다. 이 접근법은 대중으로부터 시작하여 규모를 줄이는 대신, 한 개인의 상세한 이력 자체가 자신을 위한 작동하는 모델을 구축하기에 충분한지를 묻습니다. 만약 의사가 환자의 신체가 음식, 약물, 일상생활에 어떻게 반응하는지에 대한 충분한 기록을 가지고 있다면, 그 기록만으로 신뢰할 수 있는 시뮬레이션을 만들 수 있을까요? 이 질문은 환자를 인구 모델에 끼워 맞추는 것에서 벗어나, 환자 자신의 고유한 이력에 맞는 모델을 구축하는 데 초점을 맞춥니다. 이는 충분한 관찰이 뒷받려한다면, 한 사람을 이해하기 위해 타인과 비교할 필요가 없으며, 그 사람의 과거 행동 자체가 미래의 치료를 위한 실험실이 될 수 있음을 시사합니다.
Conquer Medical Health의 연구원인 모리스 안토니 유잉(Maurice-Antony Ewing)은 제1형 당뇨병을 앓고 있는 12명의 데이터셋을 사용하여 이 아이디어를 테스트했습니다. 이 개인들은 8주 동안 밀착 모니터링되었으며, 혈당 수치, 인슐린 사용량, 일상 활동에 대한 약 20만 개의 스냅샷을 생성했습니다. 목표는 컴퓨터가 다른 11명의 평균적인 반응이나 더 큰 집단에 의존하지 않고, 오직 각 개인의 데이터만을 사용하여 각자를 위한 모델을 학습할 수 있는지 확인하는 것이었습니다. 연구진은 이들이 '인공 생물학적 원형(artificial biological primitive)'이라고 부르는 것을 만들었습니다. 이것을 정적인 프로필이 아니라, 자신의 이력으로부터 스스로의 행동 규칙을 학습한 환자의 살아 움직이는 디지털 버전이라고 생각하십시오.
연구팀은 먼저 이 자가 구축 모델이 건강한 상태를 향한 실행 가능한 경로를 식별할 수 있는지 테스트했습니다. 그들은 환자의 혈당이 위험할 정도로 높은 순간들을 포착하여 모델에게 물었습니다: "만약 당신이 인슐린 투여나 약간의 운동과 같은 특정 행동을 취한다면, 이것이 혈당을 목표치로 이동시킬 수 있습니까?" 모델은 가장 유연한 테스트에서 현재의 높은 상태와 건강한 목표 사이의 격차를 거의 97%까지 줄일 수 있는 개입 방안을 성공적으로 식별했습니다. 이는 모델이 인과적인 치료 효과를 단정 짓기보다는, 특정 행동과 결과 사이의 구체적인 관계를 매핑하여 후보 개입책을 생성할 수 있음을 증명했습니다.
그러나 더 결정적인 테스트는 이 개별 모델이 집단 평균에 기반한 모델과 진정으로 다른지를 확인하는 것이었습니다. 연구진은 개인의 이력에 기반한 조언과 12명 전체를 결합하여 학습된 모델이 제공하는 조언을 비교했습니다. 결과는 놀라웠습니다. 두 모델은 거의 일치하지 않았습니다. 실제로 두 모델이 정확히 동일한 치료 계획을 제안한 경우는 약 4분의 1에 불과했습니다. 신체의 반응 형태—즉, 변화에 대한 반응 방식—가 각 개인에게 너무나 독특했기 때문에, 집단 평균은 개인에게 부적절한 가이드가 되었습니다. 이 발견은 환자를 인구 모델에 맞춰 조정하는 것만으로는 정확하게 표현할 수 없다는 생각을 부정합니다. 즉, 개인의 이력에는 집단은 보지 못하는 고유한 반응의 기하학적 구조가 담겨 있다는 것입니다.
연구진은 이 디지털 모델이 단순히 추측하는 것이 아님을 보장하기 위해, 사람들이 실제로 인슐린을 투여하거나 운동을 할 때 현실 세계에서 어떤 일이 일어나는지 살펴보았습니다. 그들은 실제 개입이 일어났을 때와 아무 일도 일어나지 않았을 때의 신체 궤적이 얼마나 변하는지 측정했습니다. 데이터에 따르면, 실제 치료는 신체의 경로에 상당하고 측정 가능한 변화, 즉 안정적인 기간 동안 보이는 자연스러운 흔들림보다 거의 두 배나 큰 '변형(deformation)'을 일으켰습니다. 이는 신체의 이력이 변화에 어떻게 반응하는지에 대한 명확한 신호를 보유하고 있으며, 신뢰할 수 있는 시뮬레이션을 구축하기 위한 원재료를 제공한다는 점을 확인시켜 주었습니다.
그 후 연구는 실질적인 응용 단계로 넘어갔습니다. 즉, 사람에게 직접 시도하기 전에 디지털 트윈을 사용하여 새로운 아이디어를 테스트하는 것입니다. 컴퓨터는 인슐린 용량 조절이나 투여 시간 조절과 같은 수천 가지의 잠재적인 치료 변경안을 제안했습니다. 시스템은 이러한 제안들을 해당 인물의 과거 이력과 대조했습니다. 만약 그 사람이 특정 조정을 시도한 적이 없거나, 혹은 유사한 조치가 이전에 나쁜 결과를 초래했다는 기록이 있다면, 시스템은 이를 위험하거나 근거가 없는 것으로 표시했습니다. 놀랍게도 제안된 변경 사항의 약 78%는 그 사람의 이력에 전례가 있었으며, 그중 거의 3분의 2는 이전에 효과가 좋았던 방식이었습니다. 이는 컴퓨터가 환자에게 다시 실험할 필요 없이, "우리는 이것을 이전에 해보았고, 효과가 있었다" 또는 "우리는 이것을 해보았고, 실패했다"라고 말할 수 있는 안전망을 만들어 주었습니다.
결정적으로, 이 모델은 정적이지 않았습니다. 환자의 상태가 시간 단위로 변함에 따라 최선의 치료 제안도 함께 변했습니다. 연구진이 서로 다른 시간대나 서로 다른 목표를 가지고 모델에게 조언을 구했을 때, 모델은 3분의 2 이상의 경우에서 서로 다른 답변을 내놓았습니다. 이는 모델이 단순히 환자를 "A형 당뇨병 환자"와 같은 고정된 범주에 할당하는 것이 아니라, 환자와 함께 진화하는 역동적인 실험 파트너로서 작동하고 있음을 입증합니다.
연구진은 또한 이 방법이 당뇨병 너머에서도 작동하는지 테스트했습니다. 그들은 팬데믹 기간 동안의 정부 정책에 대한 인구 수준의 데이터와, 개별 뇌세포가 시각적 자극에 어떻게 반응하는지에 대한 데이터에 동일한 논리를 적용했습니다. 두 경우 모두, 시스템은 해당 시스템(국가든 뉴런이든)의 특정 이력을 통해 학습할 수 있었으며, 새로운 입력에 어떻게 반응할지를 시뮬레이션할 수 있었습니다. 이는 이 접근법이 한 종류의 생물학에 국한된 것이 아니라, 어떤 시스템이 어떻게 행동하는지를 이해하기 위한 일반적인 방법임을 시사합니다.
연구는 개인화된 케어와 신약 개발을 위해 가장 강력한 도구는 다른 사람들의 더 큰 데이터베이스가 아니라, 개인의 더 깊은 기록일 수 있다고 결론짓습니다. 개인의 이력을 최우선적인 진실의 원천으로 다룸으로써, 의사와 연구자들은 그 사람에게 특화된 가상 실험실을 구축할 수 있습니다. 이를 통해 약을 삼키거나 주사를 놓기도 전에, 어떤 치료법을 스크리닝하고, 이력이 실패할 것이라고 말하는 것은 거절하며, 이력이 성공할 것이라고 말하는 것을 우선순위에 둘 수 있습니다. 이 연구는 질병의 문제를 해결했다고 주장하는 것이 아니라, 새로운 사고방식을 제시합니다. 즉, 환자의 고유한 문제에 대한 답은 전적으로 그 사람의 과거 안에 존재하며, 그 과거를 읽어낼 줄 아는 기계를 기다리고 있다는 것입니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.